基于时间序列的制造云服务建模

俞 瑛 王晓军

(浙江理工大学科技与艺术学院 浙江 绍兴 312369)

一、引言

随着“工业4.0”时代的到来，信息技术与工业制造技术高度融合、深度交织产生了新的制造模式——云制造[1]。该模式利用云制造服务平台，按用户的实际需求组织平台中的制造资源，给用户提供各类制造服务，为解决当前我国制造领域存在的不合理利用制造资源而引起资源浪费的问题提供了新的解决思路。因此，如何从云制造平台大量的共享制造资源中选择合适的制造服务成了研究热点。本文以汽车制造厂零部件生产为例，研究了相应的制造商选择问题。

二、制造云服务QoS评价指标选取

随着制造云服务量的增加，如何根据历史交易数据进行制造云服务的全面评估和优化则变得越来越重要。选择一组具有制造云服务特性的QoS评估指标体系具有重要意义。指标体系的正确构建可以确保评价结果的有效性，为制造云服务选择提供有效的决策依据。

本文从制造资源性能和网络性能两方面入手选取QoS指标。制造资源性能的QoS指标代表云服务的功能特点，如我们常说的交易时间指标、产品质量指标、技术质量指标、基本成本指标、任务调度成本指标等；网络性能的QoS指标则代表云服务的网络性能，例如常见的有处理器容量指标、服务访问成功率指标、吞吐量指标、网络延迟指标等。通过查阅大量的相关文献资料，从有关文献资料中总结整理了前人已有的制造云服务QoS指标评价体系的研究成果，如图1所示。

图1 制造云服务QoS指标统计

从图1中得出前人研究成果中大多认为制造云服务中的服务价格、信誉度、服务时间、服务可用性、稳定性及安全性为重要的QoS评价指标。因此，综合参考上述关键指标，结合制造资源和网络性能方面，本文提出如图2所示的一套具有制造云服务特色的QoS评价指标体系。

图2 制造云服务QoS指标体系

三、基于时间序列的QoS指标序列构建

在基于QoS的制造云服务选择的研究中，QoS指标通常设置为固定值，但这并不科学。服务运行在动态的、状态多变的网络中，例如网络延迟、带宽变化和服务网络的可用性等。如果对于每个服务只使用其注册在云服务中心的指标值来进行服务选择，则在执行的过程中存在很大的可能性即选择出的服务并不适应现在服务所处的动态状态。因此，采用静态QoS指标值计算的云服务选择方法存在适应性不强的问题，选择的最优云服务无法准确地反映真实情况。

针对制造云服务性能随时间变化的特性，本文引入“时间序列”的概念，将制造云服务QoS动态变化的情况用时间序列的形式表达。

图3 制造零部件加工QoS变化图

如图3，假设某一制造零部件加工完成所需的总时间为T，即服务执行时间为T，在T时间内，将T平均分成n个时间节点(t1、t2、t3、…、tn)，观测记录下每个时间节点的QoS指标值，形成QoS指标序列，这样就将静态的QoS指标值转化成动态的基于时间序列的QoS指标序列，例如服务的响应时间(RT)是动态的，此时将T时间内的服务响应时间转化成基于时间序列的形式如式(1)所示：

MTS(RT)= 〈q1,q2,q3,…,qt〉

(1)

其余指标表达方式同上。

四、QoS指标数据处理

(一)实数型QoS指标序列处理方法

服务成本(C)、服务执行时间(ET)、服务稳定性(St)、服务可用性(Av)及服务响应时间(RT)这些指标值均为实数，因此在转化成时间序列的过程中，只需将每个时间节点的指标值记录下来形成QoS序列。

表1 仿真云服务提供商实数型动态QoS指标序列

假设从汽车零部件制造云服务仿真平台数据库中读取汽车零部件云服务提供商WS1最近一次成功生产的历史QoS指标值，这10个时间节点下的QoS指标值形成了如表1所示的指标序列。从表1中我们可以看到：服务响应时间(RT)、服务稳定性(St)及服务可用性(Av)这三个指标值均为动态实数，所以在转化成时间序列的过程中，只需将每个时间节点的指标值记录下来即可。

而服务执行时间(ET)和服务成本(C)指标值则从云制造仿真平台用户界面输入的值中提取。其为静态数据，因此为了统一QoS指标的形式，在表2中将服务成本(C)和服务执行时间(ET)也被表示成时间序列的形式，只是其值固定不变(服务成本为53，服务执行时间为66)。

表2 仿真云服务提供商实数型静态QoS指标序列

(二)语言型QoS指标序列处理方法

服务可靠性和服务安全性两个QoS指标的值是一个概率值，无法用准确的实数进行描述，通常对服务可靠性和服务安全性的好坏是通过用描述语言来描述，例如集合{非常低，较低，一般，较高，非常高}中的一个元素，这种QoS指标本文称之为语言型数据类型。尽管语言型数据类型符合人们的表达形式，但在模型中无法准确量化并计算，因此，需要将语言型数据类型进行量化。本文采用文献[2]的量化方法思想对服务可靠性和服务安全性进行量化，如表3所示，将描述语言集合中的每个元素用相应的具体数值与之对应。

表3 语言描述转化表

将服务可靠性和服务安全性这两类语言型描述数据通过表3的方式转化成实数型数据，再根据4.1节方法进行处理，如表4所示。

表4 仿真云服务提供商语言型QoS指标序列

2(较高,非常高)90(较高,非常高)903(较高,非常高)90(较高,非常高)904(较高,非常高)90(较高,非常高)905(较高,非常高)90(较高,非常高)906(较高,非常高)90(较高,非常高)907(较高,非常高)90(较高,非常高)908(较高,非常高)90(较高,非常高)909(较高,非常高)90(较高,非常高)9010(较高,非常高)90(较高,非常高)90

五、小结

本文首先通过查阅大量相关文献结合制造云服务的特点明确了制造云服务QoS指标的具体选择。其次针对制造云服务性能随时间变化的特性，引入“时间序列”的概念，将制造云服务QoS动态变化的情况用时间序列的形式表达。然后针对网络中 QoS 形式的多样性以及各种不确定的情况，对原子服务的 QoS指标值进行了各种处理。