张 艺 田立勤，2 武文星

（1.华北科技学院计算机学院 北京 101601）（2.青海师范大学计算机学院 西宁 810000）

1 引言

云服务是云计算借助Internet或云计算平台提供的资源和应用，用户能随时访问所需要的云服务。鉴于云计算具有虚拟化、开放性、透明性以及资源动态变化等特点，用户在评估与选择云服务时，面临QoS的多样性和复杂性以及用户个性化需求偏好等问题［1］，同时又面对云服务承诺的QoS 表现和实际表现存在差异等现象，引发了用户对云服务的信任危机。因此，如何选择满足自身需求的云服务成为云服务消费者面临的挑战。

基于QoS 属性的云服务决策方法是现今云服务选择的主要手段，该类方法通过确定QoS性能的评价指标集来建立服务评价模型［2］，计算出候选服务的综合性能，最后结合相关的排序方法选择出最优云服务。因此评价指标的合理选取在云服务选择过程中占据着重要地位。在评价指标的选取方面，文献［3］选取了经济价值、适应能力、依赖性、可控性和安全性五个特征属性，但却忽略了可靠性和性能等方面的影响因素，文献［4］选取了吞吐量、响应时间、价格和可获得性四个方面，但这不足以客观地评判云服务。基于此问题，本文依据SLA 协议［5］的相关概念，综合选取了可靠性、可获得性、安全性、性价比以及稳定性五个特征属性来评判云服务的优劣，这就形成了多属性决策（Multi-Attribute Decision Making，MADM）问题。MADM的核心思想是多个候选服务的比较以及多个评价标准的汇总和服务属性的测量［2］。在决策过程中，用语言术语来评价定性变量是更贴近人类思维和表达方式的一种方法［6］。文献［7］中作者提出了基于犹豫模糊语言集的TOPSIS 方法和VIKOR 方法两种模型。但是犹豫模糊语言术语集往往默认决策者提供的语言术语具有同等的重要性，而实际的决策过程中往往会更倾向于某个语言术语［8］。武小年［9］将区间数引入多属性决策领域进行云服务综合评价和优劣排序。但区间数只是描述了属性值的大致范围，降低了计算结果的准确度。其次，将属性权重与决策矩阵结合进行云服务选择是目前大多数学者采用的方法。李小林［10］利用层次分析法确定各用户QoS 偏好权重，将决策信息统一转换为直觉模糊集的形式进行决策。但决策信息往往只包含了用户的主观想法，赋予了过多的主观因素而影响决策结果。本文在犹豫模糊语言与区间数的基础上进行扩展，考虑到云计算环境的动态不确定性以及云服务性能的不稳定性，用户对云服务的评价尚有一定的犹豫性与不确定性，而PLTS 恰好在处理信息的不确定性方面具有一定的优越性。因此选择PLTS作为评价工具，它在不丢失任何原始语言信息的前提下通过增加概率信息扩展了犹豫模糊语言术语集，能够很好地表达决策者的偏好信息［8］。在决策矩阵上引入推荐权重形成综合评估矩阵，将其与属性权重结合形成加权综合评估矩阵，通过比较每个待排序方案与正理想方案的接近度来决策出最优目标者，从而提高结果的准确性。

2 概率语言术语集的相关概念

义为

3 基于PLTS的云服务选择模型

3.1 搜索推荐用户

图1 云服务选择模型流程图

3.2 云服务推荐权重

我们将推荐权重分为两部分获得。第一部分为用户与推荐用户评价信息的相似性权重，第二部分为推荐用户评价信息的可靠性权重。

3.2.1 相似性权重

搜索到的推荐用户是与用户偏好相似的用户，借助推荐用户的相关意见可以使决策结果更可靠。根据概率语言术语集间的距离测度公式［13］来计算用户与推荐用户之间的相似性权重。

3.3 确定属性权重

属性的权重可以用来表征用户对于属性的偏好程度。传统的QoS 偏好计算方法都认为QoS 选择标准单一，且偏好都是定量的［14］。层次分析法是一种定性与定量相结合的多目标决策方法［15］，它通过比较关联QoS属性来为决策预测提供定量依据，可以对用户的模糊性的QoS 约束条件进行量化处理［14］。基本步骤如下。

Step1 构造判断矩阵。用户根据自身的需求和偏好对各个属性的重要性进行两两比较，比较量表见表1。

表1 判断矩阵标度及其含义

Step2 计算权重向量。根据RW=λmaxW，利用特征根法求出λmax与W其中，λmax为R的最大特征根，W为相应的特征向量，将W进行归一化得到各属性的权重。

表2 平均随机一致性指标RI标准值

3.4 确定加权综合评估矩阵

3.5 TOPSIS排序

TOPSIS 是多属性决策分析中一种常用的有效排序方法，它最早是由Hwang 等引入的并行算法。排序的详细过程如下［17］。

若准则是正的（积极的），则

4 案例分析

先由式（2）对各个矩阵进行标准化处理，然后根据式（5）～（8）计算用户与推荐用户之间的相似性权重如下：

给出财务部、计划部和生产部与云服务提供商的交互信息表，如表3 所示。将交互信息以(n,t)的形式表示，其中n代表交互次数，t代表当前时间，tl代表最后一次交互的时间，N为交互时间的阈值。规定推荐用户与云服务之间交互次数的阈值为N=5。

表3 交互信息表

根据式（9）～（10）我们得到推荐用户评价信息的可靠性权重矩阵如下：

根据综合评估矩阵，由式（14）确定正理想方案R+和负理想方案R-。

本案例中服务响应时间为负向属性，其余均为正向属性。

最后由式（18）求出所有云服务提供商与PIS的接近度Ci，i=1,2,3。

C1=0.298；C2=0.164；C3=0.896。根据接近度越高，云服务提供商越优的原理得到最终的排序为a3＞a1＞a2。

5 对比分析

本小节选取评价语言和权重两方面分别进行对比来证明本文选择算法的优越性。首先在评价语言方面，文献［7］提出了基于犹豫模糊语言术语集（Hesitant Fuzzy Linguistic Term Set，HFLTS）的MAGDM 模型用于多属性决策。其次在权重方面文献［10］中将属性权重与评价决策矩阵结合进行排序，而本文在评价决策矩阵上加入推荐权重获得综合评估矩阵，将属性权重与综合评估矩阵结合进行决策。为了形成对比，两种算法的评价信息以及权重信息都与本文模型中的保持一致。

犹豫模糊语言术语集是概率语言术语集中无概率分布的部分，例如，财务部的评价矩阵以HFLTS的形式表示如下：

采用文献［7］中提出的犹豫模糊语言加权平均算子（HFLWA）算法将推荐用户评价矩阵中的语言术

表4 评价信息聚合表

文献［10］中利用层次分析法确定QoS 偏好权重，将属性权重与评价决策矩阵结合成加权矩阵C引进逼近理想解的排序方法帮助云服务用户根据需求选取最好的云服务。

两种方法最终都是通过计算备选方案与正理想解之间的接近度获得云服务的最终排序。表5给出了本文方法与两种对比方法各自的接近度大小。

表5 接近度大小表

由此得到的排序结果如表6所示。

表6 排序结果表

针对以上对比分析，三种方法的排序结果是相同的，证明了本文模型的有效性。对比文献［7］与文献［10］两种方法，本文提出的模型的优越性体现在以下几方面。

1）从表5 中接近度大小可以看出，本文模型三个云服务商之间的接近度大小差异较明显，尤其是最优云服务商与次优云服务商之间。可见本文模型的区分度更明显，执行效率更高。

2）在评价决策矩阵的基础上加入云服务推荐权重形成综合评估矩阵，它避免了由于用户主观因素造成的结果的不准确性，推荐权重的加入提高了决策结果的可信度。

3）概率语言术语集（PLTS）通过在每个语言项上增加概率可以清晰地观察到推荐者评价意见的不同，从而反映不同云服务之间的差异性。犹豫模糊术语集（HFLTS）虽然可以和PLTS 一样表达客户评价时的犹豫性和不确定性，但HFLTS 中语言评价值的重要性程度是相同的，存在描述力度粗的问题［19］。而实际决策环境中不同语言术语的的重要性程度往往是不同的，与实际决策环境不符，从而降低了计算结果的真实性与准确性。

6 结语

本文针对云环境下服务指标评估不标准、指标权重分配不合理等问题，提出了一种基于概率语言术语集的多属性决策模型。PLTS 能够很好地表达评价过程中决策者的犹豫性与不确定性。推荐权重的引入有效地避免了传统AHP 方案太过主观的缺点。从案例分析结果可以看到本文提出的方案能够有效解决云服务选择问题。但本文模型未考虑到用户恶意评价，如何有效过滤恶意评价是今后进一步研究的方向。