智能交通系统网格资源的服务质量评价技术

徐琳，曲仕茹

(西北工业大学 自动化学院，陕西 西安，710129)

随着ITS技术的日趋成熟和广泛应用，越来越多的分布式资源如ITS应用组件、服务和子系统等被开发和部署到ITS系统中。但是，目前的ITS体系结构并不能解决一些重要问题，如各子系统之间资源共享和业务协作的实现、动态业务流程的管理以及ITS子系统的跨域协作等。建立智能交通系统网格(ITSGrid)被认为是解决上述分布式异质性环境下ITS的应用问题的一种理想方案[1−3]。网格需要其内部资源 QoS的有力支持，然而，ITSGrid是一个规模很大、复杂程度很高的综合性分布式系统，不同的分布式资源可以应用于多个应用领域，而且资源的使用者对分布式资源QoS的要求各不相同，因此，不宜采用通用的资源QoS评价标准对ITSGrid中的分布式资源QoS进行评价。而在通用网格内分布式资QoS的研究方面，Plestys等[4]提出网格QoS的几个重要通用参数如可用性、可访问性、延迟波动、安全性和可靠性的获取方法，能够反映网格系统 QoS的一些主要特性，但无法支持QoS参数的动态扩展，因此，不能满足资源使用者对于资源QoS的个性化需求。段富海等[5]将QoS参数按性质分类，定义了QoS参数距离，以实现QoS参数相似性判断，并提出了一种软化的参数处理模型，给出了一种最大化匹配调度算法，但缺乏网格系统QoS参数的定义和实现机制。Li等[6]将网格QoS参数分为逻辑资源类、系统类、安全类、信任类和记账类5种，提出一种迭代调度算法来实现基于资源调度的多个QoS的优化，但也不支持QoS参数的动态定制、扩展以及使用者个性化QoS需求。由此可见：在现有网格系统QoS的通常评价过程中，评价参数的划分和检测均采用与具体应用无关的通用QoS参数，不支持使用者个性化QoS需求，因此，不宜直接适用于ITSGrid的复杂应用环境。为此，本文作者在分析现有网格内资源QoS相关研究成果的基础上，结合ITSGrid的资源特点，提出一种适用于ITSGrid的应用自适应分布式资源QoS评价模型，支持不同ITS应用类别的QoS评价因子动态定制。在对ITSGrid中分布式资源评价过程中，根据分布式资源在使用过程中产生的历史知识，对ITSGrid中ITS应用作业的执行时间进行信息自适应过滤。

1 ITS资源QoS评价参数

对于ITSGrid这样的环境复杂的大规模分布式网格系统，如何为ITSGrid制定合适的QoS参数以及合理利用这些 QoS参数是实现 ITSGrid内分布式资源QoS评价的关键。本文将ITSGrid系统QoS评价参数划分为基本QoS参数和扩展QoS参数。基本QoS参数用于描述与具体应用无关的分布式资源的通用QoS属性，扩展QoS参数则用于描述那些与ITS应用相关的以及使用者个性化的QoS参数属性。

1.1 分布式资源的基本QoS参数

在ITSGrid中，分布式资源基本QoS参数是指那些网格系统共有的，与ITSGrid中的大规模ITS应用计算服务类别无关的分布式资源属性集。结合ITSGrid中的计算服务和分布式资源的特性[7−8]，参考文献[9]，提出以下 4种基本的分布式资源 QoS参数以及度量方法。

(1) 可用性(availability )。ITSGrid的可用性是指在某一段时间内分布式 ITS资源能被正常使用的概率：

其中：ti为时间片，表示在该时间间隔内分布式资源是可用的；n为在观测时间内分布式资源可用的时间片个数；tΣ为观测的总时间；Ra为可用性测量值，Ra=1表示最好可用性，Ra=0则表示最差可用性。

(2) 可靠性(reliablity)。ITSGrid的可靠性反映了ITS资源的历史服务质量，通常需要使用ITS资源所参与的计算服务的历史运行结果进行评判。目前，许多研究者给出了通用网格资源的可靠性评价模型和方法[10−12]，所用的方法多是计算分布式资源的历史运行信息，但都缺乏对这些历史信息进行辨识和过滤，为此，本文引入历史信息过滤，依据ITS资源的历史运行信息对计算服务执行时间结果进行过滤。过滤规则定义如下：(1) 计算任务运行时间远远小于 ITSGrid系统中已完成计算服务的平均运行时间；(2) 由于资源使用者自身原因而导致的ITSGrid节点资源不能正确完成所提交的计算服务；(3) 正在ITSGrid中的某个节点资源上正常执行的计算任务被使用者自行终止。

引入上述定义的信息过滤规则，一方面，减少了参与可靠性评价的数据量，降低了可靠性评价的计算时间；另一方面，保证了用于可靠性评价的数据正确性和有效性，提高了分布式资源可靠性评价结果的可信度。本文所定义的分布式资源可靠性评价模型可定义为

式中：Ntotal为分布式资源R所执行的所有计算任务个数；Nsuccess为按时成功完成的 ITSGrid计算任务的个数；Ns′uccess为虽然成功完成但执行时间超过计算任务期望的计算服务数量；α与β为权值，且α+β=1，通常α＞β；Rr为分布式资源可靠性评价结果。

(3) 安全性(safety)。ITSGrid是一个开放的网格系统，多数ITS节点资源都面向ITSGrid甚至互联网提供服务，比较容易遭受外界攻击或者恶意访问。ITSGrid中的节点为了保障其资源的安全性，通常需要使用多种安全机制。本文结合ITSGrid不同安全机制所定义的重要程度的权重，提出通过综合多种安全机制来计算ITSGrid内ITS节点资源的安全性评价值。安全性评价计算模型为

式中：n为ITSGrid内节点资源提供的安全机制的个数；Ri为第i个安全机制是否能够得到满足，若可以满足，则Ri=1，反之，Ri=0；Wi为第i个安全机制所占的权重，通常采用0到1之间的数；Rs为ITSGrid内节点资源安全性的评价结果。

(4) 费用(cost)。费用表示ITSGrid计算服务使用ITSGrid内节点资源所要付出的经济代价，可通过分布式资源提供者所制定的价格来计算，它也是分布式资源使用者在使用分布式资源时需要考虑的一个重要因素。本文将ITSGrid内资源价格作为分布式资源的一个资源属性，可查询 ITSGrid信息中心而获取。Zheng等[13−16]对分布式资源价格的制定与协商进行了研究。

1.2 分布式资源扩展QoS参数

分布式资源的扩展QoS参数是指根据ITSGrid计算服务的应用需求或资源使用者的个性化需求，结合应用专家系统，为ITSGrid计算任务所制定的特有QoS需求参数。以城市道路的交通流分析为例，仅在分析、规划和设计过程中需要借助Fluent，Abaqus，Nastran和CFX-5 等商业软件资源以及TransMode，Vissim，TransCAD和Aimsun 等专业交通的软件资源，但这些应用软件大部分采用 License 机制进行授权管理，因此，分布式资源节点是否能提供所需应用软件以及应用软件license资源的可用个数，均是不可或缺的分布式资源QoS需求参数。由于ITSGrid所支持的计算服务具有多样性和动态性的特点，因此，扩展的分布式资源QoS参数同样必须具有多样、动态等特点，需要应用专家系统根据应用不同需求进行动态制定。可见，ITSGrid的分布式资源 QoS评价模型必须能够支持QoS评价参数的动态扩展。

2 分布式资源QoS评价模型

在ITSGrid中，分布式资源的应用类别属性主要包括ITS资源的能力、使用费用以及资源提供者等相关的信息，它们是分布式资源使用者在评价分布式资源QoS以及选取分布式资源时必须考虑的重要因素，因此，有必要为ITSGrid重新设计适用的评价模型。然而，不同的ITS应用具有不同的类别属性，即使对于同一个分布式资源，在不同的ITS应用中往往会有不同的QoS评价值，这就需要专家根据以往的应用经验为每一类ITS应用设定与QoS相关的类别属性。在ITSGrid分布式资源QoS评价模型设计中，仔细研究相关要求，使得评价模型能够为不同类别的ITS应用定制合适的分布式资源 QoS评价因子，同时支持ITSGrid中的资源使用者自行调整评价因子的权重分布情况，以满足使用者在评价分布式资源QoS时的需求倾向。应用专家系统可参考得到的QoS评价结果，按照ITSGrid资源使用者的反馈，修正相关的知识系统，其过程如图1所示。

图1 应用专家系统在QoS评价中的作用Fig.1 Effect of expert system in QoS evaluation

2.1 评价数据的预处理

在分布式资源QoS评价过程中，所选取的评价因子有不同类型的取值范围。为了保证评价因子的权重具有相互可比性，需要将评价参数进行预处理，使得所有评价因子的值域调整到一个统一区间。考虑到多数评价因子的评价效果与它的值域具有线性变化的特点，本模型的数据预处理器采用最小、最大规格化方法[17]来规格化评价数据。

在一次评价过程的多组数据实例中，令 max(vi)为评价因子fi取值的最大值，min(vi)为评价因子fi取值的最小值。若用vi反映QoS的性能，当vi与QoS评价参数成正比时，则使用式(4)进行规格化；当vi与QoS评价参数成反比时，则根据式(5)进行规格化。经过数据规格化处理后，所有的评价因子fi的取值范围由原来的[min(vi), max(vi)]区间转换到[0, 1]区间。

对于枚举类型的评价因子数据预处理，利用应用专家系统给出每种枚举类型的QoS评分映射表，完成评价因子从枚举型到数值型的类型转换过程。

2.2 分布式资源QoS评价模型的定义

定义1 QoS评价因子f是从分布式资源QoS 的基本参数和扩展参数中抽取出来的基本评价单元，它由二元组构成：f=(attr,w)(其中，attr表示QoS参数属性(attribute)；w为评价因子的权重(weight)，反映该评价因子在分布式资源QoS评价中的重要程度或者受到分布式资源使用者的重视程度，w∈[0,1])。

定义2 分布式资源QoS评价模型M由五元组构成：f=(Vf,Ri,Di,ER,P)。其中：Vf为所采用的评价因子的集合；Ri为待评价的分布式资源节点；Di为Ri的1个数据实例，它包含多个取值(value)项，每个value项表示数据实例Di在1个评价因子上的取值；ER为评价模型的输出结果，记录Ri的QoS评价结果；P为评价模型的关系集合，表示评价模型中各个概念之间的各种约束关系。

设V，R和D分别为Vf，Ri和Di的集合，则在评价模型M中各个概念之间存在如下关联约束关系：

2.3 分布式资源QoS评价模型的计算公式

假设在分布式资源QoS评价过程中采用了n个评价因子{f1,f2, …,fn}，每一个评价因子fi(1≤i≤n)的权重为wi，wi∈[0, 1], ∑wi=1，分布式资源节点实例Ri的 1个数据实例Di在每个评价因子上的取值为{v1,v2, …,vn}，则分布式资源节点实例Ri的QoS是Di在每个评价因子上取值的加权综合，即

从式(6)可以看出：ITS节点资源QoS的评价结果决定于分布式资源QoS评价因子选取、评价因子的取值和评价因子的权重分布。其中，评价因子的取值来自分布式资源的运行环境，而评价因子的选取及其权重分布的来源有2种：一种是应用专家系统根据应用特点结合专家知识选取和制定的，在这种方式下分布式资源QoS的评价结果比较切合应用需求，具有较高的准确性；另一种则是ITSGrid使用者在进行QoS评价时自行指定的，此种方式下的评价结果则更能体现使用者对于分布式资源QoS的个性化需求。

3 应用自适应的分布式资源 QoS评价框架

以式(6)所定义的评价模型为基础，设计出ITSGrid中应用自适应的分布式资源QoS评价系统框架，如图2所示。本框架由3部分构成：第1部分为系统框架的数据支持层，主要完成查询、更新与存储ITS应用类别、相关评价因子以及评价因子权重的分布数据等功能，由统一的数据库操作引擎和分布式关系数据库2个主要模块构成；第2部分为评价模型管理层，主要完成构造新应用类别的评价模型或删除已有某个应用类别的评价模型等功能，包括应用类别管理、评价模型管理、评价因子及权重构造器等模块；第3部分为ITS资源QoS评价层，由数据获取、数据预处理和QoS评价引擎3个模块构成。

3.1 数据支撑层

与评价模型相关的各种数据都被存储在框架中的ITS应用类别分布式关系数据库中，包括应用类别名称、不同应用类别所对应的QoS评价因子以及不同评价因子所对应的权重等参数，通过ITSGrid系统定义的统一数据库操作引擎来完成相关操作。数据库中包含一个记录所有ITS应用类别的汇总表和每一个具体ITS应用类别评价模型的特征表。ITS应用类别汇总表保存ITSGrid系统可支持的所有应用类别名称和其相关属性，ITS应用类别评价模型特征表则记录与具体ITS应用类别相关的分布式资源QoS评价所需的不同评价因子及其权重，如图3所示。

统一的数据库操作引擎对于评价框架中其他各层的模块而言是透明的。其他各层的模块通过使用该引擎所提供的标准接口完成数据操作，而不必了解数据支持层的内部具体实现细节，这也使得本框架在数据层面具有较高的可移植性和扩展性。

3.2 评价模型管理层

本层在系统管理模块和ITS应用专家系统的辅助下，根据具体ITS应用分类，管理分布式资源QoS评价模型集，主要完成评价模型的维护，如模型的新建和删除。

图2 应用自适应的分布式资源QoS评价系统框架Fig.2 Application adaptive QoS evaluation system framework of ITS resources

图3 应用类别数据库中的主要表Fig.3 Major table in category database of application

评价模型的新建过程可分为 3步：(1) 服务端的系统管理模块通过应用管理模块构造新的应用类别，访问统一的数据库操作引擎，在数据库应用类别汇总表中增加新应用类别名称及其各项主要的特性属性等；(2) 应用专家系统通过评价模型管理模块，为新增加的ITS应用类别创建相应的评价模型，访问统一的数据库操作引擎，在数据库中创建1个以该应用类别命名的新表；(3) 根据知识库中已有的知识，应用专家系统利用评价模型管理模块为新的ITS应用类别构造出相关的评价因子及其权重数据，访问统一的数据库操作引擎，在步骤(2)所新建的ITS应用类别评价模型表中插入生成的评价因子及其权重数据，完成模型的新建过程。新建流程如图1所示。

删除过程则相对简单。当某一ITS应用类别的分布式资源 QoS的评价模型由于各种原因不再被需要时，可通过服务端的系统管理模块对其进行删除。首先，通过ITS应用管理模块和统一的数据库操作引擎，从数据库ITS应用类别汇总表中删除对应的ITS应用类别表项；然后，删除该ITS应用类别所对应的应用类别评价模型的特征表，即可完成整个评价模型删除过程。

3.3 ITS资源QoS评价层

本层负责对ITS应用类别的分布式资源QoS进行评价，由数据获取模块、数据预处理模块和QoS评价引擎3部分组成。如图1中的箭头所示，数据获取模块从客户端获取评价所需的相关原始数据，客户端既可以是ITSGrid的信息中心资源节点，也可以是使用者的操作界面。数据预处理模块则完成对评价原始数据的预处理，使得评价原始数据的值域规格化到同一个值域区间。在上述2个模块的配合下，QoS评价引擎即本文设计的评价模型将完成一系列复杂的评价计算过程，如图2中的斜线箭头所示。其过程为：

(1) 访问统一的数据库操作引擎，获取领域评价因子及因子权重数据。

(2) 进行数据预处理，得到规格化的评价数据。

(3) 依据评价因子、评价因子权重和规格化后的评价数据，利用相应的分布式资源QoS评价模型中的评价算法，完成所有待评价分布式资源的QoS评价结果的计算，并创建所提交的分布式资源QoS评价结果的排名表。

图2中的虚线为使用者自定义的分布式资源QoS评价过程，评价算法所需的分布式资源QoS评价因子及其权重可以不通过访问数据库而获得，而改由使用者从客户端输入，从而实现按照特定应用的需要自行定制。

3.4 分布式资源QoS评价算法框架

把前面定义的应用自适应的分布式资源QoS评价算法的框架用伪语言描述如表 1所示。表 1中：Resourcei表示待评价分布式资源节点；Evaluation_factor_list[n]表示评价因子列表；Weight_list[n]表示评价因子权重分布列表；Value_list[n]表示资源节点Resourcei在每个评价因子上的取值；Evaluation_result则表示评价的结果。

表1 应用自适应的分布式资源QoS评价算法框架Table 1 Application adaptive QoS evaluation algorithm framework of distributed resource

4 实验与分析

为了验证本文提出的QoS评价模型对分布式资源QoS评价的有效性和准确性，借助西北工业大学的校园计算网格系统(campus grid，CG)、陕西省公路勘察设计院的遥感计算中心(Remote Sensing Computing Center，RSCC)以及西安市交通警察支队的道路交通监控系统(UTCS)中的TMS，ISP和PS子系统，组成仿真ITSGrid实验。仿真ITSGrid的拓扑示意图如图4所示，配置如表2所示。

图4 仿真ITSGrid拓扑示意图Fig.4 Topological diagram of simulatd ITSGrid

根据 ITS资源需求频度的历史统计，从仿真ITSGrid环境选择需求频度最多的R1，R3，R4和R6，作为实验所用的分布式资源节点。由于ITS资源的属性数量众多，表3仅列出本次实验所涉及的部分属性。

随机生成20个分属不同ITS应用类别的ITSGrid计算任务，提交至仿真ITSGrid环境的任务管理系统，由任务管理系统调度在上述的4个资源节点上调度执行。不同的ITS应用类别对资源QoS需求互有差异，如 TMS的实时道路交通状态估计、道路实时交通事件判别、路口交通信号系统配时的实时按需调整等都基于交通流实时数据挖掘类的计算任务，对任务的完成时间十分严格的，因而，也对参与计算的资源的可用性、可靠性、通讯带宽、系统负载等QoS参数提出了严格的要求。而ISP的道路交通信息综合处理和发布、出行参考模型的生成以及其他旅行相关信息的发布等道路交通信息综合加工集成类的计算任务则对实时性要求较低，相应的资源QoS要求也不如实时计算任务严格。而道路中长远规划以及城市出行特征和规则发现等基于历史交通数据和知识的研究型计算任务，通常对于资源QoS要求最低。

表2 仿真ITSGrid的实验环境的配置Table 2 Experimental environment configuration of simulation ITSGrid

表3 仿真ITSGrid资源节点的QoS属性Table 3 QoS attributes of simulation ITSGrid resources nodes

观察测试集中的计算任务是在仿真ITSGrid环境中，进行分布式ITS节点资源的选取。若某个模拟的ITS计算任务在评价模型指导下，根据评价结果选取的分布式资源节点与标准答案一致，就可认为该评价模型的生成资源评价结果是正确的，反之则认为评价结果错误。标准答案由应用专家系统分析及测试集的仿真ITSGrid系统运行结果而得，属于事后验证。评价模型的准确率用获得正确资源选择的计算任务数量在整个测试集中所占的百分比来表示。

为了衡量本文提出的分布式ITS资源节点QoS评价模型的性能，在相同的实验条件下，分别对以运行费用、可靠性和时间属性的一维QoS评价模型以及采用综合考虑运行费用、时间、信任度和可靠性等通用QoS属性的评价模型的评价结果进行对比，实验结果如图5～9所示。图5～9中：纵坐标代表模拟环境中的4个ITS资源节点R1，R3，R4和R6，横坐标则代表测试集合中的20个ITS应用任务的序号；“☆”表示实验结果与标准答案吻合的正确答案。

图5所示为20个测试样本在基于运行费用的评价模型指导下进行分布式资源选择的情况。4个模拟资源节点总共被选中40次，其中R1被选中 10次，R3为12次，R4为10次，R6则为8次。40次选择中符合正确答案的为 7次，如图中☆所标注的点。而在 20个测试样本中正确选择资源的任务数量为 7，因此，在本次实验中，测试集合在基于运行费用的评价模型的分布式资源选择中的正确率为 7/20×100%=35%。图5～8的分析方法与前面的相同，但只计算任务级资源选择的正确率。

图5 基于运行费用的评价模型的分布式资源选择Fig.5 ITS resources selection based on evaluation model of operating costs

图6 中，含有☆的测试集合的任务数量为13，故本次实验的资源选择正确率为13/20×100%=65%；图7中，含有☆标注的任务数量为8，故本次实验的资源选择正确率为8/20×100%=40%；图8中含有☆标注的任务数量为 15，故本次实验的资源选择正确率为15/20×100%=75%；图9中，含有☆标注的任务数量为 17，故本次实验的资源选择正确率则为 17/20×100%=85%。

图6 基于运行时间的评价模型分布式资源选择Fig.6 ITS resources selection based on evaluation model of running time

图7 基于可靠性的评价模型分布式资源选择Fig.7 ITS resources selection based on evaluation model of reliability

图8 基于综合性的评价模型分布式资源选择Fig.8 ITS resources selection based on evaluation model of comprehensiveness

图9 基于应用自适应的评价模型分布式资源选择Fig.8 ITS resources selection based on application adaptive evaluation model

表4所示为不同评价模型的资源选取准确率实验结果，反映了不同评价模型下评价的准确率的差异。

表4 不同评价模型的资源选取准确率Table 4 Resources selection accuracy of different evaluation models %

从表4可以看到：本文提出的应用自适应的分布式资源QoS评价模型得到的评价结果比采用基于综合多维通用QoS属性的评价模型的评价结果在资源选取的准确率提高10%，而与基于一维的QoS评价模型在资源选择准确率相比，最大提升2倍多。实验结果表明：在实际的分布式资源选取的过程中，仅仅采用通用的资源 QoS参数作为评价标准往往不能充分表示ITSGrid计算任务的资源选择标准，应用自适应的QoS评价模型充分利用专家系统的应用经验知识来构造评价因子和评价因子权重，较好地满足了ITSGrid计算任务的资源个性化选取，使资源选取的准确率得到了较大提高。

为了测试本模型的稳定性，在采用不同的测试样本集进行50次反复实验后，发现实验结果与测试用例的选择和所处实验环境有一定的关联。表5所示为实验中观察到的不同评价模型下分布式资源选择准确率波动情况。

表5 不同评价模型下分布式资源选择准确率的波动Table 5 Fluctuations of ITS Resources selection accuracy based on different evaluation models %

从表5可以看出：不同的测试用例对基于一维的QoS评价模型的评价准确率有较大影响，但是，对于多维通用QoS属性的QoS评价模型和本文提出的应用自适应的QoS评价模型的影响效果很小。而在分布式资源QoS评价的准确率和稳定性方面，本文提出的应用自适应的QoS评价模型均比其他通用的QoS评价模型优。

5 结论

(1) 通过研究已有通用网格的 QoS参数，结合ITSGrid资源和ITS应用的特点，发现通用网格的QoS参数并不适合直接应用到ITSGrid，为此，提出ITSGrid的QoS参数分类和其中核心参数的定义，为ITSGrid的分布式资源的QoS评价提供理论支持。

(2) 在ITSGrid的QoS参数基础上，定义ITSGrid资源QoS的评价模型，构建ITSGrid中的分布式资源QoS评价系统框架，在模拟环境中进行反复验证。该模型与通用QoS评价模型相比，在资源选择的准确率和稳定性方面有较大提高，能为ITSGrid使用者提供更准确的资源选择。

(3) 本文提出ITSGrid的QoS评价模型系统可为ITSGrid中的分布式资源选择提供高可信度，可用于指导 ITSGrid使用者进行合理的资源选取和服务组合、提高ITSGrid中的资源利用率和服务效率等。

[1]Shi W, Wu J, Deng S, et al. ITSGrid: A novel integrated intelligent transportation information and service platform[C]//IEEE: Proceedings of 2006 IEEE International Conference on Service Computing. Chicago, USA: IEEE Press, 2006: 519.

[2]吴朝晖. 语义网格: 模型方法与应用[M]. 杭州: 浙江大学出版社, 2008: 215−236.WU Zhaohui. Semantic grid: Model, methodology and applications[M]. Hangzhou: Zhejiang University Press, 2008:215−236.

[3]Wu Z, Deng S, Wu J, et al. DartGrid Ⅱ: A semantic grid platform for ITS[J]. IEEE Intelligent Systems, 2005, 20(3):12−15.

[4]Plestys R, Vilutis G, Sandonavicius D. The measurement of grid QoS parameters[C]// IEEE: Proceedings of the 2007 International Conference on Information Technology Interfaces.Dubrovnik, Croatia: IEEE Press, 2007: 703−706.

[5]段富海, 马满福. 一种网格资源调度中 QoS的最大化匹配算法[J]. 计算机应用, 2010, 30(1): 108−110.DUAN Fuhai, MA Manfu. Maximum matching algorithm with QoS in grid resource scheduling[J]. Journal of Computer Applications, 2010, 30(1): 108−110.

[6]Li C, Li L. Utility based multiple QoS guaranteed resource scheduling optimization in grid computing[C]// IEEE:Proceedings of the 2007 International Conference on Computing Theory and Applications. Kolkata, India: IEEE Press, 2007:165−169.

[7]Xu L, Qu S. A multi-agent-based ITSGrid resource management model[C]// Ministry of Transport of PRC: Proceedings of 2011 Doctor Forum of China (Traffic Engineering). Beijing: Beijing Jiaotong University Press, 2011: 151−152.

[8]Xu L, Qu S. A resource information description reference model for ITSGrid[C]// IEEE: Proceedings of 2011 International Conference on Transportation and Mechanical ＆ Electrical Engineering. Changchun, China: IEEE Press, 2011: 516−519.

[9]Mani A, Nagarajan A. Understanding quality of service for Web services[EB/OL]. [2013−01−21]. http://www.ibm.com/developerworks/.

[10]Sun M, Zeng G, Yuan L, et al. A trust-oriented heuristic scheduling algorithm for computing grid[C]// Springer:Proceedings of 2007 International Conference on Parallel Computing Technologies. Pereslavl-Zalessky, Russia: Springer Press, 2007: 608−614.

[11]邓晓衡, 卢锡城, 王怀民. iVCE中基于可信评价的资源调度研究[J]. 计算机学报, 2007(10): 1750−1762.DENG Xiaoheng, LÜ Xicheng, WANG Huaimin. Study on trust evaluation based resource scheduling in iVCE[J]. Chinese Journal of Computers, 2007(10): 1750−1762.

[12]Rood B, Lewis M J. Grid resource availability prediction-based scheduling and task replication[J]. Journal of Grid Computing,2009, 7(4): 479−500.

[13]Zheng Q, Tham C, Veeravalli B. Dynamic load balancing and pricing in grid computing with communication delay[J]. Journal of Grid Computing, 2008, 6(3): 239−253.

[14]Daniel J V, Wolfgang G. Grid economics and business models[C]// Springer: Proceedings of 6th International Workshop on GECON 2009. Delft, Netherlands, 2009: 215−217.

[15]吴健, 邓磊, 胡正国. 网格计算经济模型中的价格协商和管制[J]. 西北工业大学学报, 2008, 26(4): 497−452.WU Jian, DENG Lei, HU Zhengguo. Pricing strategies for grid computational economy[J]. Journal of Northeastern Polytechnical University, 2008, 26(4): 497−452.

[16]Vengerov D. A gradient-based reinforcement learning approach to dynamic pricing in partially-observable environments[J].Future Generation Computer Systems, 2008, 24(7): 687−693.

[17]Han J W, Kamber M. Data mining: concepts and techniques[M].California: Morgan Kaufmann Press, 2000: 9−10.