تركيب سرويس ابري آگاه از كيفيت سرويس با استفاده از الگوريتم بهينه‌سازي مبتني بر جغرافياي زيستي

Quality of Service Aware Service Composition Method Using Biogeography-Based Optimization (BBO) Algorithm

توسعه سريع كاربردهاي رايانش ابري منجر به انتشار سرويس‌هاي ابري زيادي در محيط ابر شده است. سرويس‌هاي ساده موجود در محيط ابر قادر به پاسخ‌گويي به درخواست‌هاي پيچيده و مختلف موجود در دنياي واقعي نخواهند بود. لذا براي ايجاد سرويس مركب مورد نياز مي‌بايست سرويس‌هاي مختلف انتخاب و تركيب شوند. تركيب سرويس‌هاي ابري آگاه از كيفيت سرويس يكي از چالش‌هاي مهم در محاسبات سرويس‌گرا است. از آنجايي كه تعداد سرويس‌هاي ساده ارائه‌شده خيلي زياد است، بنابراين مسأله انتخاب و تركيب سرويس‌ها يك مسأله Np-Hard است. در اين تحقيق براي حل اين مشكل الگوريتم بهينه‌سازي جغرافياي زيستي مورد استفاده قرار گرفته است. براي ارزيابي روش پيشنهادي آزمايش‌هاي متعددي در 5 سناريوي مختلف با تعداد وظايف و تعداد سرويس‌هاي مختلف در محيط Matlab انجام شده است. سرعت همگرايي روش پيشنهادي در ايجاد سرويس مركب مورد نياز بيشتر از سرعت همگرايي الگوريتم‌هاي ژنتيك و ازدحام ذرات است. همچنين كيفيت سرويس‌هاي مركب ايجادشده به عنوان معيار ارزيابي ديگر مورد توجه مي‌باشد. ميزان گذردهي و نرخ موفقيت روش پيشنهادي به ترتيب برابر 0/999 و 0/998 مي‌باشد. همچنين متوسط انحراف معيار در 30 اجراي روش پيشنهادي كمتر از 0/021 است. تمامي اين مقادير نشان‌دهنده برتري روش پيشنهادي نسبت به روش‌هاي مبتني بر ژنتيك و ذرات مي‌باشد.

Fast development in the utilization of cloud computing leads to publishing more cloud services on the cloud environment. The single and simple services cannot satisfy the users’ real-world complex requirements. To create a complex service, it is necessary to select and compose a set of simple services. Therefore, it is essential to embed a service composition system in cloud computing environment. Service composition is one of the important NP-hard problems in the service-oriented computings. In this paper, a biogeography-based optimization algorithm is used to create the optimal composite-services. The proposed method was simulated and executed on five different scenarios with different number of tasks and candidate services. The throughput of the proposed method, genetic algorithm and particle swarm optimization algorithm are respectively 0.9997, 0.9975 and 0.9994; furthermore, the reliability of these methods are respectively 0.9993, 0.9980 and 0.9982. The results of simulations indicate that the proposed method outperforms the previous methods in the same conditions in terms of throughput, successability, reliability, response time, and stability.