欢迎访问一起赢论文辅导网
SCI期刊论文
当前位置:首页 > SCI期刊论文
安全与成本感知的实例密集型云工作流调度方法
来源:一起赢论文网     日期:2017-08-27     浏览数:2872     【 字体:

 计算机集成制造系统 第23卷0 引言随着电子商务、先进制造等产业的快速发展,具有大规模并发实例(以下简称实例密集型)的应用日益广泛。网上订票、网络购物等应用便是典型的实例密集型应用,这些应用每天都存在百千万级的交易实例,且实例规模具有短时间内激变的特性。工作流系统是该类具有流程特性的业务实施自动化的有力支撑工具,但传统的工作流系统很难满足这类应用的处理需求。云计算技术的出现为解决这类应用难题提供了一种新方式。通过将工作流系统建立于云平台之上(以下简称云工作流系统),即有可能利用云平台上丰富的资源满足这类应用需求。在该背景下,实例密集型云工作流(instance-in-tensive cloud workflow)研究开始引起了国内外学者的关注,并已产生一系列实例密集型云工作流调度方法。然而,根据云计算环境与工作流的特点,这些调度方法仍存在一些不足,具体表现有:①未考虑实例密集型工作流在云环境中 执行时的安全需求(如保障数据私有性与数据完整性、抗抵赖等安全需求)。对用户而言,云计算环境中存在多方面的潜在安全风险,实例密集型应用中也包含着大量对安全敏感的业务过程,因此在调度时考虑安全需求与安全风险,有助于提高或者保 障这些应用的安全性。②未考虑如何利用并发工作流实例在数据等方面的关联或约束关系进行实例方面的处理,将多个并发实例进行合适的分组、合并后再分配资源,以优化用户使用云资源的成本。已有研究证明了实例方面处理有利于减少资源冲突并降低资源的使用成本[1-2],但这种多个实例分组合并、用户共享资源的处理方式可能会出现安全问题。例如,原本多个并发工作流实例之间的数据是相互独立的,但通过实例方面处理后关联到一起时,恶意用户可能会借此通过合成或者推断等技术手段窃取其他用户的隐私数据。为此,本文进一步考虑了云计算环境中实例密集型工作流的安全需求,将信任机制融入实例方面的分组合并过程,研究了基于用户信任度的工作流实例方面处理策略,并结合该策略提出一种具有安全与成本感知能力的实例密集 型云工作流调度方法,以实现在优化云资源使用成本的同时,减少可能出现的用户隐私数据泄露等安全风险。1 相关研究关于实例密集型云工作流的现有研究主要集中在设计支持实例密集型应用的云工作流系统架构和调度算法两方面。例如,根据实例密集型应用对云工作流系统在吞吐量、弹性扩展能力和成本效益等方面的需求,文献[3]提出一种面向业务过程的平台即服务(Platform as a Service,PaaS)框架,文献[4]提出一种新型 Client-Cloud架构的云工作流系统设计方 案,并 构 建 了 SwinFlow-Cloud原 型 系 统。在调度算法研究方面,文献[5]针对基于网格的云计算环境,提出一种可最大化呑吐 量的策略(Through-put Maximisation Strategy,TMS),该策略包括相邻平均负载(Opposite Average Load,OAL)算法与扩展最 小 最 小 (Extended Min-min,EMM)算 法:OAL通过在实例层次实现总体负载均衡来增大总呑吐量,EMM 通过在任务层次充分提高资源利用率来进一步扩大呑吐量。文献[6]针对商业云工作流环境,提出一种可平衡时间与成本算法(Compro-mised-Time-Cost algorithm,CTC),该算法可细分为在用户指定的截止时间内最小化执行成本的算法(Compromised-Time-Cost algorithm Minimisingexecution Cost,CTC-MC),以及在用户指定的成本预 算 内 最 小 化 执 行 时 间 的 算 法 (Compromised-Time-Cost algorithm Minimising execution Time,CTC-MT),以满足不同的用户需求。文献[7]针对在云计算环境下可能因资源故障导致任务执行中断等问题,引入信任机制来评估资源的可靠性,并通过预估资源执行任务时成功与失败的概率,提出一种信任驱动的实例密集 型 云工作 流调度算法。文献[8]研 究 了 软 件 即 服 务 (Software as a Service,SaaS)应 用 中 多 租 户 实 例 密 集 型 工 作 流 的 调 度 算法,可在满足不同优先级租户的过程实例截止时间约束的前提下,尽量降低高优先级租户过程实例的平均执行时间。但是,这些调度算法均未考虑用户或任务的安全需求,而随着云计算的发展,用户对云计算的安全性要求越来越高,安全性已成为用户最关注的一个方面[9]。安全感知的调度旨在保障任务执行性能的同时满足一定的安全需求,尽管目前这方面的研究成果相对较 少,但 已 引 起 越 来 越 多 学 者 的 关 注。文 献[10]从系统底层资源管理的角度,将网格节点分为安全、危险和可能安全3类,提出相应的网格环境下对任务执行进行动态性安全保证的遗传调度算法;文献[11]研究了对存在安全需求的任务进行调度时的安全开销模型,提出一种集群环境下安全感知的596计算机集成制造系统 第23卷量越多,但可能引发的安全风险概率也会增加。定义4 假设云计算平台可提供不同租赁价格和配置的虚拟机类型,并按一定时间单元(如1min或1h)计费,虚拟机类型vtype=?cpci,pricei?。其中:cpci表示其计算能力大小,pricei 表示其单个时间的单元租赁费用。可供调度使用的虚拟机总数为Nvm ,各虚拟机表示为vmi=?vtypei,VRTi,vrema-in_timei,SPi,STIi?,其中 :vtypei表示该虚拟机的类型,VRTi表示已租赁使用该虚拟机的时间单元的集合,vremain_timei表示该虚拟机当前的空闲时间槽;SPi表示该虚拟机可提供的不同类型安全服务的安全级别,SPi=?SPi1,SPi2,…,SPiq?,SPij∈[0,1];STIi表示分配到该虚拟机上执行的任务实例与任务执行实例集合。定义5 分配给任务实例、任务执行实例的虚拟机资源需满足相应任务的安全需求。设有虚拟机vml、任务实例tijk、任务执行实例ntij,若 x∈{1,…,q}均有SRix≤SPlx成立,则称vml满足tijk与ntij的安全需求。定义6 任务实例、任务执行实例为完成其本身计算任务所需的时间称为计算开销,使用安全服务产生的额外时间开销称为安全开销。安全开销与所采用安全服务的类型和安全级别等因素相关,假设给任务实例tijk分配的虚拟机为vml,则tijk的计算开销和安全开销分别为ET(tijk)和SC(tijk,vml),且ET(tijk)=Wi/vcl。基于上述 定 义,假 设 需 要 执 行 的 工 作 流 实 例总数为 Nwi、截止时间为 ODL,则根据云平台计费时间周期,可 将 ODL 划 分 为 Nt个 连 续 的 时 间 单元,从而完 成 这 些 工 作 流 实 例 所 需 的 总 成 本 可 表示为COST =∑Nvmi=1∑Ntj=1Rij·vpi。 (1)式中:Rij表示各虚拟机的租赁情况,Rij∈{0,1},若根据调度结果需要在第j个时间单元租赁使用虚拟机vmi,则Rij=1,否则 Rij=0;vpi 表示虚拟机vmi的单个时间单元租赁费用。因此,本文研究的问题可描述为:如何在满足截止时间与安全需求约束的前提下,设计合适的实例密集型云工作流调度算法,以尽可能优化所需的总成本,同时尽量减少实例方面分组合并可能引发的安全风险。为便于介绍调度算法,下面首先讨论实例方面处理策略的设计。3 基于用户信任度的工作流实例方面处理策略3.1 基本思想信任是分布式计算环境中一种重要的安全替代手段。因此,本文借鉴信任管理的基本思想,将信任机制作为降低实例方面分组合并过程中潜在安全风险的途径,提出一种基于用户信任度的工作流实例方面处理策略。图1所示为该策略的基本原理与执行过程。如图1所示,由不同用户请求产生的可实例方面处理任务的实例,首先根据其对应的任务送往不同的初始队列,同一队列中的任务实例均对应同一工作流任务,然后在实例方面处理控制器的管理下,对这些初始队列进行信任度感知的任务实例分组与合并,以减少实例方面分组合并可能引发的安全风险。具体步骤为:(1)将各个初始队列中的任务实例分别按照一定条件划分为若干个初始分组,同一分组中的任务实例在分组选择数据项上的取值相同。(2)对各个初始分组分别计算任务实例所隶属用户的信任度平均值,并将超过平均值的相应任务实例划分到高可信分组,将其他任务实例按其对应的用户信任度排序后依次划分到 若干个低可信分组,各个低可信分组中的任务实例数目均不超过k。(3)分别合并各个信任分组中的任务实例,并将合并结果送往不同的任务执行实例队列,同一队列中的任务执行实例均对应同一工作流任务。对于任务执行实例队列,资源分配器根据相关算法将其中的任务执行实例分配到合适的资源上执行,如 云 计 算 环 境 中 的 虚 拟 机 (Virtual Machine,VM)资源。执行结束后,实例方面处理控制器与工作流引擎的其他组件将根据工作流定义进行数据分发等操作,以保障后继任务的执行。598 文一凭 等:安全与成本感知的实例密集型云工作流调度方法实时调度算法,但其工作主要针对彼此之间独立的任务;文献[12]考虑异构分布式环境中任务对处理节点的安全性要求以及实体间的动态信任关系,将安全技术加入任务中以提高任 务执行行为的安全性,研究了任务执行行为的安全性开销计算方法和安全性风险评估方法,并提出一种安全性驱动的任务调度算法;文献[13]以最小化安全开销及最大化总安全级别为目标,提出一种网格环境下安全性驱动的多目标任务调度优化方法。这些调度方法从不同角度考虑了调度中的安全问题,但并不完全适用于云计算环境。文献[14]考虑了云环境下工作流应用的安全需求,并基于安全与成本因素引入了不可移动数据集的概念,以最小化完工时间(makespan)为目标,提出一种安全与成本预算感知的云工作流调度方法;文献[15]以最小化云工作流执行成本为目标,将安全性风险概率与截止时间作为约束条件,提出一种基于粒子群优化(Particle Swarm Optimi-zation,PSO)的科学工作流 调度方法。但是,这些方法主 要 针 对 单 个 工 作 流 实 例 的 执 行 优 化 而 设计,并不适用于实例密集型工作流,而且这些研究均未考虑如何根据实例密集型应用的特点对一组并发实例 进 行 实 例 方 面 的 处 理,以 降 低 云 资 源 的使用成本。虽然文献[1-2]研究了如何在传统的工作流系统 中 实 现 实 例 方 面 处 理,但 未 考 虑 其 中 可能出现的安全问题。而信任已被一些学者认为是实现云环 境 安 全 的 一 个 核 心 要 素,对 云 计 算 环 境中用户和云服务提供商的信任值评估也已产生一系列成果[16]。因此,本文在上述研究的基础上,进一步探讨如何通过基于用户信任度的工作流实例方面处理 策 略,实 现 安 全 与 成 本 感 知 的 实 例 密 集型云工作流调度。2 问题描述本文主要针对支持实例方面处理的工作流,并认为用户是向云工作流系统提出工作流服务请求的主体,而计算成本(即虚拟机租赁费用)是工作流执行成本的主要组成部分,数据传输与存储成本暂不考虑。相关概念具体介绍如下:定义1 支持实例方面处理的工作流是一类包含可进行实例方面处理任务的特殊业务过程,描述为一个四元组?T,E,SRS,U?,其中:(1)T 为 一 组 工 作 流 任 务 集 合,T= {ti|ti=?ID,Typei,Ii,Oi,IAPi,Wi,SRi,SDi?}。 其 中 :ID 为任务编号,具有唯一性;Typei为任务的执行类型,分为普通执行与可实例方面处理两种类型;Ii和Oi分别为与该 任 务相关 的 输入与输 出 数据集,IAPiIi 为可实例方面处理任务的分组选择数据项集;Wi描述了该任务的计算工作量(以指令数来衡量)大小。(2)E 为一组有向边集合,用来 描 述 工 作 流 任务间的控制流依赖情况,E= {?ti,tj??ti,tj? ∈T×T}。若?ti,tj? ∈E,则称ti为tj的 前 驱 任 务、tj为ti的后 继 任 务;若ti不 存 在 前 驱 任 务,则 称 其为开始任 务;若tj不 存 在 后 继 任 务,则 称 其 为 结束任务。(3)SRS 为一组安全需求集合,用来描述相关工作 流 任 务 的 安 全 需 求,SRS= {SRSi|SRSi =?ID,SRi,SDi?}。 其中 :ID 为存在安全需求的任务编号;SRi描述了该任务的安全需求,SRi=?SRi1,SRi2,…,SRiq?,SRij∈ [0,1]表示 任务在执 行时使用的第j类安全服务需要达到的安全级别;SDi描述了该 任 务 使 用 这 些 安 全 服 务 时 涉 及 的 数 据 量大小。(4)U 为一组可使用该工作流的用户集合,U={ui|ui=?uID,uname,uD?}。其中:uID 为用户ui的唯一标识,uname 为用 户 名 称,uD 为ui的 描 述信息。定义2  工 作流任 务ti的第j个实例 表 示 为tijk,其中k 为 该 任 务 实 例 所 属 工 作 流 实 例 的 编 号(具有唯一性)。EST(tijk)和LFT(tijk)分别为tijk的最早开始时间和最晚完成时间,W (tijk)为tijk的计算工作量大小,并假设 W (tijk)=Wi。若tijk为开始任务实例,则 EST(tijk)为tijk所属工作流实例的到达时间。定义3 对同一可实例方面处理的任务,在分组选择数据项取值相同的多个实例进行分 组合并时产生 的 新 的 实 例,称 为 任 务 执 行 实 例,表 示 为ntij,其中j表 示 该 任 务 执 行 实 例 对 应 的 任 务 实 例分组编 号 (具 有 唯 一 性 )。ntij的 最 晚 完 成 时 间LFT(ntij)= min{LFT(t)|t∈group(j)},其 中group(j)为ntij对应的分组j。ntij的计算工作量大小 W (ntij)=Wi+η·Wi·(Nj-1),其 中:η表 示任务实例之间在具体处理时存在差异的部分在 Wi中所占的比例(任 务 实 例 之 间 重 复 的 部 分 通 过 合并后只需执 行 一 次);Nj表 示group(j)中 的 任 务实例数目,Nj越 大,可 避 免 重 复 执 行 的 计 算 工 作597期:2016-06-29;修订日期:2016-10-17。Received 29June 2016;accepted 17Oct.2016.基金项目:国家自然科学基金资助项目(61402167,61572187,61672276,61402168);国家科技支撑计划资助项目(2015BAF32B01);湖南省教育厅创新平台开放基金资助项目(17K033);湖南省自然科学基金资助项目(2017JJ4036,2016JJ2056);湖南省教育厅重点资助项目(15A064)。Foundation items:Project supported by the National Natural Science Foundation,China(No.61402167,61572187,61672276,61402168),the National Key Technology R&D Program,China(No.2015BAF32B01),the Innovation Platform OpenFoundation of Hunan Provincial Education Department,China(No.17K033),the Hunan Provincial Natural Science Foundation,Chi-na(No.2017JJ4036,2016JJ2056),and the Key Project of Research Fund in Hunan Provincial Education Department,China(No.15A064).安全与成本感知的实例密集型云工作流调度方法文一凭1,2,窦万春1,刘建勋2,陈爱民3,周旻昊4(1.南京大学 计算机软件新技术国家重点实验室,江苏 南京 210023;2.湖南科技大学 知识处理与网络化制造湖南省普通高校重点实验室,湖南 湘潭 411201;3.湘潭市规划信息技术研究中心,湖南 湘潭 411000;4.湖南华菱湘潭钢铁有限公司,湖南 湘潭 411201)摘 要:针对现有实例密集型云工作流调度方法未考虑安全需求及未引入实例的不足,构建了相应的调度模型,并通过借鉴信任管理的思想,提出基于用户信任度的工作流实例方面处理策略以及一种安全与成本感知的实例密集型云工作流调度算法(SC-ICW)。该算法可在满足截止时间与安全需求约束的前提下优化执行成本,并减少实例方面处理可能引发的安全风险。通过仿真实验说明了该算法的有效性。关键词:实例密集型云工作流;安全;成本;用户信任度;调度中图分类号:TP311   文献标识码:ASecurity and cost aware scheduling method for instance-intensive cloud workflowsWEN Yiping1,2,DOU Wanchun1,LIU Jianxun2,CHEN Aimin3,ZHOU Minhao4(1.State Key Laboratory for Novel Software Technology,Nanjing University,Nanjing 210023,China;2.Key Laboratory of Knowledge Processing and Networked Manufacture,Hunan University ofScience and Technology,Xiangtan 411201,China;3.Planning Information Technology Research Center of Xiangtan,Xiangtan 411201,China;4.Xiangtan Iron & Steel Co.,Ltd.of Hunan Valin,Xiangtan 411201,China)Abstract:To overcome the shortcomings in existing scheduling methods for instance-intensive cloud workflow,ascheduling model that considered security requirements and instance-aspect handling of workflows was constructed.The instance-aspect handling strategy among concurrent workflow was proposed based on users trust degree.A se-curity and cost aware scheduling algorithm for instance-intensive cloud workflows named SC-ICW was designed,which could meet the security requirements under the deadline constraint and reduce the cost and security risks in-volved in the instance-aspect handling of workflows.The effectiveness of proposed algorithm was illustrated withsimulation experiments.Keywords:instance-intensive cloud workflow;security;cost;users trust degree;scheduling 文一凭 等:安全与成本感知的实例密集型云工作流调度方法3.2 用户信任度的评估信任本身是一个很难严格定义的复杂概念,具有上下文相关性、动态性、不对称性、可度量性等特性[16]。信任度是信任的定量表示,根据不同计算环境中的安全需求,许多有价值的信任模型已被提出。本文结合工作流应用与云计算环境的特点,将用户的信任度分为直接信任度和声誉两部分。用户的直接信任度首先根据用户在云工作流系统中验证通过的注册信息的完整度(如身份ID、手机号、E-mail等)设置初始评价值。注册信息的完整度越高,初始评价值越高。然后根据该用户最近n个工作流服务请求的情况,以及这些工作流服务请求的类型、重要性等因素设置动态评价值。设对用户ui的初始评价值、动态评价值分别为 STi和DTi,则ui的直接信任度Ti = w1·STi+w2·DTi。 (2)式中:STi∈[0,1];DTi∈[0,5];w1与 w2为权重,可根据具体的工作流应用上下文环境等情况进行设置。用户的声誉根据其他用户的反馈评价信息给出。设对用户ui的反馈评价信息有 N 个,则ui的声誉Ri =∑Nj=1ωij·FRij。 (3)式中ωij为对用户ui的第j个反馈评价信息FRij的权重。反馈评价信息距离现在的时间越近,或者提供反馈的用户的信任度越高,相应的权重越大。综合式(2)和式(3),用户ui的信任度为UTi=Ti+Ri。3.3 处理实例图2给出了简化的网络购物业务过程实例。如图2所示,各用户首先提交购物需求(任务 A);系统接收到购物需求后便检查库存(任务 B),若库存不能满足用户需求,则通知相关用户(任务 C),否则选择合适的物流公司服务(任务 D),并由物流公司安排快递员送货(任务 E);用户验收所采购的物品后再汇款(任务 F),并给出购物评价(任务 G)。图 2中虚线框内的任务均为可进行 实例方面处理的任务,即多个用户的物品可由同一物流公司服务,且可安排同一快递员送货。假设系统在某时刻的运行状态如表1所示,系统中同时存在5个网络购物业务过程实例等待执行选择物流公司(任务 D),则可采用本策略将这些待执行任务 D 的任务实例送往同一初始队列,并进行信任度感知的任务实例分组与合并,具体步骤为:①将该初始队列中的任务实例划分 为两个初始分组{d1,d3,d4,d5}及{d2},同一初始分组中的任务实例在分组选择数据项“送货城市”上取值相同;②假设k=2,根据用 户 信 任 度 平 均 值 将 初 始 分 组 {d1,d3,d4,d5}划 分 为 {d1,d3}和 {d4,d5};③ 将 {d1,d3},{d4,d5}和{d2}分别进行合并,将合并结果送往同一任务执行实例队列,例如{d1,d3},{d4,d5}和{d2}分别合并为一个新的任务执行实例 de1,de2和de3。表1 网络购物业务过程在某时刻的执行情况过程实例用户用户信任度选择物流公司(任务 D)执行相关信息任务实例物品名称物品数量送货城市对应任务执行实例P1 U1  5.2 d1 Item1  2 City1 de1P2 U2  3.1 d2 Item2  1 City2 de3P3 U3  4.9 d3 Item3  1 City1 de1P4 U4  3.1 d4 Item4  2 City1 de2P5 U5  2.8 d5 Item5  2 City1 de24 调度算法设计结合上述策略,本文设计了一种安全与成本感知的实例 密 集 型 云 工 作 流 调 度 算 法 (Security andCost aware scheduling algorithm for Instance-in-tensive Cloud Workflows,SC-ICW)。算法的基本思想是根据截止时间与安全需求约束,不断将处于就绪状态的普通任务实例与任务执行实例逐一尝试分配到当前已租用且存在空闲时间槽的合适的虚拟机中,若分配失败则新租用一个租赁费用最低的合适的虚拟机后再分配。算法1描述了该算法的主要步骤。算法1 SC-ICW。输入:截止时间ODL,安全需求集SRS,总数为Nvm 的虚拟机集VMS,总数为 Nwi的工作流实例集WIS,低可信分组中的任务实例数目最大值k。输出:虚拟机分配方案。1 TS=getAllTasks(WIS);assignedTS=;2 calculateLFT(TS);599计算机集成制造系统 第23卷3 While(TS!=assigneTS)4  {RTS=getReadyTasks(WIS);5   ?IniQs,NQs?=createQueues(RTS);IAPQs=;6   For each queue in IniQs7    {SortByLFT(queue);8    IAPQs=IAPQs∪GroupAndCombine(queue,k);}9   For each queue in IAPQs or NQs10    For each task in queue11     {VMT=HavingIdleTimes(VMS);12     If vm=ExistsRequiedVM(task,VMT)13        AssignTask_Up(task,vm);14     Else{vm=RequiedNewVM(task,VMS);15        AssignTask_UpN(task,vm);}16     Update(assignedTS,task);}17  }SC-ICW 算法主要包括以下几个步骤:步骤1(语句1) 构建待分配资源的任务实例集 TS,将已分配资源的任务实例集assignedTS 初始化为空。步骤2(语句2) 计算 TS 中各任务实例的最晚完成时间。步骤3(语句3) 若任务实例未分配完,则不断执行循环体。步骤4(语句4~5) 选出 TS 中处于就绪状态的任务实例,其或者是工作流实例中开始任务的实例,或者其前驱任务实例均已分配资源,并根据其对应的任务送往不同的初始队列。其中:IniQs为可进行实例方面处理任务的初始队列集,NQs为普通任务实例的初始队列集,IAPQs为任务执行实例队列集。步骤5(语句6~8) 对IniQs中的各个队列,首先将其中的实例按照最晚完成时间进行排序(语句7),以便在分组时使同一分组中实例的最晚完成时间尽量接近;然后根据基于用户信任度的工作流实例方面处理策略,将队列中的元素进行分组合并,并将各任务执行实例送往IAPQs中合适的队列。步骤6(语句9~16) 对IAPQs和 NQs 各个队列中的各个实例task 分配资源。语句11表示构建 当 前 已 租 用 且 存 在 空 闲 时 间 槽 的 虚 拟 机 集VMT;语句12~13表示若VMT 中有合适的虚拟机vm 可满足task 的安全需求约束,且可使用vm的空闲时间槽在LFT(task)前执行完task,则将vm分配给task,并更新vm 的空闲时间槽等信息,其中若存在多个合适的虚拟机,则选择租赁费用最低的vm;语句14~15表示若VMT 中没有合适的虚拟机,则新 租 用 一 个 租 赁 费 用 最 低 的 合 适 的 虚 拟 机vm,将vm 分配给task,并更新vm 已租赁的时间单元、空闲时间槽等信息;语句16表示根据task 更新assignedTS 集,若task为任务执行实例,则将其对应分组中的任务实例都加入assignedTS。另外,该算法的语句2中,将 ODL 作为各工作流实例中结束任务实例的最晚完成时间,这种取值方式可将任务实例以更高的概率分配给租赁费用较低的虚拟机,以优化成本。各任务实例的最晚完成时间具体计算采用文献[8]中的方法。整个算法的时间复杂度为O(n·Nwi·(log Nwi+Nvm )),其中n为工作流任务的数量。5 仿真实验为分析和评估 SC-ICW 算法的性能,在 Cloud-Sim[17]平台上进行仿真实验。工作流模型采用图2中简化的网络购物业务过程。实验中的不同类型虚拟机实例参数如表2所示。安全开销模型采用文献[11]的计算方式,主要考虑机密性、完整性与身份认证3种安全服务的开销。由于异构最早完成时间算法(Heterogeneous Earliest-Finish-Time algorithm,HEFT)[18]与 最 小—最 小 (Minimum-Minimumcompletion time,Min-Min)[19]算法是很多调度算法的基础,实验时分别修改这两种算法,使其考虑截止时间以便进行算法对比,修改后的两种算法分别记为 DHEFT 和 MinMin。表2 不同类型虚拟机实例参数设置实例类型 单价/($·h-1) MIPS/Hzm1_small  0.064  800m1_medium  0.129  1 612m1_large  0.256  3 200m2_xlarge  0.514  6 425另外,由定义3知,在SC-ICW 算法中,可实例方面处理的任务实例之间存在差异的部分在其计算工作量中所占的比例η值越小,或者低可信分组中的任务实例数目最大值k越大,越有利于通过实例方面处理优化成本,但k值越大,可能引发的安全风险概率也会增加。为更好地评价SC-ICW 算法性能,实验中将k设置为2,将η均设置为0.9。图3给出了不同工作流实例数量下(分别为500,1 000,3 000,5 000,10 000,14 000,18 000),根据 SC-ICW 算法、DHEFT 算法和 MinMin算法得出的调度690

[返回]
上一篇:从文本中构建领域本体技术综述
下一篇:一种评估流程相似性查询算法的基准数据集