[发明专利]一种大规模云服务流程的优化方法

说明书

本发明涉及一种大规模云服务流程的优化方法，包括：将多个执行计划随机分配到多个并行节点；每个并行节点并行执行局部迭代来对并行节点内部的执行计划进行处理直至局部迭代停止，每次局部迭代时，并行节点需利用离散帝王蝶优化算法和依赖‑冲突修复算法对执行计划进行处理；再将所有并行节点中局部迭代处理结束后得到的执行计划集合在一起；判断是否满足全局迭代停止条件，若判断为是，则直接输出最优执行计划；否则，就将集合后的执行计划重新分配到多个并行节点，然后再重复上述步骤。本发明提升了云服务流程优化方法的求解效率和求解精度，能够有效适用于具有不同服务流程结构、QoS约束和服务关联约束的大规模云服务流程优化问题。

技术领域

本发明涉及云服务技术领域，尤其是指一种大规模云服务流程的优化方法。

背景技术

服务流程是企业为达成特定管理目标，基于Web服务(简称服务)、工作流等技术构建的具有逻辑关联的业务活动集合。随着云计算的迅速发展，通过云服务构建服务流程已成为一种主要趋势，该方式能快速提高服务流程管理的灵活性、经济性和集成性。

随着企业流程的复杂化及服务数量的爆炸性增加，如何为大规模云服务流程找到最优执行方案成为一个重要且具有挑战性的问题。现有的云服务流程优化问题所使用的算法大都为串行优化方法，例如，基于改进鲸鱼优化算法(ESWOA)和多种群自适应差分人工蜂群算法(MPsaDABC)，这类算法通过模拟鲸鱼觅食、蜜蜂采蜜等过程设计寻优策略，并通过迭代优化搜索出最优的云服务流程执行计划，均是采用串行优化方法，其性能随着问题规模的增加而迅速恶化，难以适用于大规模云服务流程优化问题；且由于业务需求和客户偏好等原因，服务间往往存在各种服务质量(QoS)约束(如期限和成本约束)、服务间依赖和冲突约束，但是上述算法均无法有效支持上述服务约束，会导致出现不可行执行计划的情况。

为解决云服务流程的复杂化及云服务爆炸式增长所带来的困难，并行大规模云服务流程优化研究引起了越来越多的关注，但是现有的并行大规模云服务流程优化方法所提出并行求解算法均基于单机(如多线程、多核)或者非内存的编程模型(如HadoopMapReduce)实现，由于单机并行模式依赖于单个硬件的性能，可伸缩性较差；而非内存的编程模型需要频繁地与存储介质进行数据交互，计算效率不高。因此，现有的并行大规模云服务流程优化方法的扩展性及求解效率有待进一步提高，且该算法仅适用于单服务流程结构、单QoS约束等简单的大规模云服务流程优化问题，其难以准确地评价具有不同流程结构、QoS约束和服务关联约束等复杂约束下的计划可行性并得到最优解。

综上所述，现有云服务流程的优化方法的求解效率和求解精度较低，无法适用于具有不同服务流程结构、QoS约束和服务关联约束的大规模云服务流程的优化求解。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中云服务流程的优化方法的求解效率和求解精度较低，无法适用于具有不同服务流程结构、QoS约束和服务关联约束的大规模云服务流程的优化求解的问题。

为解决上述技术问题，本发明提供了一种大规模云服务流程的优化方法，包括以下步骤：

S1)将多个执行计划随机分配到多个并行节点，使得每个并行节点被分配有多个执行计划；

S2)每个并行节点并行执行局部迭代来对并行节点内部的执行计划进行处理；

每次局部迭代时，并行节点先利用离散帝王蝶优化算法对并行节点内部的执行计划进行处理获得新的执行计划,再对新的执行计划利用依赖-冲突修复算法进行修复得到修复后的执行计划，然后利用效用函数对修复后的执行计划进行评价，并根据评价结果对修复后的执行计划进行筛选；

S3)将所有并行节点中局部迭代处理结束后得到的执行计划集合在一起；

S4)判断是否满足全局迭代停止条件，若判断为是，则步骤S3)中得到的执行计划为最终的最优执行计划，将所述最优执行计划直接输出；若判断为否，则执行步骤S5)；