[论文笔记](东北大学)QoS-Driven Self-Healing Web Service Composition Based on Performance Prediction(JCST2009)

Time Spended: 4.5 hours
Yu Dai, Lei Yang, and Bin Zhang, QoS-Driven Self-Healing Web Service Composition Based on Performance Prediction, JCST, 2009

    WS处于高度动态环境中, QoS会频繁变化, 因此需要有自我恢复(self-healing)能力. 现有解决方案有2种: (1)发生变化时重选服务. (2)为每个成员服务备份好替换服务.第一种方法会中断原组合服务运行且会有性能问题.第二种替换服务事先选择好, 但替换服务的QoS也可能发生变化.
    本文基于performance prediction, 对各个成员服务定期进行预测, 若组成服务QoS变坏的可能性较大, 且此组成服务目前无替换服务, 则触发重选过程(S5.1, S5.3). 使用本文的方法, 使得重选过程在服务失败之前就能进行, 因此组合服务不需要等待重选过程完成, 尽快从错误中恢复(S5.1).
    (S5.4)则是在介绍重选的具体过程, 这个过程与一般的组合服务选择差别不大. 作者加上了一个reliability constraints Rc, 并将这个过程称为"reliability-oriented Qos-driven reselection". 公式(24)是整数规划问题的数学表示. 我的一些理解:
   (1) 组合的结构已经确定的(abstract service不会变)
   (2) 选择replacement composite service时不考虑已经执行完毕的服务, 只有当前及之后的服务才会被重选(结合S3.2中的描述)
   (3) 由2, 重选时由于不涉及已经执行完毕的服务, 因此得到的不是全局的最优解
   (4) 公式24中没有将并发结构引起的非线性约束转化为线性约束, 因此本文可能只是考虑sequential model的情形
   (5) Rc的值怎么来确定呢?
    
    本文中涉及到的QoS有response time和price, 由于假设price是常量, 因此主要是针对response time进行了详尽的讨论.  (S4)"Performance Prediction Based on Semi-Markov Model"是本文技术上的难点, 占了6页篇幅(共17页). 作者将response time分为processing time和transmission time两部分. 对于data transmission speed, 使用semi-markov process(reference中SMP相关的文献有[12][13][15][16][17])进行建模, Semi-Markov模型有三个要素SM=<Z, P, F>, Z是状态(本文对data transmission speed定义了三种状态: qualified, soft damage, hard damage), 状态转移概率矩阵, Fij(d)是一个概率分布(表示当前状态是i, 下一个状态是j, d是处于状态i的时间长度).
    已知SM的三要素, 可以计算出未来某个时刻的data transimission speed不小于某个值的概率, (S4.2.1)就是在讨论这个事情, 这个应该只是数学上的事情. 而(S4.2.2)则是在讨论如何获得状态i中data transimission speed Fi(V)的分布, 状态转移概率矩阵和Fij(d). 要完全看懂(S4), 必须要懂Semi Markov Process才行, 如果有机会想要学一下.
        
    其他:
    (1)算法2, 算法3, 算法4都比较trivial
    (2)实验部分没看(我这个习惯不大好, 看完正文后总是没动力再看实验部分, 得想个办法激励一下才行)
    (3)本文与06, 08年那两篇讲服务关联的论文没有关系
    (4)没有系统学过SMP, 因此这篇论文没有全文通读, 有囫囵吞枣之嫌, 论文笔记可能有不对的地方, 敬请指正.
  
原文的Reference
  [12] Jorge S,  Francisco P S,  Marta P M et al. WS-replication: A Framework for Highly Available Web Services. WWW2006  
  [13] Guo H P, Huai J P, Li H et al. ANGEL: Optimal Configuration for High Available Service Composition.  ICWS2007
  [15] Malhotra  M,  Reibman  A.  Selecting and Implementing Phase Approximations for Semi-Markov Models. Communication Statistics-Stochastic Models, 1993, 9(4):473-506
  [16] Altinok Y, Kolcak D. An Application of the Semi-Markov Model for Earthquake Occurrences in North Anatolia, Turkey. Journal of the Balkan Geophysical Society, 1999, 2(4):90-99.
  [17] Fang Z B, Miao B Q. Stochastic Process. Press of Science, Hefei, 2007.