ترکیب سرویس ابری آگاه از کیفیت سرویس با استفاده از الگوریتم بهینه‌سازی مبتنی بر جغرافیای زیستی

توسعه سریع کاربردهای رایانش ابری منجر به انتشار سرویس‌های ابری زیادی در محیط ابر شده است. سرویس‌های ساده موجود در محیط ابر قادر به پاسخ‌گویی به درخواست‌های پیچیده و مختلف موجود در دنیای واقعی نخواهند بود. لذا برای ایجاد سرویس مرکب مورد نیاز می‌بایست سرویس‌های مختلف انتخاب و ترکیب شوند. ترکیب سرویس‌های ابری آگاه از کیفیت سرویس یکی از چالش‌های مهم در محاسبات سرویس‌گرا است. از آنجایی که تعداد سرویس‌های ساده ارائه‌شده خیلی زیاد است، بنابراین مساله انتخاب و ترکیب سرویس‌ها یک مساله nphard است. در این تحقیق برای حل این مشکل الگوریتم بهینه‌سازی جغرافیای زیستی مورد استفاده قرار گرفته است. برای ارزیابی روش پیشنهادی آزمایش‌های متعددی در 5 سناریوی مختلف با تعداد وظایف و تعداد سرویس‌های مختلف در محیط matlab انجام شده است. سرعت همگرایی روش پیشنهادی در ایجاد سرویس مرکب مورد نیاز بیشتر از سرعت همگرایی الگوریتم‌های ژنتیک و ازدحام ذرات است. همچنین کیفیت سرویس‌های مرکب ایجادشده به عنوان معیار ارزیابی دیگر مورد توجه می‌باشد. میزان گذردهی و نرخ موفقیت روش پیشنهادی به ترتیب برابر 0.999 و 0.998 می‌باشد. همچنین متوسط انحراف معیار در 30 اجرای روش پیشنهادی کمتر از 0.021 است. تمامی این مقادیر نشان‌دهنده برتری روش پیشنهادی نسبت به روش‌های مبتنی بر ژنتیک و ذرات می‌باشد.

Quality of Service Aware Service Composition Method Using BiogeographyBased Optimization (BBO) Algorithm

Fast development in the utilization of cloud computing leads to publishing more cloud services on the cloud environment. The single and simple services cannot satisfy the users’ realworld complex requirements. To create a complex service, it is necessary to select and compose a set of simple services. Therefore, it is essential to embed a service composition system in cloud computing environment. Service composition is one of the important NPhard problems in the serviceoriented computings. In this paper, a biogeographybased optimization algorithm is used to create the optimal compositeservices. The proposed method was simulated and executed on five different scenarios with different number of tasks and candidate services. The throughput of the proposed method, genetic algorithm and particle swarm optimization algorithm are respectively 0.9997, 0.9975 and 0.9994; furthermore, the reliability of these methods are respectively 0.9993, 0.9980 and 0.9982. The results of simulations indicate that the proposed method outperforms the previous methods in the same conditions in terms of throughput, successability, reliability, response time, and stability.