بهینه‌سازی ترکیب سرویس‌های ابری با آگاهی از کیفیت سرویس با استفاده از الگوریتم جستجوی موجودات زنده همبسته
الموضوعات :وحیده حی‌العالم 1 , علی‌اصغر پورحاجی‌کاظم 2
1 - دانشجوی کارشناسی ارشد – گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
2 - استادیار– گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
الکلمات المفتاحية: کیفیت سرویس, رایانش ابری, ترکیب سرویس, الگوریتم جستجوی موجودات زنده همبسته, معماری سرویس گرا,
ملخص المقالة :
امروزه سیستم‌های سرویس‌گرا با توجه به امکان استفاده در محیط‌های توزیع شده ناهمگون و عدم وابستگی به فناوری خاص، و نیز وجود سیستم‌های مقیاس وسیع پویا با نیازهای متغیر، بسیار مورد توجه قرار گرفته‌اند. سرویس‌های ابر نیز یکی از روش‌های پیاده‌سازی مفهوم سرویس‌گرایی است. افزایش تمایل کاربران به استفاده از رایانش ابری، فروشندگان سرویس‌های وب را به تولید سرویس‌هایی با ویژگی‌های غیرعملکردی (کیفیت سرویس) متفاوت، تشویق می‌کند. نیازهای کاربران در اغلب اوقات توسط سرویس‌های تکی موجود رفع نمی‌گردد و بایستی با ترکیب تعدادی از سرویس‌ها به سرویس مورد نظر دست یافت. تعداد ارائه دهندگان سرویس روز به روز در حال افزایش است و به موازات آن، برای یک درخواست، چندین سرویس با عملکرد یکسان و با ویژگی‌های غیرعملکردی متفاوت پیشنهاد می‌شود، که این باعث می-شود مساله ترکیب سرویس کاملا پیچیده شده و جزو مسائل Np-Hard محسوب شود. بنابراین افزایش کیفیت سرویس‌های مرکب چالشی بزرگ می‌باشد و از آنجایی که کیفیت سرویس‌های مرکب ابری نتیجه شده از کارهای پیشین هنوز قابل افزایش می‌باشد، لذا در این تحقیق سعی شده است با استفاده از الگوریتم جستجوی موجودات زنده همبسته، کیفیت سرویس‌های مرکب ابری را افزایش داد. تمامی شبیه-سازی‌ها در محیط متلب اجرا شده و نتایج آنها با الگوریتم‌های ژنتیک، ازدحام ذرات و کلونی مورچگان مقایسه شده که نشان می‌دهد روش پیشنهادی از نظر کیفیت جواب‌ها، پایداری و مقیاس‌پذیری، برتری قابل توجهی نسبت به سایر الگوریتم‌ها دارد، همچنین دارای 13% بهبود نسبت به سایر روش‌های مورد مقایسه می‌باشد.
[1] Wikipedia, “Cloud computing - Wikipedia, The Free Encyclopedia”, 2016.
[2] A. Jula, H. Nilsaz, E. Sundararajan, Z. Othman, “A new dataset and benchmark for cloud computing service composition”, Proceeding of the IEEE/ISMS, pp. 83–86, Langkawi, Malaysia, Jan. 2014.
[3] A. Jula, Z. Othman, E. Sundararajan, “Imperialist competitive algorithm with PROCLUS classifier for service time optimization in cloud computing service composition”, Expert Systems with Applications, Vol. 42, No. 1, pp. 135–145, Jan. 2015.
[4] A. Jula, E. Sundararajan, Z. Othman, “Cloud computing service composition: A systematic literature review”, Expert Systems with Applications, Vol. 41, No. 8, pp. 3809–3824, Jun. 2014.
[5] G. Zou, Y. Chen, Y. Yang, R. Huang, Y. Xu, “AI planning and combinatorial optimization for web service composition in cloud computing”, Proccedding of the International Conference on Cloud Computing and Virtualization, pp. 1–8, 2010.
[6] Q. Yu, L. Chen, B. Li, “Ant colony optimization applied to web service compositions in cloud computing”, Computers & Electrical Engineering, Vol. 41, pp. 18–27, 2015.
[7] H. Kurdi, A. Al-Anazi, C. Campbell, A. Al Faries, “A combinatorial optimization algorithm for multiple cloud service composition”, Computers & Electrical Engineering, Vol. 42, pp. 107–113, 2015.
[8] N.H. Rostami, E. Kheirkhah, M. Jalali, “An optimized semantic web service composition method based on clustering and ant colony algorithm”, ArXiv Prepr. ArXiv1402.2271, 2014.
[9] S. Wang, Q. Sun, H. Zou, and F. Yang, “Particle swarm optimization with skyline operator for fast cloud-based web service composition”, Mobile Networks and Applications, Vol. 18, No. 1, pp. 116–121, Feb. 2013.
[10] Z.-Z. Liu, D.-H. Chu, C. Song, X. Xue, B.-Y. Lu, “Social learning optimization (SLO) algorithm paradigm and its application in QoS-aware cloud service composition”, Information Sciences, Vol. 326, pp. 315–333, 2016.
[11] Q. Wu, Q. Zhu, “Transactional and QoS-aware dynamic service composition based on ant colony optimization”, Future Generation Computer Systems, Vol. 29, No. 5, pp. 1112–1119, 2013.
[12] D. Wang, Y. Yang, Z. Mi, “A genetic-based approach to web service composition in geo-distributed cloud environment”, Computers & Electrical Engineering, Vol. 43, pp. 129-141, April 2015.
[13] S.A. Ludwig, “Applying particle swarm optimization to quality-of-service-driven web service composition”, Proceeding of the IEEE/AINA, pp. 613–620, Fukuoka, Japan, March 2012.
[14] A. Younes, M. Essaaidi, A. El Moussaoui, “SFL algorithm for QoS-based cloud service composition”, International Journal Computer Appllications, Vol. 97, No. 17, pp. 42–49, 2014.
[15] M.-Y. Cheng, D. Prayogo, “Symbiotic organisms search: A new metaheuristic optimization algorithm”, Computers and Structures, Vol. 139, pp. 98–112, July 2014.
[16] E. Al-Masri, Q.H. Mahmoud, “Discovering the best web service”, Proceedings of the IEEE/ICSMC, pp. 4250-4255, San Antonio, TX, USA , 2009.
[17] G. Canfora, M. Di Penta, R. Esposito, M.L. Villani, “An approach for QoS-aware service composition based on genetic algorithms”, Proceedings of the GECCO, pp. 1069–1075, 2005.
[18] G. Spezzano, “Using service clustering and self-adaptive MOPSO-CD for QoS-aware cloud service selection”, Procedia Computer Science, Vol. 83, pp. 512–519, 2016.
[19] L. Zaki, A. Pourhajikazem, S. Lotfi, “Providing an algorithm for QoS-aware grid service composition using ant colony algorithm”, in First National Conference on New Approaches in Computer Engineering and Data Recovery, Rudsar, Islamic Azad University, Ruddersar and Amlash, 1392.
[20] Y. Zhu, R. Y. Shtykh, Q. Jin, “A human-centric framework for context-aware flowable services in cloud computing environments”, Information Sciences, Vol. 257, pp. 231–247, Feb. 2014.
[21] J. Yu, Q.Z. Sheng, Y. Han, “Introduction to special issue on cloud and service computing”, Service Oriented Computing and Applications, Vol. 7, No. 2, pp. 75–76, June 2013.
[22] M.P. Papazoglou, “Service-oriented computing: Concepts, characteristics and directions”, Proceeding of the IEEE/WISE, pp. 3–12, Rome, Italy, Dec. 2003.
_||_