云环境下基于MapReduce的海量服务选择研究

李金忠，夏洁武

(井冈山大学电子与信息工程学院，江西，吉安 343009)

0 引言

随着服务计算、云计算、大数据等相关技术的飞速发展，使得互联网上的可用服务（包括网格服务、Web服务、云服务等）在类型上快速增长而在数量上呈爆炸性增长，这些分布在不同地理位置、不同服务器上的海量服务可能是具有相同或相似功能、而非功能属性(QoS)各异的不同服务。如何在用户的偏好需求下，从功能相当的海量服务中选择QoS较优的服务，形成QoS最优的组合服务，以满足用户的QoS约束且以个性化的方式推荐给用户，即服务选择，这是一个非常有意义的课题。

近年来，组合服务中服务选择是服务计算和云计算等领域的研究热点问题。笔者曾在文献[1]中分析和讨论了包括采用穷举算法、贪婪算法、遗传算法、粒子群优化算法、蚁群优化算法和融合算法等典型的基于QoS的服务选择算法，并指出了当时基于QoS的服务选择算法的优缺点及挑战。此后，国内外仍陆续涌现了大量相关研究成果。综观基于QoS的服务选择方法的研究现状，总体来说，其相关的研究是卓有成效的。当前，基于QoS的服务选择方法主要聚焦于以下几个方面的研究：基于单（多）目标智能优化算法的服务选择[2-6]、基于Skyline计算的服务选择[7-15]、基于协同过滤的服务选择[16-19]、基于多属性决策支持理论的服务选择[20-21]、基于一些混合方法的服务选择[22-24]和其他方法[25-29]。Zhen等[30]提出了一种云计算环境下基于遗传算法的QoS感知的服务组合方法。Ruiz Álvarez等[31]提出了一种新的、自动化的方法来选择最符合每一个给定的应用程序集的云存储服务。Zeng等[32]提出了在众多的云服务中如何高效的选择相应的云服务的算法。Hussain等[33]提出了面向多标准的云服务选择方法。熊润群等[34]研究云计算多数据中心环境下QoS 偏好感知的副本选择策略。胡春华等[35]研究了云计算环境下基于信任演化及集合的服务选择。

当前大部分服务选择方法大多是串行执行，在对海量服务进行选择时，所费时间较长；还有绝大部分服务选择方法是假设所有服务都存储在同一个平台上，没有考虑大规模服务的分布式环境。随着互联网中服务数量和QoS属性的不断增加，以及现实世界中服务的分布式性，传统的服务选择技术难以应对，其效率较低且其最优解的质量难以得到保证。因此，开发出一种高效、高质量且柔性的服务选择方法以解决具有分布式环境、高维QoS的海量服务选择问题是一个迫切需求。

本文将融合现有服务选择方法的一些优点，应用Skyline计算[36]、多目标模拟退火算法[37]、Top-k查询处理等关键技术，并在MapReduce[38-39]并行编程模型下进行扩展，创新性地提出了一种云环境下基于 MapReduce框架的海量服务选择方法以高效地解决服务组合中具有分布式环境、高维QoS的海量服务选择问题。该方法首先通过基于MapReduce框架的分布式并行 Skyline海量服务筛选方法筛选海量服务，生成 Skyline服务库；再通过基于迭代式 MapReduce框架的分布式并行多目标模拟退火算法的Skyline服务选择方法优选Skyline服务，生成Pareto组合服务集；最后采用Top-k查询处理技术优选Pareto组合服务，为用户提供k个满足其偏好的Pareto组合服务。

1 服务选择问题和数学模型

考虑多维QoS的服务选择问题本质上是QoS属性的多目标优化问题，因此，我们有必要采用多目标智能优化方法去同时优化多个目标函数以选择具有多维QoS属性较优的Pareto组合服务。假定某一组合服务由n个抽象服务（服务类）组成，每个抽象服务 W Si对应于一个具有 Ni个可供选择的具体服务的候选服务集合，即CWS ={}，对于每个抽象（具体）服务，它拥有m维QoS属性，用向量表示为 Q oS}，其中表示第i个抽象服务所对应的候选服务中第 Ki个具体服务的第j维QoS属性值。而对组合服务CWS的全局QoS属性值是通过对所选服务的m个QoS属性计算得到的，对应由m个目标函数组成，即FP（CWS ） ={ f1( P ) , f2(P ) ,… … , fm(P)}，其中P代表某个组合服务，目标函数）表示组合服务P的第j个全局QoS属性值，此处表示第i个抽象服务所对应的候选服务中第 Ki个具体服务的第j维QoS属性值，■代表某种全局QoS属性的聚合计算方法，依据组合服务所含控制结构(包括顺序、选择、循环和并行等)的不同，其聚合计算方法不同（如求和、求积、求最大（小）值等运算）。对不同的QoS属性，有的属于成本型（如时间开销和金钱花费等），有的属于效益型（如可靠性、可用性和声誉等）。为了进行统一优化，本文将效益型QoS属性都转化为以值小者为优，从而同时进行最小化，即同时最小化组合服务的各维全局QoS属性，则基于QoS的服务选择问题可建立如下数学模型：

其中GlobalQoSconstraints[j]表示组合服务的第j维QoS属性的全局约束值， i,j,Ki各自的取值范围分别为[0,n - 1 ],[0,m - 1 ],[0,Ni- 1 ]。则基于QoS的服务选择就是寻找在满足(3)式的全局QoS约束条件下，通过(1)式的计算方法，同时最小化(2)式的Pareto最优解集。

2 云环境下基于MapReduce框架的海量服务选择方法流程

基于第1节构建的服务所选择的数学模型，我们提出一种云环境下基于 MapReduce框架的海量服务选择方法。该方法包括两模块三阶段去完成海量服务的选择，最终向用户推荐出Pareto最优的组合服务，其流程图如图1所示。

图1. 云环境下基于MapReduce框架的海量服务选择方法流程图Fig. 1 Flow chart of massive services selection approach based on MapReduce framework in cloud environment

模块一是基于 MapReduce框架的分布式并行Skyline海量服务筛选方法，包含第一阶段。

第一阶段：筛选海量服务，生成 Skyline服务库。在MapReduce框架下，设计Skyline海量服务筛选方法。利用该方法，对HDFS海量候选服务池进行预处理，屏蔽非Skyline服务，筛选出Skyline服务，生成Skyline服务库。

模块二是基于迭代式 MapReduce的分布式并行多目标模拟退火算法的 Skyline服务选择方法，包含第二和第三阶段。

第二阶段：优选Skyline服务，生成Pareto组合服务集。在迭代式MapReduce框架下，将多目标模拟退火算法并行化。运用该算法，从第一阶段所产生的大规模Skyline服务库中优选Skyline服务，生成一组Pareto最优的组合服务。

第三阶段：优选Pareto组合服务，为用户提供k个满足其偏好的组合服务。从第二阶段所产生的Pareto组合服务集中，依据用户的QoS约束进行检查，剔除不满足约束条件的Pareto优化解（即组合服务），且依据用户的个性化QoS偏好，采用Top-k查询处理技术，给用户推荐满足其QoS偏好要求的前k个较优的组合服务。

3 基于MapReduce框架的分布式并行skyline海量服务筛选方法

由于网络上分布式地涌现了海量功能相似、非功能属性QoS各异的服务，为了减少候选服务的数量，缩小服务选择决策的搜索空间，提高服务选择的效率和质量，我们设计了一种基于MapReduce框架的分布式并行skyline海量服务筛选方法，以从海量的候选服务中依据服务的QoS属性筛选出Skyline服务，剔除冗余的非Skyline服务，生成Skyline服务库。该方法的步骤如下：

步骤1 按服务的功能将HDFS海量服务池中的候选服务进行分类，把具有相同功能的候选服务分到同一个服务类中，再把各候选服务类分别横向划分成若干数据块，分发到各Map节点上。

步骤2 各Map节点执行Map操作，计算局部候选Skyline服务。

各Map节点对各数据块中的候选服务按照其QoS属性中的某一维（如第1维）进行排序，依据服务间的支配关系，采用块嵌套循环 (Block Nested Loop, BNL) 算法计算局部候选Skyline服务，再将局部候选Skyline服务传送给相应的Reduce节点。其中输出的Key为候选服务索引号，Value为候选服务的各维QoS属性值。

步骤3 各Reduce节点执行Reduce操作，运用分治 (Divide-and-Conquer, D&C) 算法思想计算全局Skyline候选服务。

步骤3.1 对各Map节点归并过来的局部候选Skyline服务，按照其QoS中的某一维（如第1维）进行排序，取该维上的中值QS作为域点，并按该中值把候选服务块划分为两区域S1和S2，其中S1区域包含所有在某维（用于排序的该维）的QoS属性值优于QS的候选服务，记为“优”区域，区域编号用1来表示，S2区域包含其他剩余的候选服务，记为“劣”区域，区域编号用2来表示。

步骤3.2 迭代划分S1和S2，分别计算S1和S2的候选Skyline服务，直到每个区域只包含一个或者有很少的候选服务，或者所有QoS属性都被考虑过为止。划分的思想是用服务的QoS中的另一维属性（如第2维）上的中值进一步划分S1和S2，也就是说S1被划分成S11和S12区域，S2被划分成S21和S22区域，再用QoS中的另一维属性（如第3维）上的中值进一步划分S11至S22区域，即S11又被划分成S111和S112子区域，其他以此类推。

步骤3.3 通过合并S1和S2，计算得到最终的全局候选Skyline服务集，也即删去S2中被S1中的服务所支配的服务。在合并过程中，是从两个最小的子区域开始合并成较大子区域，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，其他以此类推。

依据该方法的思想，我们可以得到如下定理。

定理 S□1■中的服务可能支配或非支配S□2■中的服务，但S□2■中的服务不可能支配S□1■中的服务，其中“■”和“□”表示下标，其取值可能为 0，1，2，11，12，21，22，111，112，121，122，……，2…2（d-1个2，d为服务的QoS维数）。

证明：因为各Map/Reduce节点划分区域时，是分别按照服务的某一维QoS属性来划分的，QoS属性较优的区域，标号为1，反之，标号为2。S□1■中服务标号为1的该维QoS属性值优于S□2■中服务标号为2的该对应维QoS属性值，所以S□1■中的服务至少有一维 QoS属性值优于 S□2■中的服务 QoS属性值，则 S□2■中的服务不可能支配 S□1■中的服务；当 S□2■中的服务有某维下标为 1而 S□1■中其对应维的下标是2时，即此时S□2■中服务的该维QoS属性值优于S□1■中服务的对应维QoS属性值，此种情况下 S□1■中的服务与 S□2■中的服务互相非支配；当S□1■和 S□2■中下标编号互逆时，或者编号相同但下标中1的个数相同时S□1■与S□2■中服务彼此非支配；当 S□1■中下标编号中 1的个数多于 S□2■中下标编号中 1的个数时，则 S□1■单向支配 S□2■，若少于，则S□1■和 S□2■互相非支配 S□2■；当 S□1■中所有维的下标都为1，而S□2■中所有维的下标都为2时，此种情况下 S□1■中的服务支配 S□2■中的服务。所以，S□1■中的服务可能支配或非支配S□2■中的服务，但S□2■中的服务不可能支配S□1■中的服务。证毕。

在该方法执行过程中，所涉及到的数据流如图2所示。

图2 MapReduce框架下产生Skyline服务数据流图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标模拟退火算法的Skyline服务选择方法

对于由n个功能不同的抽象服务组成的组合服务，其每个组合服务是从n个功能不同的服务类的全局 Skyline候选服务集中各选择出一个具体服务经组合后形成。若采用穷举法进行组合，其组合服mi务的方案个数可有种，其中i表示功能服务类的全局 Skyline候选服务的个数。穷举法的时间复杂度太高，难以适应海量服务选择，为此，我们可利用启发式算法来寻找次优解。

考虑多维QoS的海量服务选择，各组合服务有他们各自全局的多维QoS（其各维QoS是由所选的各具体服务的QoS经聚合后所获得），这些组合服务间仍存在支配或非支配关系，且其数量仍然是相当大的。所以，有必要对可能的组合服务的方案进行优化，而多目标模拟退火(Multi-objective simulated annealing，MOSA)算法是一种解决多目标组合优化问题的高效算法，故可采用该算法来解决本问题。大部分智能优化算法具有隐含并行性，而MapReduce是基于大规模数据集的并行运算、高效分布式计算框架，基于该框架设计的并行智能优化算法可用于解决大规模优化问题。故本文在云计算环境下，基于MapReduce并行编程模型和多目标模拟退火算法，设计了一种基于迭代式 MapReduce框架下的分布式并行多目标模拟退火算法的Skyline服务选择方法。该方法是在文献[37]提出的多目标模拟退火算法的基础上，在迭代式MapReduce框架下，将 MOSA算法并行化，并用于解决海量服务选择问题而设计的一种方法。由于在 MOSA算法中，进行聚类时已经知道了类的个数，而在已知类个数的情况下，k-means算法比single linkage聚类算法具有更高的效率，所以我们修改 MOSA的聚类方法，用 k-means算法替换原MOSA算法中single linkage算法进行聚类。

图3基于迭代式MapReduce框架的分布式并行多目标模拟退火算法的Skyline服务选择方法流程图Fig. 3 Flow chart of Skyline services selection based on distributed and parallel multi-objective simulated annealing algorithm in iterative MapReduce framework

该方法流程如上图3所示，其步骤如下：

步骤 1 获取抽象服务的组合流程和由第一阶段所产生的大规模 Skyline服务库，包括组合流程的结构、所含抽象服务类及其个数n、对应Skyline服务及其 QoS属性值，用户所需非支配解的个数n×HL等。

步骤2 初始化相关参数和Map和Reduce节点的个数：初始温度Tmax，最终温度Tmin，冷却率α，每个温度下的迭代次数Iter，子归档集中解（即组合服务）的个数的硬限制值 HL，子归档集中解的个数的软限制值SL，且SL＞HL，Map节点m和Reduce节点r的个数都为n等。

步骤3 并行初始化各Map节点子归档集：在每个Map节点上并行随机地产生一个子归档集，每个子归档集的初始解个数为 SL。按公式（2）计算各个解的多个目标函数值，并产生＜key, value＞键值对，且发送给对应的Reduce节点。其中key为每个解的索引号ID和迭代计数器iteration，value为解的表示形式 presentation和各个解的多目标函数值objective，其解即为每个组合服务流程中的每个抽象服务随机选择一个具体服务形成的组合服务。

步骤4 各Slaver节点的Map节点从各自子归档集中随机选择一个解作为当前解Current-solution。

步骤 5 Master节点设置辅助参数 Temp=Tmax，记录当前温度。

步骤6 各Slaver节点的Map节点设置各自的迭代计数器iteration=0。

步骤7 各Slaver节点调用map(key，value)函数，产生新解New-solution，并按公式（2）计算新解的多个目标函数值，并将生成的键值对＜ key2，value2 ＞发送给对应的Reduce节点。

步骤8 各Slaver节点调用reduce(key，value)函数，产生新的子归档集。

步骤9 各Reduce节点将所产生的新的子归档集归并于Master节点的总归档集中，即Combiner操作。

步骤10 Master节点按Temp=α×Temp的方式执行降温，判断当前温度Temp是否大于最终温度Tmin，若大于，将总归档集的解等分到各Map节点上，即 Partitioner操作，再转去执行步骤 6，否则执行步骤11。

步骤 11 如果总归档集中解的个数大于n×HL，则执行k-means聚类算法以将总归档集中解的个数减至n×HL，此时总归档集中的解都是Pareto优化解。

步骤12 从所产生的Pareto优化解集中，依据用户的QoS约束按照公式（3）进行约束条件检查，剔除不满足约束条件的Pareto优化解，且依据用户的个性化QoS等偏好，采用Top-k查询处理技术，为用户推荐满足其偏好要求的前k个较优的组合服务。

该服务选择方法中的Map和Reduce函数的伪代码分别如下：

map(key，value)函数操作步骤：

// key为解的索引号ID+迭代计数器iteration，value为解的表示 presentation+解的各目标函数值objective。步骤1 从key中解析出解的迭代计数器iteration。步骤 2 从 value中解析出当前解Current-solution的表示presentation。

步骤 3 对当前解进行扰动以产生新解New-solution（即将当前解中的某个抽象服务随机选择另一个具体服务而产生另一个组合服务），并给新解分配一个新的唯一索引号ID。

步骤4 评估新解New-solution的多个目标函数New-objective。

步骤5 生成新的键值对＜ key2，value2 ＞，其中key2为New-solution.ID+iteration，而value2为Newsolution.Presentation+Current-solution. Presentation+New-solution.New-objective。

Reduce(key，value) 函数操作步骤：

// key为解的索引号ID+迭代计数器iteration，value为新解和当前解的表示 presentation以及新解的各目标函数值New-objective。

步骤 1 从 key中解析出解的迭代计数器iteration。

步骤2 从value中解析出新解New-solution和当前解Current-solution的表示presentation。

步骤 3 依据多目标模拟退火算法中解的支配检查和接受新解的思想，按公式（1）以值小者为优进行支配检查，并更新子归档集。

步骤4 判断子归档集中解的个数是否超过SL，若超过，则对子归档集执行k-means算法进行聚类以将解的个数减至HL。

步骤5 设置iteration=iteration+1，生成键值对＜ key3，Value3＞，其中key3为各个解的索引号+迭代计数器iteration，Value3为各个解的表示+各个解的各目标函数值。判断iteration是否小于Iter，若是，将所生成的键值对＜ key3，Value3＞传送给对应的Map节点；否则，传送给Master节点。

在该方法中产生解集数据流如下图4所示。

图4 MapReduce框架下产生解集数据流图Fig. 4 Dataflow chart of the generated solution set in MapReduce framework

5 对比分析

云环境下基于 MapReduce框架的海量服务选择方法是在MapReduce并行编程模型下，先采用分布式并行Skyline计算对海量候选服务进行预处理，筛选出QoS较优的候选服务，产生Skyline 服务库；再采用多目标模拟退火算法从所产生的 Skyline服务库中选择 QoS 较优的 Skyline服务以形成一组Pareto最优的解，这些解是最优的Pareto组合服务；最后，采用Top-k查询技术，优选k个满足用户偏好需求的Pareto组合服务。这一方法将可高效地解决具有大规模、高维QoS的服务选择，能快速返回组合方案，且其组合方案的全局QoS较优。

云环境下基于 MapReduce框架的海量服务选择方法的优势主要体现在：

(1)高效的海量服务筛选方法

所提出的“基于 MapReduce框架的分布式并行Skyline海量服务筛选方法”，是将BNL和D&C算法的Skyline计算方法在MapReduce框架下进行并行化，可同时筛选服务，能快速有效且实时公平地处理海量服务的筛选，剔除QoS较劣的服务，保留 Skyline服务，减少了所要考虑的候选服务的数量。而采用传统的 Skyline计算方法在提取网络上高维QoS的海量服务时，由于是串行执行，受QoS维数和服务数据集规模的影响较大，分析和生成Skyline服务是一个非常耗时的过程，面对高维QoS、大规模服务时，其效率急剧降低，难以适应拥有海量服务的场景。相比较而言，我们的方法比现有的基于传统的 Skyline计算的服务选择方法在面对高维QoS的海量服务时，其响应速度要快，可满足实时需求。

(2) 高效、高质量且柔性的服务选择方法

所提出的“基于迭代式MapReduce框架的分布式并行多目标模拟退火算法的Skyline服务选择方法”，是在迭代式MapReduce框架下，结合本文所构建的服务选择模型，将多目标模拟退火算法并行化而设计Skyline服务选择方法。该方法将第一阶段所筛选出的Skyline服务库中候选服务作为其输入，这样可大大缩小服务选择的空间，有利于在较少的时间内提高组合服务的质量和效率。该方法同时多目标优选多维QoS 属性的Skyline服务，无须设置各QoS参数的权值，不需要用户拥有过多的领域知识；对每个QoS参数分别设置相应的目标函数，多个目标函数被同时优化并产生一组Pareto组合服务，且还采用Top-k查询技术从所产生的Pareto组合服务集中推荐给用户Top-k个优化的Pareto组合服务，用户可依其偏好选择最满意的组合服务，能更好地、更柔性地满足用户的偏好和个性化需求，能更贴切地适应实际的服务选择场景。而传统的基于单（多）目标优化算法的服务选择方法均是面向服务库中的所有服务进行选择，选择效率受服务类数量及其候选服务规模的影响较大，在面对大规模、高维QoS的服务选择问题时难以满足实时需求，其效率是较低的，且其最优解的质量也难以得到保证。特别地，对于基于单目标优化算法的服务选择方法来说，需要将多维QoS属性加权聚合起来以融合为一个目标函数，但对用户来说，难以精确量化权重，尤其是QoS属性维数较多时，难以真正做到同时优化多个QoS属性目标，所产生的优化结果为满足约束条件的目标最优单解，用户没有选择的余地，缺乏柔性。

总之，我们的方法可高效、高质量和柔性地解决高维QoS的海量服务选择问题。

6 总结与展望

随着服务计算、云计算技术的快速发展和大数据时代的到来，大规模分布在不同地理位置上和不同服务器上的服务呈现海量性，如何从这些大规模分散的服务中快速有效地选择出满足不同用户个性化等偏好需求的服务面临着很大的挑战。现有的服务选择方法，大部分是以串行模式进行求解，当面对大规模服务时，难以保证服务选择的性能和效率。本文提出了一种云环境下基于MapReduce框架的海量服务选择方法，以高效地解决具有海量、高维QoS的服务选择问题，为解决云计算环境下的服务选择问题提供一类新方法，且为云计算的按需服务模式提供理论、模型、方法和技术等方面的支持，可供后续研究者借鉴。

由于现实互联网中服务的大规模分布性，目前还没有一个大规模服务的真实测试数据集可用于测试海量服务选择方法的性能。今后，我们将致力于互联网上海量服务数据的采集，以验证我们所提方法在真实场景中的效率和效果，而不仅仅在理论上的讨论。对于我们所提出的“基于 MapReduce框架的分布式并行 Skyline海量服务筛选方法”，还可考虑设计 Skyline服务库的动态维护算法，包括服务新增维护算法和服务失效维护算法，以动态维护所生成的 Skyline服务库。再者，由于网络上服务QoS的不确定性，也可采用不确定性Skyline算法去设计不确定性 Skyline服务选择，以适应服务QoS的高度动态变化等。当然，还可以考虑将其他的多目标智能优化算法（如多目标微粒群优化算法）在MapReduce框架下进行并行化，按本文所提方法的思路去解决海量服务选择问题等。上述所列的展望点都是今后可为之继续推进的研究点。

[1] 李金忠,夏洁武,曾劲涛,等. 基于QoS的Web服务选择算法综述[J]. 计算机应用研究,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] 吴健,陈亮,邓水光,等. 基于Skyline的QoS感知的动态服务选择[J]. 计算机学报, 2010,33(11): 2136-2146.

[12] 王尚广,孙其博,张光卫,等. 基于云模型的不确定性QoS 感知的Skyline 服务选择[J]. 软件学报, 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] 王海艳,张大印. 一种可信的基于协同过滤的服务选择模型[J].电子与信息学报,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] 胡建强,李涓子,廖桂平. 一种基于多维服务质量的局部最优服务选择模型[J].计算机学报,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] 赵欣,沈立炜,彭鑫,等. P_MOEA: 一种多目标决策辅助遗传算法用于服务组合 QoS 优化[J].中国科学: 信息科学, 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] 刘振文. 基于时间自动机的动态服务组合方法研究[J].井冈山大学学报: 自然科学版, 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] 熊润群,罗军舟,宋爱波,等. 云计算环境下QoS偏好感知的副本选择策略[J]. 通信学报, 2011, 32(7):93-102.

[35] 胡春华,刘济波,刘建勋. 云计算环境下基于信任演化及集合的服务选择[J]. 通信学报, 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.