多云环境下能量感知服务组合研究

沙特国王大学学报多云环境下的能量感知服务组合李建民a，刘晓波，钟英a，朱顺智a，郝永胜ba厦门理工大学计算机与信息工程学院，361024b南京信息工程大学网络中心，南京210044阿提奇莱因福奥文章历史记录：接收日期：2022年2022年4月8日修订2022年4月23日接受2022年5月18日网上发售关键词：能量感知多云调度方法服务组合A B S T R A C T服务组合被广泛应用于多种场景，以满足用户的各种需求。在多云环境（MCE）中，复合请求（服务请求）需要位于具有各种功能的多个云中的原子服务（服务候选）。服务组合将来自多个云的原子服务组合在一起作为一个新服务。以前的工作集中在如何组合服务，忽略了原子服务的执行所造成的能源消耗。在本文中，我们研究了一种能量感知的启发式服务组合（EASC）在多云环境下，以减少执行原子服务的能源消耗。为了满足我们的需求，我们尝试在一个云中组合服务，以减少原子服务之间传输文件的能耗。除此之外，我们还考虑了分裂点位置对能耗和其他指标的影响。仿真结果表明，我们提出的方法在减少执行时间和能量消耗方面表现出良好的性能。版权所有©2022作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍服务组合已用于将一些功能组合在一起以满足用户不同部门（公司、组织等）提供各种功能的不同服务。服务组合将这些功能组合在一起，使它们便于使用，用户会感觉他们不是在使用单个服务，而是在使用多个服务作为一个整体（Asghari例如，2018; Huf和Siqueira，2019; Yang等人，2019年）。服务组合已用于许多系统中（Ridhawi和Karmouch，2015; Yuan等人，2020年; Yu等人，2020年; Yang等人，2020年）。服务组合的功能包括最大化服务利用率、最小化成本和最小化执行时间。公平性（Wei等人，2010）、安全性和信任管理（Zhang等人，2016）也是重要的指标（Nguyen et al.，2022年，服务组合。研究人员已经提出了许多组合服务的方法（Asghari等人，2018; Ridhawi和Karmouch，2015; Yuan等人，2020; Gu等人，2010年;Khanouche*通讯作者。电子邮件地址：lijianmin2006@sina.cn（J. Li）。沙特国王大学负责同行审查例如， 2020年）。然而，这些方法忽略了由原子服务的执行引起的能量消耗，特别是在原子服务之间的文件传输期间。在多云环境下（Baker等人，2018; Lu等人，此外，复合请求可能需要从多个云组合原子服务，并提供具有各种度量的相同原子服务，例如时间、成本、带宽和能耗。网络对服务组合的结果有很大的影响（Nguyen等人，2022; Pu等人，2020; Huang等人，2020年）。 一些研究人员已经提出了一些在多云环境下的服务组合方法（Lu等人，2015年）。只有少数几种方法考虑了能耗（Baker等人， 2018年）。与其他研究者不同的是，本文对多云环境下的服务组合方法进行了评估。据我们所知，这是第一篇考虑执行原子服务的能耗，特别是传输文件的能耗的论文的新颖性和主要工作论文内容如下：(1) 提出了多云环境下服务组合的系统框架;(2) 我们考虑了服务组合的能量，特别是传输文件的能量消耗;(3) 采用Top-N方法寻找最优分裂点位置，以寻找能量消耗最小的方法;https://doi.org/10.1016/j.jksuci.2022.04.0141319-1578/©2022作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comJ. Li，Y. Zhong，S. Zhu等人沙特国王大学学报3960.Σ(4) 提出了一种多云环境下的服务组合方法;(5) 我们提供了模拟证明，我们提出的方法比别人更好。本文的其余部分组织如下。第二部分介绍了服务组合的相关工作第三研究了多云环境下服务组合的系统框架第4节介绍了本文所使用的模型。在此基础上，提出了一种启发式的服务组合方法，用于多云环境下的服务组合。第五从能耗等方面对本文提出的合成方法与其他方法进行了比较。第6节总结了本文，并提出了多云环境下服务组合的新方向。2. 相关工作服务组合是一种将不同的服务组织在一起以满足用户需求的技术（Khanouche等人，2020; Ma等人，2013年; Liu等人，2019; Hao等人，2020年、2022年）。例如，当我们在网上购物时，我们使用来自我们首先通过网上销售公司寻找货物，然后通过银行提供的支付服务支付货款，最后通过物流公司提供的运输服务收到货物。这些服务由多家公司提供，但对于用户来说，这些都是通过点击一个网站完成的，其中这些服务组合在一起。服务组合方法已经被许多研究人员广泛研究，其包括推荐方法（Liu等人，2019），神经网络（Wang et al.，2020），深度强化学 习 （ 晶 晶 等 人 ， 2016 年 ; Liu 等 人 ， 2019 年 ; Wang 等 人 ，2020），人工蜂群优化算法（Arunachalam和Amuthan，2018）;模型驱动的开发模式（Cai等人，2018），区块链技术（Dibaei etal.，2022年; Yang等人， 2022年）等。Z. Liu等人 （Liu等人，2019）通过分析客户偏好和重复模拟客户选择过程开发了深度学习训练集。然后，使用深度神经网络（DNN）来分析候选服务并给出个性化推荐（Liu等人， 2019年）。他们使用神经网络来预测服务组合的目标函数H. Wang等人（2020）提出了一种新的基于深度强化学习（DRL）的服务组合在物联网（IoT）环境中，SFLA-GA（Asghari等人，2020）是一种涉及QoS优化的隐私感知云服务组合方法。该方法以不同服务质量（QoS）因素的组合作为服务组合的适应度值，帮助用户根据其隐私保护水平选择合适的组合服务为了根据给定的关键字自动组合Web服务Yu et al.（2020）研究了在所构造的AND/OR图中进行关键字搜索的一个新问题。M. Huang等人（2020）提出了一种面向服务的网络架构，以支持对支持5G的物联网系统的有效管理。为了保证异构和在线用户需求的真实性H. Zhong et al.（2016）给出了一种激励兼容的（真实的）在线云拍卖机制。H. Yang等人（2022 ）提出了一种用于工业物联网（IIoT）的具有联邦学习（BrainIoT）的类脑生产服务提供方案Sun等人 （Sun等人， 2020）采用能量感知路由和自适应延迟关断来降低网络功能虚拟化的成本和能量消耗。为了有效地构建支持云的移动应用程序，基于语义推理机制的模型驱动开发模式（Cai etal.， 2018年）用于CoT应用程序开发。在多云环境下（Baker等人， 2018; Lu等人，2015; Kurdi等人，2015年），一些研究人员也提出了一些组合方法，以满足用户的需求。全云（Kurdi等人，2015）逐个添加云，并在复合请求中选择原子服务，直到获得所有原子服务。基础云（Kurdi等人，2015年）试图找到一个最小数量的云来满足服务需求中的所有原子服务。智能云（Kurdi等人，2015）是一种近似算法，它首先将多云环境建模为树，然后通过搜索树找到最小请求集。 COM2（Kurdi等人，2015年）选择了最大数量的云原子服务。DC-Cloud（Lu等人，2015）评估了原子服务和服务组合请求的数量，然后使用Max-Min-Min进行服务组合。S.Alireza等人（Souri等人，2020）使用多标记转换系统（MLTS）和基于Pi演算的进程代数方法来监控服务组合的QoS标准等功能性和非功能性规范。通常，这些方法旨在减少执行时间，最小化所涉及的云的数量，满足QoS要求等。MCE中的服务组合研究（Hao et al.，2021年; Lu等人，2022年）没有注意服务构成的能源消耗。原子服务的处理、服务组合结果的网络以及传输的输入和输出文件的大小云之间（Entezari-Maleki等人，2020年，消耗大量能源。这正是本文试图解决的问题。3. 系统分析和调度目标表1显示了本文中使用的参数。多云环境（MCE）有I个云，系统中有J种原子服务（I和J为正整数）MEC¼fCi;Pijia^½Ig1表1论文中使用的参数符号含义I云量Ci云的标识符Pi每单位能耗Ci的百万指令J原子服务Sj jth原子服务SRi;j云提供的原子服务SjCi云提供的原子服务SjCiRRi;j云Ci提供的原子服务Sj的RP_i;j接收云C_i提供的原子服务S_jCPi;j提供云Ci提供的原子服务SjMAXSi;j云Ci提供的服务SRCi;j的最大数量K的用户请求的数目UR第 k个复合请求复合请求URkASk;URk的第11个原子服务原子服务ASk;l的OFk;l原子服务ASk;lNIk;lASk;l中的指令数SCk复合请求URk的服务组合Ck;l原子服务ASk;l的分配的云。EPk;1原子服务ASk;1的执行时间。ESk;l发送原子服务ASk;lERk;l接收原子服务ASk;lchk Ck;l;Ck;l1相邻原子服务是否调度在同一云中（Ck;l和Ck;l1）J. Li，Y. Zhong，S. Zhu等人沙特国王大学学报3961.- 是的 .- 是 的ΣΣ.Σ- 是的¼¼K~k;lk;lk;lk;lK;;;;;;-;;AS¼.Sjjja^½J2ES1/4（chk.Ck;l;Ck;l<$1<$ωO Fk=bw s。Ck;ASk;lifCk;lð10ÞC-S^fSRi;j;SPi;j;RRi;j;RPi;j;CPi;j>jia^½I;ja^½Jgk;l0ifC k;l 联系我们k;l1ð3ÞCi是云的标识符，Pi是能量消耗Per。Ci中的百万指令（MI）。对于云Ci，SRi;j和SPi;j是云Ci提供的原子服务Sj的文件发送速度和相对发送功率，RRi;j和RPi;j是所提供的原子服务Sj的文件接收速率和相对接收功率bws Ck;ASk;l¼minSR Ck;l;ASk;l;RR Ck;l1;ASk;l111复合请求URk的总执行时间为（ETk）：ETk¼XEPk;lESk;lERk;l12L所有复合请求的总执行时间（ET）为：通过云Ci，CPi;j是原子服务Sj的处理速度由CloudCi提供。ET¼XkET kð13Þ每个云Ci提供一组原子服务CSi，如下所示：CSi½fSRCi;jji2½1;I];j2½ 1;J];SRCi;j2½0;MAXSi;j]g 4如果在云Ci中不存在原子服务Sj，则SRCi;j等于0;否则，它等于MAXSi;j。MAXSi;j是云提供的原子服务SRCi;j的最大数量。Ci复合请求URk的总能量消耗为（ECk）：E Ck¼ XE Pk;lωPk;lESk;lωS P。Ck;l;AS k;lE Rk;lωR P.Ck;l;ASk;lLð14Þ假设系统中有K个用户请求用户请求URk由一系列原子服务组成：Pk;l 能源效率（EnergyEfficiency）。MI）URk¼fASk;l;IFk;l;OFk;l;NIk;l> jASk;l2SR g5<在公式（5）中，ASk;l是URk的原子服务，IFk;l和OFk;l是原子服务ASk;l的输入和输出文件的大小，NIk;l是ASk; l中的指令的数量，SR是URk的原子服务的集合。复合请求可以使用原子服务两次，因此ASk;11可以等于ASk;12（11/12）。例如，用户购买产品-从两个不同的网上商店购买，他可能会用这笔钱交易-云Ck;l.所有复合请求（EC）的总能耗为：EC¼XkECk15这里，我们使用函数chk Ck;l;Ck;l1来表示相邻的原子服务是否被调度在相同的云Ck;l和Ck;l1中：服务费两次支付两个在线商店。输入的大小CHK.Ck;l;Ck;l10;ifCk;l/4/4Ck;l/11;ifCkð16Þ并且即使对于相同的原子服务，输出文件也不总是具有相同的值。例如，用于获取具有不同数量的数据集的平均值的服务可以在输入文件的大小方面具有不同的值。对于复合请求URk，;l k;l1访问云的数量（NC）为：NC¼XXchk.Ck;l;Ck;l117KLURk为NUMAk，l为复合请求URk的原子服务标识，服务复合SCk的获取如下：SC ¼ fjAS 2个SR;C2MEC;1≤l≤NUMAg≤6μ g输入文件和输出文件（FS）的大小为：FS¼X XXX x x xx k.Ck;l;Ck;l<$1<$ωO Fk;l<$ch k.Ck;l-1;Ck;lωIFk;l18KLCk;l是原子服务ASk;l的分配的云。我们的计划目标是：(1) 最小化所有复合请求的执行时间;(2) 最大限度地减少文件传输的能耗(3) 最小化云之间传输的文件大小;(4) 以最小化所涉及的云的数量。我们知道，如果用户请求从A获得原子服务，然后从B获得原子服务，在这种情况下，文件可能在云A和B之间传输，这消耗传输能量。为了满足我们的调度，调度中有四个目标：最小值：ET¼XkETk19EC¼XkECk20NC¼ X X检查Ckl;Ckl121KL在两个云之间环文件在此，我们必须指出，如果获取服务从一、然后从乙、和然后返回到A：FS¼X XXX x x xx k.Ckl;Ckl1<$ωO Fkl<$ch k.Ckl1;CklωIFkl22KLmcn2. 因为我们需要将文件从A传输到B，然后从B到A对于复合请求URk中的原子服务ASk;1，执行时间EPk;l为：EPk;l¼NIk;l=CP Ck;l;ASk;l 7发送文件和接收文件的时间是ESk;l和ERk;l：受制于：8Ci8Sj：XX altASk;l≤MAXSi;j23KL公式19和22是总执行时间，总能量消耗、所涉及的云的数量以及用于在云之间传输文件的能量消耗。我们儿1/4（chk.Ck;l-1; Ck;lωI Fk=bw r.Ck;ASk;l如果Ck;l-ð8Þ给他们同样的重量，调度目标为k;l0ifCk;l 联系我们k;l-1如下所示：BW河Ck;ASk;lmin. RR.Ck;l; AS k;l;SR.C k;l-1; ASk;l-1ð9Þ焦油量为24升如图1所示，该模型由五个主要组件组成：用户、用户界面、复合请求、数据集中心和调度中心。用户通过以下方式发送复合请求J. Li，Y. Zhong，S. Zhu等人沙特国王大学学报3962半]半]0¼温度1.Σ1tempTTFig. 1. 多云环境下的服务组合数据中心的用户界面。每个云将原子服务信息注册到数据集中心，数据集中心组成服务。在图1中，有三片云。每个云有不同种类的原子服务，每个原子服务拥有不同数量的服务候选者。例如，云Cl具有三种原子服务：a、b和c;并且每个原子服务分别具有3、4和3个服务候选。4.一种基于能量感知的多云服务组合算法在本节中，我们首先规范化调度中的度量然后我们给云和复合请求不同的优先级。最后，考虑到分裂点对能量消耗的影响，提出了多云环境下服务组合的调度算法3.1. 规范化度量UR k是复合请求，UR k中的原子服务的数量是NUMA k，l是复合请求URk的原子服务标识符。对于复合请求，存在NSPk种分裂点：NSP k¼ NUMA k！ð27Þ已经用于这种遍历问题的许多算法，诸如递归调用、深度优先遍历（DFS）（Hossen等人， 2019）、广度优先遍历（BFS）（Hossen等人， 2019年）。我们在这里不给出细节，而使用shk½x;y]xs½1;NSPk];ys1;NUMA k以记录分裂点的位置。 如果shk x;y等于1，则在复合请求URk的第x个分割点策略的第y个原子服务之后存在分割点。算法3给出了获得理想分裂点的方法第1~ 8行计算根据公式（29），行9根据w tvk的升序对这些行进行排序。在不考虑传输功率和传输情况下，假设有一个度量A <$fa; a;···a···a g时文件，这些调度方法具有较低的wtv k 使用更少的时间和能量传输文件。平均值为a-，A的最大值和最小值为最大值和最小值。调度中有两种类型的度量：正度量（速度和稳定性）和负度量（价格和执行时间）。公式（25）用于正度量，公式（26）用于负度量：一算法1：Splitp（URk）1：wtv kNUMAk1;%初始化公式（29）的值3：对于y1：NUMAk一个临时-一分钟a最大值-a最小值ð25Þ4：如果shk½x;y]15：wtv kNUMAkwtv kNUMAkwtky;6：EndIf临时工最大值-温度a最大值-a最小值ð26Þ第七章：终结第八章：结束9：按每行的wtv k的升序对shk进行本文中使用的关于复合材料的正度量请求和提供的服务通过公式进行规范化(24)，并且负度量通过公式（25）归一化。在本文中，时间和能量消耗是负度量，因此，我们使用公式（25）将它们归一化。3.2. 决定分裂点由于复合请求的不同分割点产生不同大小的输入和输出文件，它们都影响用于传输文件的时间我们根据公式（29）（在下面的论文中介绍）将复合请求分割成不同的块虽然传输文件的时间和能量消耗也受到云的发送速度、发送功率、接收速度和接收功率的影响，但我们给输入和输出文件的大小赋予不同的权重，并忽略云的属性来简化问题。3.3. 决定复合请求的顺序NU是复合请求的数量。 有两种请求：复合请求可以在一个云中满足（不考虑系统负载）（第一种），复合请求需要多个云（第二种）以获得足够的原子服务（分成不同的块，每个块分配在一个云中）。块是一个包含多个原子服务的服务组合。对于第一种服务，它们满足：8l：chk Ck;l;Ck;l1¼0 28我们需要确定有多少云可以为复合请求提供足够的原子服务。然后，复合请求按照满足复合请求的云的数量的升序（在一个云中）进行排序0 ¼J. Li，Y. Zhong，S. Zhu等人沙特国王大学学报3963¼þð Þð Þ~SPID;;k;m1k;m2对于第二种复合请求，它们满足：9l：chk.Ckl;Ckl1129就像我们对前一个所做的那样。NSRC值较小的云不太可能提供合成在云中请求。因此，我们给予他们更高的优先权在这里，我们首先考虑如何在不考虑系统负载的情况下将复合请求拆分为两个块。我们将在下面的文章中详细介绍如何拆分复合请求即使对于相同的设备（纸上云，移动设备、PC等也是如此），同一个文件发送和接收文件所消耗的能量也是不同的（Li等人，2019;电气和电子工程师协会，2017），所以我们给用于发送文件的能量消耗的不同权重（a）和接收文件（b）：wtk l la ωIFk;lb ωOFk;l30在这里，我们不知道复合请求将被分配到哪个云，所以我们只考虑输入和输出文件的大小。算法1给出了复合请求的调度顺序的细节对于每个复合请求（URk）（第3行，算法1;在下面的段落中相同），我们检查有多少云（Ci）可以提供复合请求所需的所有原子服务。函数chk（Ci，URk）（第4行）返回值待安排。算法2中的函数chk（Ci，URk）（第4行，算法2;在以下段落中相同）具有与算法1相同的函数。NumSRi记录一个云可以提供组合请求的所有原子服务的我们根据numsri的升序对云进行排序，因为numsri中的值越高，意味着即使我们现在调度云，云也有更高的可能性提供云中的所有原子服务算法3：Orderc（I）//给出云的调度顺序1：numsrk1/40;2：对于i1：I3：对于k1/4：K4：Ifchk（Ci，URk）5：numsri numsri 1;6：EndIf第七章：终结第八章：结束9：根据numsri的升序对云进行排序。指示云（Ci）是否可以提供所有原子服务复合请求URk。如果可以，则返回true，我们将复合请求添加到集合fir中（第6行）。最后，我们将根据cnum_k的升序进行FIR（第10行），并将其他复合请求添加到第二类SEC中（第11行）。对于以sec为单位的复合请求，我们计算公式（29）对于不同分割点的值（第14行），并将该值记录在wtkl中。然后，我们得到wtk的最小值和第二个最小值之间的差距，并将其记录在tempk中。最后，我们将sec以spak的降序排列。因为配方奶粉中的一个重要价值(29)这意味着改变后的调度顺序可能会使用更多的时间和精力来在两个原子服务（在两个云中）之间传输文件。算法2：Ordersr（I，J）//给出复合请求1：第一，第二，第三，第四，第四，第五，第六，第十，第二，第九，第十，第九3：对于k1/4：K4：Ifchk（Ci，URk）5：cnumk¼cnumk1;6：将URk添加到fir;7：EndIf第八章：结束第九章：终结10：根据cnumk的升序对fir进行排序; 11：sec1/4MEC-fir;12：对于每个URk，以秒为单位13：对于URk14：以ASk;l作为分裂点，并计算wtk; l根据公式（29）; 15：结束第16章：结束17：求wtk的最小值为minfk，求wtk的第二个最小值为minsk此外，算法2和算法1可以同时进行，以减少初始化调度的时间。3.5. 一种服务组合基于以上分析，我们知道服务组合主要有两(1) 如何调度可以在一个云中满足的复合请求(2) 如何在多云环境下拆分复合请求并组合原子服务。对于公式（12）和（13），我们使用第4.1节中的方法来归一化执行时间和能耗。算法4为这两个主要步骤提供了方法。第1行和第8行（算法4;在下面的论文中相同）是第一步。所有复合请求都被排序为算法2，云被排序为算法3。对于每个复合请求URk（第1行），我们检查每个云Ci，以查看它们是否可以在一个云中提供所有原子服务（第3行）。如果可以，我们在云Ci中组成复合请求URk（第4行），并更新关于离开原子服务的数量的信息。之后，我们将fir中的复合请求添加到sec中。虽然算法2已经给出了服务请求的调度顺序，但是该顺序没有考虑云的QoS。我们的调度目标有四个主要方面（公式（23））。我们在调度目标和分割点策略之间进行折衷仅使用Top-N拆分点策略来测试调度目标（公式（23））（第13行）。URk的spidth分裂点策略的子复合要求满足：[SURk;m/URk=31]18：spak¼minsk-minfk;SURspid\SURspid1/4米13.4. 决定云的顺序对于所有其他云，我们按照云可以提供的复合请求数量的升序对其进行排序然后，对于spid的所有子复合请求，URk的分割点策略（位置）。tarmin是目标函数的最小值（公式- mula（24），仅用于复合请求）。selid是所选拆分点策略的标识符。我们计算目标函数（第15行 ） ， 并 在目标函数中记 录 具有最小值的 分 裂 点 策 略 （ 公 式（23））。最后，我们将shk½selid;：]作为19：将sec按tempk的升序排序;J. Li，Y. Zhong，S. Zhu等人沙特国王大学学报3964214：如果{chk（C，SUR8mgi2¼¼¼半]¼þ1¼半]2服务组合的分割点策略（第23行）。在这里，我们必须指出，对于算法4中的目标函数，我们只考虑了调度复合请求URk，而不是所有的复合请求。算法4：EASC（I，J，K）1：对于每个复合请求URk fir//复合请求排序为算法1表2模拟参数。CPi;j2：对于每个云C1MEC//云已经被排序为算法23：Ifchk（Ci，URk）4：在Ci中编写复合请求URk;5：更新Ci的服务提供信息; 6：EndIf第七章：终结第八章：结束9：将fir中的复合请求添加到sec10：Whilesec不为NULL11：对于每个复合请求URk秒12：tarmin，selid0;13：对于spid1：SD//评价Top-n拆分点溶液蜘蛛15：计算目标函数tar的值，当我们采取spidth分裂点策略; 16：如果tarmin>tar17：tarmin tar，selid spid;第18章：结束第19章：其他20：删除分割策略shk spid;：//那些云不能满足shspid第21章：结束第22章：不一样23：Take sh k selid;：作为服务组合的拆分点;第24章：不一样第25章：不一样4. 模拟在模拟过程中，我们只考虑了复合请求只有序列结构的系统。服务组合的其他类型的结构，例如循环、序列结构、并行结构、循环结构和案例结构，可以通过一些方法转换成序列结构（Li等人， 2013年）。我们使用matlab 2021作为我们的仿真工具。我们的仿真环境是Windows 8.1（Inter Core i7-4790，16 G内存，1 T硬盘）。4.1. 仿真环境在范围内的复合请求中有50个原子服务（Palade和Clarke，2018;Yang等人， #20200;统一的标准。有500个云，每个原子服务属于云的可能性大约为10%。复合请求的数量从240到300不等，比例尺为10。有关云的信息列于表2。函数SPi;j兰德（1，20）NIk;l兰德（1，5000）MIRR=i;j=Rand（1，5）M/sa，ba¼Rand= 1; 3π，b ¼1（minv;maxv）”返回一个随机值在的范围[minv;maxv]的平均值。minv和maxv是范围的最小值和最大值。4.2. 比较在这一节中，我们将从不同的方面比较我们的方法与其他方法。其他方法包括All-C（All-Cloud）（Wang等人，2020）、Com2（Wang等人，2020）和DC-C（DC-Cloud）（Zhang等人，2016年）。我们将在各种复合请求（NSR）下评估这些方法：平均执行时间（AET），平均能耗（AEC），平均云数（ANC），传输文件的平均大小（ASFS）和传输文件的平均能耗（ECTF）。4.2.1. 平均能耗图2显示了在不同NSR下复合请求的平均能耗。一般来说，所有方法都随着NSR的增强而增加能量消耗。随着NSR的增强，系统负载得到改善，因此所有方法都需要更多的时间来在云中传输文件。EASC、DC-C、Com 2和ALL-C的平均AEC分别为7.45（e + 03）、8.40（e +03）、8.90（e + 03）和9.42（e + 03）。AEC从大到小的顺序为：EASC、DC-C、Com 2和ALL-C。EASC在AEC中的值最小。与DC-C、Com 2和ALL-C的AEC相比，EASCEASC在AEC中具有最小值，因为它考虑了分裂点对调度的影响（算法1），当服务具有目标函数值的最小值和次小值之间的最大间隔时，它给予相对可行的组合请求较高的优先级。DC-C、Com 2和ALL-C首先调度具有复合请求所需的大量原子服务的云，这忽略了传输文件的能量消耗。4.2.2. 平均执行时间图3示出了不同NSR中的各种方法的平均执行时间。所有方法的AET都随着复合请求数量的增加而增加。EASC、DC-C、Com 2和ALL-C的平均Δ λ分别为0.99（e+03 s）、1.08（e+ 03s）、1.08（e +03 s）、1.09（e +03 s）和1.08（e +03s）。1.12（e +03s）和1.18（e +03s）。EASC在AET中的值最低，其次是DC-C、Com 2和ALL-C的值。对DC-C、Com 2和ALL-C，EASC平均降低80.02（s）、124.86（s）和183.34（s），分别降低7.41%、11.10%和15.49%。DC-C，Com2，参数范围参数范围IJ50050RPi;j兰德（1，10）兰德（1，100）MI/sK240至300，10分制MAXSi;j兰德（1，2000年）Pi兰德（1，5）如果k;l兰德（1，100）SRi;j兰德（1，5）M/sOFk;l兰德（1，100）J. Li，Y. Zhong，S. Zhu等人沙特国王大学学报3965这些方法的使用率随着NSR的增强而增加。EASC、DC-C、Com 2和ALL-C的平均NIC分别为4.01、4.50、4.77和5.12。EASC在不同NSR下的NIC值最低与DC-C、Com 2和ALL-C的NIC相比COM 2和ALL-C首先调度具有复合请求所需的大量原子服务的云，而不考虑离开原子服务的调度，这会使得一些复合请求需要更多的云来复合，从而提高了可重用性。与其他方法类似，EASC也为复合请求提供更高的优先级。此外，EASC还确保大多数子组合请求可以在一个云中得到满足，并保持传输文件和完成业务的能耗值较低。图二. 具有各种NSR的AEC。4.2.4.平均传输文件和传输文件图5显示了在不同NSR下使用这四种方法在云之间传输文件的大小。一般来说，EASC相对于FS具有最低值。EASC、DC-C、Com 2和ALL-C的平均FS分别为：302.65（m）、350.31（m）、378.47（m）和378.47（m）。413.90（m）。与其他方法相比，EASC对输入文件和输出文件进行加权，减少了传输文件的大小。‘‘Max-Min-Min” shows that DC-Chas a different图三. 各种NSR的AET。而ALL-C则对复合请求所需原子服务数量较多的云给予较高的优先级，忽略了文件传输的时间。EASC不仅考虑了文件传输的时间，而且考虑了调度顺序对调度结果的影响。这两个方面使得EASC在减少平均执行时间方面表现4.2.3. 所涉及的云图4示出了当复合请求的数量从240变化到300时的平均延迟，尺度为10。平均图五、具有各种NSR的ASFS见图4。 具有各种NSR的NIC。见图6。 ECTF与各种NSR。J. Li，Y. Zhong，S. Zhu等人沙特国王大学学报3966图6示出了在各种NSR下传输文件的能量消耗。一般来说，当NSR增加时，所有方法都有增加的趋势。根据ECTF值的大小，这些方法的顺序为：EASC，DC-C，Com 2和ALL-C。与DC-C、Com 2和ALL-C的ECTF相比，EASC 图6中的趋势与图5中的趋势不同。由于传输输入文件和输出文件的功率不同，我们给它们不同的权重，因此尽管其他方法在FS中具有相同的值，但EASC在ECTF中具有最低的值。例如，当系统具有较高负载（NSR = 300）时，DC-C和Com 2具有相同的趋势，换句话说，DC-C具有较低的NSRs数（图5），EASC具有用于传输文件的能耗的最低值。5. 结论在本文中，我们研究了多云环境下的服务消费。基于我们的分析，我们根据每个云可以提供的复合请求的数量（复合请求由一个云中的所有原子服务组成）为云分配不同的顺序;我们对输入和输出文件的大小赋予不同的权重，并使用最好和第二的值来确定复合请求的调度顺序在此基础上，考虑了计算和传输文件的能量消耗，提出了一种基于能量感知的服务组合算法（EASC）。仿真结果表明，我们提出的方法减少了能源消耗，涉及的云的数量，和执行时间。在我们未来的工作中，我们可以考虑云的动态云的处理能力有局限性，不同数量的原子服务可能会发生变化。如何组合原子服务是未来需要解决的问题。大多数服务组合方法考虑多个QoS（Yang等人，2020; Wei等人，2010; Wang等人，2020年; Sun等人， 2020年）。我们希望我们可以解决能源消耗的问题，同时保持其他指标，如可靠性，稳定性，信任度，等等。利益冲突我们声明我们没有利益冲突。致谢本 研 究 得 到 了 福 建 省 科 技 计 划 项 目 （ No.2019J05123 ，No.2020H0023，No.2020Y9064）和福建省第五轮健康与教育研究计划联合基金（No.2019-WJ-41）的部分支持。引用Palade，A.，Clarke，S.，2018.基于Stigmery的移动社区灵活服务组合QoS优化。在：2018年IEEE世界服务大会（SERVICES），pp。27-28.https://doi.org/10.1109/SERVICES.2018.00027网站。Dongre，Y.V.，英格尔，R.B.，2019.异构设备服务组合中基于QoS的资源优化分配。在 ： 2019 年 通 信 和 电 子 系 统 国 际 会 议 （ ICCES ） ， 第 100 页 。 763-767https://doi.org/10.1109/ICCES 45898.2019.9002278.罗梅罗，O.J.，2019.移动与普适计算中认知代理的动态服务组合在：2019年IEEE世界服务大会（SERVICES），pp。390-391.https://doi.org/10.1109/SERVICES.2019.00118网站。Asghari，P.，Rahmani，A. M.，贾瓦迪H.H.S. 2018.物联网中的服务组合方法：系统综述。J.Netw. Comput. Appl.120，61-77. https://doi.org/10.1016/j.jnca.2018.07.013.郝，Y.，曹杰，王建奎，杜，J.，2020.边缘计算中的能量感知调度与聚类方法。未来一代计算机系统117，259-272。https://doi.org/10.1016/j.future.2020.11.029网站。郝，Y.，曹杰，王建奎，妈妈，T.，2021.移动云计算中基于优先级的能量感知卸载。可持续计算：信息学与系统31. https://doi.org/10.1016/j.suscom.2021.100563网站。郝，Y.，王建奎，曹杰，妈妈，T.，杜，J.，张，X.，2022.能量消耗的区间灰数有助于移动环境中的任务卸载。ICT Express。https://doi.org/10.1016/j.icte.2022.03.005 网站。Huf ， A. ， Siqueira ， F. ， 2019 年 。 异 构 Web 服 务 的 组 合 ： 系 统 综 述 。 J. Netw.Comput. Appl.143，89-110. https://doi.org/10.1016/j的网站。jnca.2019.06.008网站。杨志，丁，Y.，Hao，K.，蔡某，2019.一种面向服务的农业物联网自适应免疫算法。神经计算344，3-12。网址：//doi. org/10.1016/j.neucom.2018.06.094。Ridhawi，Y.A.，Karmouch，A.，2015年。移动网络中基于语义的分散式无计划IEEE传输服务Comput.8（1），17-31。https://doi.org/10.1109/TSC.2013.2297114网站。袁，M.，周志，蔡某，孙角，澳-地顾维钧，2020.云制造中的服务组合模型与方法。机器人Comput.积分制造61，101840。https://doi.org/10.1016/j.rcim.2019.101840网站。Yu，D.，张，L.，刘，C.，周，R.，徐，D.，2020年。关键字查询驱动的Web服务自动环球网https://doi.org/10.1007/s11280-019-00742-5.杨，T.，赵，X.，王，X.，Lv，H.，2020.使用对抗性和合成样本评估面部识别网络服务。神经计算https://doi.org/10.1016/j.neucom.2019.11.117.Wei，G.，Vasilakos，A.V.，郑宇，Xiong，N.，2010年。云计算服务公平资源分配的博弈论方法超级计算机。54（2），252- 269。https://doi.org/10.1007/s11227-00