云環境下基于MapReduce的海量服務選擇研究

李金忠，夏潔武

(井岡山大學電子與信息工程學院，江西，吉安 343009)

0 引言

隨著服務計算、云計算、大數據等相關技術的飛速發展，使得互聯網上的可用服務（包括網格服務、Web服務、云服務等）在類型上快速增長而在數量上呈爆炸性增長，這些分布在不同地理位置、不同服務器上的海量服務可能是具有相同或相似功能、而非功能屬性(QoS)各異的不同服務。如何在用戶的偏好需求下，從功能相當的海量服務中選擇QoS較優的服務，形成QoS最優的組合服務，以滿足用戶的QoS約束且以個性化的方式推薦給用戶，即服務選擇，這是一個非常有意義的課題。

近年來，組合服務中服務選擇是服務計算和云計算等領域的研究熱點問題。筆者曾在文獻[1]中分析和討論了包括采用窮舉算法、貪婪算法、遺傳算法、粒子群優化算法、蟻群優化算法和融合算法等典型的基于QoS的服務選擇算法，并指出了當時基于QoS的服務選擇算法的優缺點及挑戰。此后，國內外仍陸續涌現了大量相關研究成果。綜觀基于QoS的服務選擇方法的研究現狀，總體來說，其相關的研究是卓有成效的。當前，基于QoS的服務選擇方法主要聚焦于以下幾個方面的研究：基于單（多）目標智能優化算法的服務選擇[2-6]、基于Skyline計算的服務選擇[7-15]、基于協同過濾的服務選擇[16-19]、基于多屬性決策支持理論的服務選擇[20-21]、基于一些混合方法的服務選擇[22-24]和其他方法[25-29]。Zhen等[30]提出了一種云計算環境下基于遺傳算法的QoS感知的服務組合方法。Ruiz álvarez等[31]提出了一種新的、自動化的方法來選擇最符合每一個給定的應用程序集的云存儲服務。Zeng等[32]提出了在眾多的云服務中如何高效的選擇相應的云服務的算法。Hussain等[33]提出了面向多標準的云服務選擇方法。熊潤群等[34]研究云計算多數據中心環境下QoS 偏好感知的副本選擇策略。胡春華等[35]研究了云計算環境下基于信任演化及集合的服務選擇。

當前大部分服務選擇方法大多是串行執行，在對海量服務進行選擇時，所費時間較長；還有絕大部分服務選擇方法是假設所有服務都存儲在同一個平臺上，沒有考慮大規模服務的分布式環境。隨著互聯網中服務數量和QoS屬性的不斷增加，以及現實世界中服務的分布式性，傳統的服務選擇技術難以應對，其效率較低且其最優解的質量難以得到保證。因此，開發出一種高效、高質量且柔性的服務選擇方法以解決具有分布式環境、高維QoS的海量服務選擇問題是一個迫切需求。

本文將融合現有服務選擇方法的一些優點，應用Skyline計算[36]、多目標模擬退火算法[37]、Top-k查詢處理等關鍵技術，并在MapReduce[38-39]并行編程模型下進行擴展，創新性地提出了一種云環境下基于 MapReduce框架的海量服務選擇方法以高效地解決服務組合中具有分布式環境、高維QoS的海量服務選擇問題。該方法首先通過基于MapReduce框架的分布式并行 Skyline海量服務篩選方法篩選海量服務，生成 Skyline服務庫；再通過基于迭代式 MapReduce框架的分布式并行多目標模擬退火算法的Skyline服務選擇方法優選Skyline服務，生成Pareto組合服務集；最后采用Top-k查詢處理技術優選Pareto組合服務，為用戶提供k個滿足其偏好的Pareto組合服務。

1 服務選擇問題和數學模型

考慮多維QoS的服務選擇問題本質上是QoS屬性的多目標優化問題，因此，我們有必要采用多目標智能優化方法去同時優化多個目標函數以選擇具有多維QoS屬性較優的Pareto組合服務。假定某一組合服務由n個抽象服務（服務類）組成，每個抽象服務 W Si對應于一個具有 Ni個可供選擇的具體服務的候選服務集合，即CWS ={}，對于每個抽象（具體）服務，它擁有m維QoS屬性，用向量表示為 Q oS}，其中表示第i個抽象服務所對應的候選服務中第 Ki個具體服務的第j維QoS屬性值。而對組合服務CWS的全局QoS屬性值是通過對所選服務的m個QoS屬性計算得到的，對應由m個目標函數組成，即FP（CWS ） ={ f1( P ) , f2(P ) ,… … , fm(P)}，其中P代表某個組合服務，目標函數）表示組合服務P的第j個全局QoS屬性值，此處表示第i個抽象服務所對應的候選服務中第 Ki個具體服務的第j維QoS屬性值，■代表某種全局QoS屬性的聚合計算方法，依據組合服務所含控制結構(包括順序、選擇、循環和并行等)的不同，其聚合計算方法不同（如求和、求積、求最大（?。┲档冗\算）。對不同的QoS屬性，有的屬于成本型（如時間開銷和金錢花費等），有的屬于效益型（如可靠性、可用性和聲譽等）。為了進行統一優化，本文將效益型QoS屬性都轉化為以值小者為優，從而同時進行最小化，即同時最小化組合服務的各維全局QoS屬性，則基于QoS的服務選擇問題可建立如下數學模型：

其中GlobalQoSconstraints[j]表示組合服務的第j維QoS屬性的全局約束值， i,j,Ki各自的取值范圍分別為[0,n - 1 ],[0,m - 1 ],[0,Ni- 1 ]。則基于QoS的服務選擇就是尋找在滿足(3)式的全局QoS約束條件下，通過(1)式的計算方法，同時最小化(2)式的Pareto最優解集。

2 云環境下基于MapReduce框架的海量服務選擇方法流程

基于第1節構建的服務所選擇的數學模型，我們提出一種云環境下基于 MapReduce框架的海量服務選擇方法。該方法包括兩模塊三階段去完成海量服務的選擇，最終向用戶推薦出Pareto最優的組合服務，其流程圖如圖1所示。

圖1. 云環境下基于MapReduce框架的海量服務選擇方法流程圖Fig. 1 Flow chart of massive services selection approach based on MapReduce framework in cloud environment

模塊一是基于 MapReduce框架的分布式并行Skyline海量服務篩選方法，包含第一階段。

第一階段：篩選海量服務，生成 Skyline服務庫。在MapReduce框架下，設計Skyline海量服務篩選方法。利用該方法，對HDFS海量候選服務池進行預處理，屏蔽非Skyline服務，篩選出Skyline服務，生成Skyline服務庫。

模塊二是基于迭代式 MapReduce的分布式并行多目標模擬退火算法的 Skyline服務選擇方法，包含第二和第三階段。

第二階段：優選Skyline服務，生成Pareto組合服務集。在迭代式MapReduce框架下，將多目標模擬退火算法并行化。運用該算法，從第一階段所產生的大規模Skyline服務庫中優選Skyline服務，生成一組Pareto最優的組合服務。

第三階段：優選Pareto組合服務，為用戶提供k個滿足其偏好的組合服務。從第二階段所產生的Pareto組合服務集中，依據用戶的QoS約束進行檢查，剔除不滿足約束條件的Pareto優化解（即組合服務），且依據用戶的個性化QoS偏好，采用Top-k查詢處理技術，給用戶推薦滿足其QoS偏好要求的前k個較優的組合服務。

3 基于MapReduce框架的分布式并行skyline海量服務篩選方法

由于網絡上分布式地涌現了海量功能相似、非功能屬性QoS各異的服務，為了減少候選服務的數量，縮小服務選擇決策的搜索空間，提高服務選擇的效率和質量，我們設計了一種基于MapReduce框架的分布式并行skyline海量服務篩選方法，以從海量的候選服務中依據服務的QoS屬性篩選出Skyline服務，剔除冗余的非Skyline服務，生成Skyline服務庫。該方法的步驟如下：

步驟1 按服務的功能將HDFS海量服務池中的候選服務進行分類，把具有相同功能的候選服務分到同一個服務類中，再把各候選服務類分別橫向劃分成若干數據塊，分發到各Map節點上。

步驟2 各Map節點執行Map操作，計算局部候選Skyline服務。

各Map節點對各數據塊中的候選服務按照其QoS屬性中的某一維（如第1維）進行排序，依據服務間的支配關系，采用塊嵌套循環 (Block Nested Loop, BNL) 算法計算局部候選Skyline服務，再將局部候選Skyline服務傳送給相應的Reduce節點。其中輸出的Key為候選服務索引號，Value為候選服務的各維QoS屬性值。

步驟3 各Reduce節點執行Reduce操作，運用分治 (Divide-and-Conquer, D&C) 算法思想計算全局Skyline候選服務。

步驟3.1 對各Map節點歸并過來的局部候選Skyline服務，按照其QoS中的某一維（如第1維）進行排序，取該維上的中值QS作為域點，并按該中值把候選服務塊劃分為兩區域S1和S2，其中S1區域包含所有在某維（用于排序的該維）的QoS屬性值優于QS的候選服務，記為“優”區域，區域編號用1來表示，S2區域包含其他剩余的候選服務，記為“劣”區域，區域編號用2來表示。

步驟3.2 迭代劃分S1和S2，分別計算S1和S2的候選Skyline服務，直到每個區域只包含一個或者有很少的候選服務，或者所有QoS屬性都被考慮過為止。劃分的思想是用服務的QoS中的另一維屬性（如第2維）上的中值進一步劃分S1和S2，也就是說S1被劃分成S11和S12區域，S2被劃分成S21和S22區域，再用QoS中的另一維屬性（如第3維）上的中值進一步劃分S11至S22區域，即S11又被劃分成S111和S112子區域，其他以此類推。

步驟3.3 通過合并S1和S2，計算得到最終的全局候選Skyline服務集，也即刪去S2中被S1中的服務所支配的服務。在合并過程中，是從兩個最小的子區域開始合并成較大子區域，如S1是由S11和S12合并得到的，而S11又是由S111和S112合并得到的，其他以此類推。

依據該方法的思想，我們可以得到如下定理。

定理 S□1■中的服務可能支配或非支配S□2■中的服務，但S□2■中的服務不可能支配S□1■中的服務，其中“■”和“□”表示下標，其取值可能為 0，1，2，11，12，21，22，111，112，121，122，……，2…2（d-1個2，d為服務的QoS維數）。

證明：因為各Map/Reduce節點劃分區域時，是分別按照服務的某一維QoS屬性來劃分的，QoS屬性較優的區域，標號為1，反之，標號為2。S□1■中服務標號為1的該維QoS屬性值優于S□2■中服務標號為2的該對應維QoS屬性值，所以S□1■中的服務至少有一維 QoS屬性值優于 S□2■中的服務 QoS屬性值，則 S□2■中的服務不可能支配 S□1■中的服務；當 S□2■中的服務有某維下標為 1而 S□1■中其對應維的下標是2時，即此時S□2■中服務的該維QoS屬性值優于S□1■中服務的對應維QoS屬性值，此種情況下 S□1■中的服務與 S□2■中的服務互相非支配；當S□1■和 S□2■中下標編號互逆時，或者編號相同但下標中1的個數相同時S□1■與S□2■中服務彼此非支配；當 S□1■中下標編號中 1的個數多于 S□2■中下標編號中 1的個數時，則 S□1■單向支配 S□2■，若少于，則S□1■和 S□2■互相非支配 S□2■；當 S□1■中所有維的下標都為1，而S□2■中所有維的下標都為2時，此種情況下 S□1■中的服務支配 S□2■中的服務。所以，S□1■中的服務可能支配或非支配S□2■中的服務，但S□2■中的服務不可能支配S□1■中的服務。證畢。

在該方法執行過程中，所涉及到的數據流如圖2所示。

圖2 MapReduce框架下產生Skyline服務數據流圖Fig. 2 Dataflow chart of the generated Skyline services in MapReduce framework

4 基于迭代式MapReduce框架的分布式并行多目標模擬退火算法的Skyline服務選擇方法

對于由n個功能不同的抽象服務組成的組合服務，其每個組合服務是從n個功能不同的服務類的全局 Skyline候選服務集中各選擇出一個具體服務經組合后形成。若采用窮舉法進行組合，其組合服mi務的方案個數可有種，其中i表示功能服務類的全局 Skyline候選服務的個數。窮舉法的時間復雜度太高，難以適應海量服務選擇，為此，我們可利用啟發式算法來尋找次優解。

考慮多維QoS的海量服務選擇，各組合服務有他們各自全局的多維QoS（其各維QoS是由所選的各具體服務的QoS經聚合后所獲得），這些組合服務間仍存在支配或非支配關系，且其數量仍然是相當大的。所以，有必要對可能的組合服務的方案進行優化，而多目標模擬退火(Multi-objective simulated annealing，MOSA)算法是一種解決多目標組合優化問題的高效算法，故可采用該算法來解決本問題。大部分智能優化算法具有隱含并行性，而MapReduce是基于大規模數據集的并行運算、高效分布式計算框架，基于該框架設計的并行智能優化算法可用于解決大規模優化問題。故本文在云計算環境下，基于MapReduce并行編程模型和多目標模擬退火算法，設計了一種基于迭代式 MapReduce框架下的分布式并行多目標模擬退火算法的Skyline服務選擇方法。該方法是在文獻[37]提出的多目標模擬退火算法的基礎上，在迭代式MapReduce框架下，將 MOSA算法并行化，并用于解決海量服務選擇問題而設計的一種方法。由于在 MOSA算法中，進行聚類時已經知道了類的個數，而在已知類個數的情況下，k-means算法比single linkage聚類算法具有更高的效率，所以我們修改 MOSA的聚類方法，用 k-means算法替換原MOSA算法中single linkage算法進行聚類。

圖3基于迭代式MapReduce框架的分布式并行多目標模擬退火算法的Skyline服務選擇方法流程圖Fig. 3 Flow chart of Skyline services selection based on distributed and parallel multi-objective simulated annealing algorithm in iterative MapReduce framework

該方法流程如上圖3所示，其步驟如下：

步驟 1 獲取抽象服務的組合流程和由第一階段所產生的大規模 Skyline服務庫，包括組合流程的結構、所含抽象服務類及其個數n、對應Skyline服務及其 QoS屬性值，用戶所需非支配解的個數n×HL等。

步驟2 初始化相關參數和Map和Reduce節點的個數：初始溫度Tmax，最終溫度Tmin，冷卻率α，每個溫度下的迭代次數Iter，子歸檔集中解（即組合服務）的個數的硬限制值 HL，子歸檔集中解的個數的軟限制值SL，且SL＞HL，Map節點m和Reduce節點r的個數都為n等。

步驟3 并行初始化各Map節點子歸檔集：在每個Map節點上并行隨機地產生一個子歸檔集，每個子歸檔集的初始解個數為 SL。按公式（2）計算各個解的多個目標函數值，并產生＜key, value＞鍵值對，且發送給對應的Reduce節點。其中key為每個解的索引號ID和迭代計數器iteration，value為解的表示形式 presentation和各個解的多目標函數值objective，其解即為每個組合服務流程中的每個抽象服務隨機選擇一個具體服務形成的組合服務。

步驟4 各Slaver節點的Map節點從各自子歸檔集中隨機選擇一個解作為當前解Current-solution。

步驟 5 Master節點設置輔助參數 Temp=Tmax，記錄當前溫度。

步驟6 各Slaver節點的Map節點設置各自的迭代計數器iteration=0。

步驟7 各Slaver節點調用map(key，value)函數，產生新解New-solution，并按公式（2）計算新解的多個目標函數值，并將生成的鍵值對＜ key2，value2 ＞發送給對應的Reduce節點。

步驟8 各Slaver節點調用reduce(key，value)函數，產生新的子歸檔集。

步驟9 各Reduce節點將所產生的新的子歸檔集歸并于Master節點的總歸檔集中，即Combiner操作。

步驟10 Master節點按Temp=α×Temp的方式執行降溫，判斷當前溫度Temp是否大于最終溫度Tmin，若大于，將總歸檔集的解等分到各Map節點上，即 Partitioner操作，再轉去執行步驟 6，否則執行步驟11。

步驟 11 如果總歸檔集中解的個數大于n×HL，則執行k-means聚類算法以將總歸檔集中解的個數減至n×HL，此時總歸檔集中的解都是Pareto優化解。

步驟12 從所產生的Pareto優化解集中，依據用戶的QoS約束按照公式（3）進行約束條件檢查，剔除不滿足約束條件的Pareto優化解，且依據用戶的個性化QoS等偏好，采用Top-k查詢處理技術，為用戶推薦滿足其偏好要求的前k個較優的組合服務。

該服務選擇方法中的Map和Reduce函數的偽代碼分別如下：

map(key，value)函數操作步驟：

// key為解的索引號ID+迭代計數器iteration，value為解的表示 presentation+解的各目標函數值objective。步驟1 從key中解析出解的迭代計數器iteration。步驟 2 從 value中解析出當前解Current-solution的表示presentation。

步驟 3 對當前解進行擾動以產生新解New-solution（即將當前解中的某個抽象服務隨機選擇另一個具體服務而產生另一個組合服務），并給新解分配一個新的唯一索引號ID。

步驟4 評估新解New-solution的多個目標函數New-objective。

步驟5 生成新的鍵值對＜ key2，value2 ＞，其中key2為New-solution.ID+iteration，而value2為Newsolution.Presentation+Current-solution. Presentation+New-solution.New-objective。

Reduce(key，value) 函數操作步驟：

// key為解的索引號ID+迭代計數器iteration，value為新解和當前解的表示 presentation以及新解的各目標函數值New-objective。

步驟 1 從 key中解析出解的迭代計數器iteration。

步驟2 從value中解析出新解New-solution和當前解Current-solution的表示presentation。

步驟 3 依據多目標模擬退火算法中解的支配檢查和接受新解的思想，按公式（1）以值小者為優進行支配檢查，并更新子歸檔集。

步驟4 判斷子歸檔集中解的個數是否超過SL，若超過，則對子歸檔集執行k-means算法進行聚類以將解的個數減至HL。

步驟5 設置iteration=iteration+1，生成鍵值對＜ key3，Value3＞，其中key3為各個解的索引號+迭代計數器iteration，Value3為各個解的表示+各個解的各目標函數值。判斷iteration是否小于Iter，若是，將所生成的鍵值對＜ key3，Value3＞傳送給對應的Map節點；否則，傳送給Master節點。

在該方法中產生解集數據流如下圖4所示。

圖4 MapReduce框架下產生解集數據流圖Fig. 4 Dataflow chart of the generated solution set in MapReduce framework

5 對比分析

云環境下基于 MapReduce框架的海量服務選擇方法是在MapReduce并行編程模型下，先采用分布式并行Skyline計算對海量候選服務進行預處理，篩選出QoS較優的候選服務，產生Skyline 服務庫；再采用多目標模擬退火算法從所產生的 Skyline服務庫中選擇 QoS 較優的 Skyline服務以形成一組Pareto最優的解，這些解是最優的Pareto組合服務；最后，采用Top-k查詢技術，優選k個滿足用戶偏好需求的Pareto組合服務。這一方法將可高效地解決具有大規模、高維QoS的服務選擇，能快速返回組合方案，且其組合方案的全局QoS較優。

云環境下基于 MapReduce框架的海量服務選擇方法的優勢主要體現在：

(1)高效的海量服務篩選方法

所提出的“基于 MapReduce框架的分布式并行Skyline海量服務篩選方法”，是將BNL和D&C算法的Skyline計算方法在MapReduce框架下進行并行化，可同時篩選服務，能快速有效且實時公平地處理海量服務的篩選，剔除QoS較劣的服務，保留 Skyline服務，減少了所要考慮的候選服務的數量。而采用傳統的 Skyline計算方法在提取網絡上高維QoS的海量服務時，由于是串行執行，受QoS維數和服務數據集規模的影響較大，分析和生成Skyline服務是一個非常耗時的過程，面對高維QoS、大規模服務時，其效率急劇降低，難以適應擁有海量服務的場景。相比較而言，我們的方法比現有的基于傳統的 Skyline計算的服務選擇方法在面對高維QoS的海量服務時，其響應速度要快，可滿足實時需求。

(2) 高效、高質量且柔性的服務選擇方法

所提出的“基于迭代式MapReduce框架的分布式并行多目標模擬退火算法的Skyline服務選擇方法”，是在迭代式MapReduce框架下，結合本文所構建的服務選擇模型，將多目標模擬退火算法并行化而設計Skyline服務選擇方法。該方法將第一階段所篩選出的Skyline服務庫中候選服務作為其輸入，這樣可大大縮小服務選擇的空間，有利于在較少的時間內提高組合服務的質量和效率。該方法同時多目標優選多維QoS 屬性的Skyline服務，無須設置各QoS參數的權值，不需要用戶擁有過多的領域知識；對每個QoS參數分別設置相應的目標函數，多個目標函數被同時優化并產生一組Pareto組合服務，且還采用Top-k查詢技術從所產生的Pareto組合服務集中推薦給用戶Top-k個優化的Pareto組合服務，用戶可依其偏好選擇最滿意的組合服務，能更好地、更柔性地滿足用戶的偏好和個性化需求，能更貼切地適應實際的服務選擇場景。而傳統的基于單（多）目標優化算法的服務選擇方法均是面向服務庫中的所有服務進行選擇，選擇效率受服務類數量及其候選服務規模的影響較大，在面對大規模、高維QoS的服務選擇問題時難以滿足實時需求，其效率是較低的，且其最優解的質量也難以得到保證。特別地，對于基于單目標優化算法的服務選擇方法來說，需要將多維QoS屬性加權聚合起來以融合為一個目標函數，但對用戶來說，難以精確量化權重，尤其是QoS屬性維數較多時，難以真正做到同時優化多個QoS屬性目標，所產生的優化結果為滿足約束條件的目標最優單解，用戶沒有選擇的余地，缺乏柔性。

總之，我們的方法可高效、高質量和柔性地解決高維QoS的海量服務選擇問題。

6 總結與展望

隨著服務計算、云計算技術的快速發展和大數據時代的到來，大規模分布在不同地理位置上和不同服務器上的服務呈現海量性，如何從這些大規模分散的服務中快速有效地選擇出滿足不同用戶個性化等偏好需求的服務面臨著很大的挑戰?，F有的服務選擇方法，大部分是以串行模式進行求解，當面對大規模服務時，難以保證服務選擇的性能和效率。本文提出了一種云環境下基于MapReduce框架的海量服務選擇方法，以高效地解決具有海量、高維QoS的服務選擇問題，為解決云計算環境下的服務選擇問題提供一類新方法，且為云計算的按需服務模式提供理論、模型、方法和技術等方面的支持，可供后續研究者借鑒。

由于現實互聯網中服務的大規模分布性，目前還沒有一個大規模服務的真實測試數據集可用于測試海量服務選擇方法的性能。今后，我們將致力于互聯網上海量服務數據的采集，以驗證我們所提方法在真實場景中的效率和效果，而不僅僅在理論上的討論。對于我們所提出的“基于 MapReduce框架的分布式并行 Skyline海量服務篩選方法”，還可考慮設計 Skyline服務庫的動態維護算法，包括服務新增維護算法和服務失效維護算法，以動態維護所生成的 Skyline服務庫。再者，由于網絡上服務QoS的不確定性，也可采用不確定性Skyline算法去設計不確定性 Skyline服務選擇，以適應服務QoS的高度動態變化等。當然，還可以考慮將其他的多目標智能優化算法（如多目標微粒群優化算法）在MapReduce框架下進行并行化，按本文所提方法的思路去解決海量服務選擇問題等。上述所列的展望點都是今后可為之繼續推進的研究點。

[1] 李金忠,夏潔武,曾勁濤,等. 基于QoS的Web服務選擇算法綜述[J]. 計算機應用研究,2010,27(10):3622-3627.

[2] Hiroshi Wada, Junichi Suzuki, Yuji Yamano, et al. E3:A Multiobjective Optimization Framework for SLA-Aware Service Composition [J]. IEEE Transactions on Services Computing, 2012, 5(3):358-372

[3] Kang G, Liu J, Tang M, et al. An Effective Dynamic Web Service Selection Strategy with Global Optimal QoS Based on Particle Swarm Optimization Algorithm[C].Proceedings of the 26th International Parallel and Distributed Processing Symposium Workshops & PhD Forum (IPDPSW), IEEE Computer Society, 2012:2280-2285.

[4] Li Jin-zhong, Luo Wen-lang, Zeng Jin-tao, et al. Application of SPEA2 algorithm in Web services selection [C]. Proceedings of 2010 IEEE Youth Conference on Information Computing and Telecommunications (YC-ICT2010), 2010: 387 – 390.

[5] Arockiam L, Sasikaladevi N. Simulated Annealing Versus Genetic Based Service Selection Algorithms [J].International Journal of u- and e- Service, Science and Technology, 2012, 5(1):35-49.

[6] [6] Li Y, Tong W Q, Zhi X L, et al. Dynamic Service Selection Based on Ant Colony System[J]. Applied Mechanics and Materials, 2012, 182: 2136-2141.

[7] Alrifai Mohammad, Sk ou tas Dimi tri os, Risse Thomas.Selecting skyline services for QoS-based Web service composition[C]. Proceedings of the 12th International Conference on World Wide Web (WWW). Raleigh, USA,2010: 11-20.

[8] Qi Yu, Athman Bouguettaya. Efficient Service Skyline Computation for Composite Service Selection [J]. IEEE Transactions on Knowledge and Data Engineering, 2013,25(4):776-789.

[9] Qi Yu, Athman Bouguettaya. Multi-attribute optimization in service selection [J]. World Wide Web, 2012, 15(1):1-31.

[10] Qi Yu, Athman Bouguettaya. Computing service skyline from uncertain qows [J]. IEEE Transactions on Services Computing, 2010, 3(1):16-29.

[11] 吳健,陳亮,鄧水光,等. 基于Skyline的QoS感知的動態服務選擇[J]. 計算機學報, 2010,33(11): 2136-2146.

[12] 王尚廣,孫其博,張光衛,等. 基于云模型的不確定性QoS 感知的Skyline 服務選擇[J]. 軟件學報, 2012,23(6):13-1412.

[13] Benouaret K, Benslimane D, Hadjali A. Selecting Skyline Web Services from Uncertain QoS[C]. Proceedings of the 2012 IEEE Ninth International Conference on Services Computing. Washington DC: IEEE Computer Society,2012: 523-530.

[14] Benouaret K, Benslimane D, Hadjali A. Selecting Skyline Web Services for Multiple Users Preferences[C].Proceedings of the 2012 IEEE 19th International Conference on Web Services. Washington DC: IEEE Computer Society, 2012: 635-636.

[15] Sun Q, Wang S, Zou H, et al. QoS-aware web service selection with the skyline[C]. Proceedings of 2010 3rd IEEE International Conference on Broadband Network and Multimedia Technology (IC-BNMT). IEEE Computer Society, 2010: 928-932.

[16] Zheng Z, Ma H. QoS-Aware Web Service Recommendation by Collaborative Filtering [J]. IEEE Transactions on Services Computing, 2011, 4(2):140-152.

[17] Yu Q. QoS-aware service selection via collaborative QoS evaluation [J]. World Wide Web, 2014, 17(1): 33-57.

[18] 王海艷,張大印. 一種可信的基于協同過濾的服務選擇模型[J].電子與信息學報,2013,35(2): 349-354.

[19] WU J, CHEN L, FENG Y, et al. Predicting Quality of Service for Selection by Neighborhood-Based Collaborative Filtering [J]. IEEE transactions on systems,man, and cybernetics：Systems, 2013, 43(2): 428-439.

[20] 胡建強,李涓子,廖桂平. 一種基于多維服務質量的局部最優服務選擇模型[J].計算機學報,2010,33(3): 526-534.

[21] Kang G, Liu J, Tang M, et al. Web service selection algorithm based on principal component analysis [J].Journal of Electronics (China), 2013, 30(2): 204-212.

[22] Trummer I, Faltings B, Binder W. Multi-Objective Quality-Driven Service Selection—A Fully Polynomial Time Approximation Scheme [J]. IEEE Transactions on Software Engineering, 2014, 40(2): 167-191.

[23] 趙欣,沈立煒,彭鑫,等. P_MOEA: 一種多目標決策輔助遺傳算法用于服務組合 QoS 優化[J].中國科學: 信息科學, 2013, 43(1): 73-89.

[24] Alrifai, M., Risse, T., Nejdl, W. A hybrid approach for efficient Web service composition with end-to-end QoS constraints [J]. ACM Transactions on the Web (TWEB),2012, 6(2): 7（1-31）.

[25] Moser O, Rosenberg F, Dustdar S. Domain-Specific Service Selection for Composite Services [J]. IEEE Transactions on Software Engineering, 2012, 38(4):828-843.

[26] El Hadad J, Manouvrier M, Rukoz M. TQoS:Transactional and QoS-aware selection algorithm for automatic Web service composition [J]. IEEE Transactions on Services Computing, 2010, 3(1): 73-85.

[27] Skoutas D, Sacharidis D, Simitsis A, et al. Ranking and Clustering Web Services Using Multi-criteria Dominance Relationships [J]. IEEE Transactions on Services Computing, 2010, 3(3): 163-177.

[28] He Q, Yan J, Jin H, et al. Quality-aware service selection for service-based systems based on iterative multi-attribute combinatorial auction[J]. IEEE Transactions on Software Engineering, 2014, 40(2):192-215.

[29] 劉振文. 基于時間自動機的動態服務組合方法研究[J].井岡山大學學報: 自然科學版, 2010, 31(1): 95-97.

[30] Zhen Ye, Xiaofang Zhou, Athman Bouguettaya. Genetic algorithm based QoS-aware service compositions in cloud computing [C]. Proceedings of the 16th international conference on Database systems for advanced applications (DASFAA'11): 2011: 321-334.

[31] Ruiz álvarez, Marty Humphrey. An Automated Approach to Cloud Storage Service Selection[C].Proceedings of the 2nd international workshop on Scientific cloud computing. ACM, 2011: 39-48.

[32] Zeng W, Zhao Y, Zeng J. Cloud service and service selection algorithm research[C].Proceedings of the first ACM/SIGEVO Summit on Genetic and Evolutionary Computation. ACM, 2009: 1045-1048.

[33] Hussain F K, Hussain O K. Towards Multi-Criteria Cloud Service Selection[C]. Proceedings of 2011 Fifth International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing (IMIS), IEEE,2011: 44-48.

[34] 熊潤群,羅軍舟,宋愛波,等. 云計算環境下QoS偏好感知的副本選擇策略[J]. 通信學報, 2011, 32(7):93-102.

[35] 胡春華,劉濟波,劉建勛. 云計算環境下基于信任演化及集合的服務選擇[J]. 通信學報, 2011, 32(7): 71-79.

[36] Borzsony S, Kossmann D, Stocker K. The skyline operator[C]. Proceedings of the 17th International Conference on Data Engineering. IEEE, 2001: 421-430.

[37] Bandyopadhyay S, Saha S, Maulik U, et al. A simulated annealing-based multi-objective optimization algorithm:AMOSA [J]. IEEE Transactions on Evolutionary Computation, 2008, 12(3): 269-283.

[38] Dean J, Ghemawat S. MapReduce: simplified data processing on large clusters [J]. Communications of the ACM, 2008, 51(1): 107-113.

[39] Bu Y, Howe B, Balazinska M, et al. The HaLoop approach to large-scale iterative data analysis [J]. The VLDB journal, 2012, 21(2): 169-190.