网格市场中基于信任过滤的计算节点选择方法

摘要

本发明针对节点自私性造成的不可靠网格环境，将信任机制引入Buyya的计算市场模型，提出了网格市场中基于信任过滤的计算节点选择方法，以克服原有基于时间和预算约束(DBC)算法的不足。资源代理通过对各个可能资源进行初步筛选，然后计算使用各个可用资源的机会成本，选取机会成本最小的可用资源，执行作业。相比传统方法，采用该方法能有效激励可靠资源的提供者，用户作业失效率显著下降，综合成本节约了8％～10％。

主权项

1.网格市场中基于信任过滤的计算节点选择方法，其特征在于包括以下步骤：1)用户向资源代理提交作业请求资源代理：通过网格信息服务找到可用资源，并采用一定的调度方法将任务分派给资源执行；用户的作业请求中包含一定约束条件，包括：每个作业都有一定的长度Li，整个作业有预算和截止期限约束(B，D)，就是说该组子任务必须在费用B内，D时间之内完成，否则无效；作业有对资源信誉属性的要求T，就是说执行该作业的资源的信誉值不能低于T；2)资源代理从资源信息中心获取可用资源的列表资源代理通过网络，查询网络上所有可能的网格信息服务，寻求可用资源信息，资源应该满足用户的约束条件，代理收集得到的资源信息，准备使用；网格中的一组资源，每个资源包括有带宽，速度，价格，信誉属性，分别表示从代理到资源之间网络带宽，任务在资源上执行的速度和任务执行时的价格以及可靠性程度；3)资源代理根据用户作业的资源信誉属性的要求，过滤可用资源信息；4)资源代理计算使用各个可用资源的机会成本借助于经济学原理中机会成本的思想，把用户正常执行作业的花费视为显性成本explicit_cost，而由于资源风险造成的作业失效视为用户的机会成本损失opportunity_loss；需要从价格和风险两方面权衡机会成本，可以用公式(1)表示：opportunity_cost＝explicit_cost+opportunity_loss    (1)其中，显性成本explicit_cost主要取决于作业长度、资源处理速度以及价格，即：explicit_cost＝(job_length/processing_speed)*cost_per_second  (2)机会成本损失主要取决于风险概率(1-T)和惩罚特性penalty_feature；即有(3)：opportunity_loss＝(1-T)*penalty_feature    (3)其中T为资源的信任值，T的取值范围为[0，1]；而惩罚特性指作业延时或者 被中断时的损失特性，按比例的计算方法，即一旦作业失效，按作业的本身的价值以及作业的失效敏感程度，计算惩罚；即作业的惩罚特性可以用公式(4)计算：penalty_feature＝explicit_cost*β            (4)其中explicit_cost由公式(2)得到，失效敏感因子β取[0，1]内的实数，值越大表明失效对作业造成的损失越大；将(4)代入(3)中，可以得到失效惩罚的计算方法(5)：opportunity_loss＝(1-T)*explicit_cost*β      (5)将(2)，(5)代入(1)中，得到成本的计算方法，即式(6)：opportunity_cost＝(job_length/processing_speed)*cost_per_second*[1+(1-T)*β]                 (6)5)资源代理根据公式(6)计算各可选资源机会成本大小，根据机会成本的大小对可选资源进行排序；6)根据排序结果，选择最小机会成本资源；7)资源代理提交作业到最小机会成本资源，等待作业结果；8)根据作业执行结果进行后续步骤作业如果按时成功执行，则进行支付报酬、下载结果文件，并回馈正面的评价，发送到资源信息中心；如果执行超时或失败，则回馈较低的评价，将评价发送到资源信息中心，并从排序列表中删除该资源，然后跳转到步骤5)，直到作业完成；9)资源信息中心根据用户反馈计算资源信誉令U为计算市场中的服务请求者，P为服务提供者，U从P请求服务的过程定义为U和P的交易，而交易回馈信息则包含了U对P的评分及相关认证信息；定义D_U→P为U对P的直接信任度，表示U根据与P的直接交易回馈信息得到的信任关系，R_U→P表示U根据其他节点的推荐而得到的对P的信任关系，即推荐信任度，可以随机选取多个推荐节点，取其多个推荐的平均，则U对P提供服务的信任度T_U→P可以用公式(7)，(8)，(9)表示：T_U→P＝α*D_U→P+(1-α)*R_U→P，α∈[0，1]            (7) (m+n+l＞0)                  (8)其中在公式(7)中，α是自信因子，α越大则直接信任占的权重越大，公式(8)中，m为成功交易次数，n为失败交易次数，l为作业延迟的次数，若U和P未曾有过交易，则m，n，l均为0，此时定义直接信任度为0；公式(9)中，N为用户总数，k为随机选取的推荐人的数目；假设T_U→P是[-1，1]内的实数，-1代表完全不信任，1代表完全信任，值越大表示用户对资源可靠性的信心越足。