基于主成份分析的云制造服务QoS评估方法研究

云制造是-种利用网络和云服务平台，按用户需求组织网上制造资源为用户提供各类按需制造服务的-种网络化制造新模式，其 分散资源集中使用”和 集中资源分散服务”的思想为解决企业、社会中闲散资源低利用率的现状提供了- 个突破口，因而引起了国内外专家学者的广泛研究。在云制造系统中，对云服务的具体操作，包括云服务搜索与匹配、云服务组合、云服务资源调度、交易过程管理等都离不开云服务的评估。因此，云服务的评估技术成为云制造系统中- 项重要的关键技术。

QoS(Quality of Service，服务质量)的概念起源于Internet，指的是网络的-种安全机制，是用来解决网络延迟和阻塞等问题的-种技术。文献1研究了制造技术的特征后发现制造领域同样存在着因特网中的四种典型约束：1)资源有限；2)多个任务可能会争用同-个公共资源；3)任务的多个目标之间往往存在冲突；4)需要大量的投入来监控资源的性能、动态资源定位和管理、实时任务控制、以及容错和自我修复。因此QoS的概念同样适用于制造领域。QoS的概念对于云服务的描述以及云制造平台匹配用户服务需求等方面都具有重要意义，因此如何评价云服务QoS也成为了学者们广泛研究的课题。

在云制造服务QoS评估研究方面，国内外学者的研究多集中在制造资源QoS评估建模和网络交易的信任评价方面。文献2从QoS生命周期管理、制造网络架构和QoS属性参数三个方面对制造网格QoS的建模和分类进行了研究，并给出了基于时间、成本、功能相似度等六个参数的QoS评估参数模型。文献[31指出QoS评价需要综合考虑资源服务管理QoS和网络性能QoS两个方面，并提出-个基于服务时间、服务成本等1 1个指标的QoS评估模型。文献4提出了基于QoS的制造网格资源调度策略，构建了基于时间、质量、成本、服务的多目标决策模型。文献[51考虑了资源服务的信任评估问题，构建了制造网格资源服务Trust-QoS评估模型，并给出了量化的评估算法。文献6对云制造服务信任评估技术展开研究，提出了-种基于主体间信任评估相似性和主体间直接信任关系的推荐信任度权值的确定方法。

随着云制造服务交易量的增加，如何依据历史交易数据对云制造服务进行综合评价与优淹变得尤为重要。然而，云制造服务QoS评价指标众多，评价指标又有定量和定性、正指标 (效益型指标)和逆指标 (成本型指标)之分，且各指标之间存在着相关关系，交易的评价值还存在时效性，这些都为云制造服务QoS评估带来挑战。主成份分析法 (Principal Component Analysis，PCA)是-种常用的多元统计分析方法，其降维的思想与多指标评价序列化的要求非秤近，且考虑评价指标间的相关关系和评价客观，因此被用于社会学、经济学、管理学的评价中，逐渐成为-种收稿日期：2013-04-19基金项目：国家863云制造主题 (2011AA04051)作者简介：周冰 (1988-)，男，黑龙江伊春人，硕士研究生，主要从事企业信息化和现代质量工程研究。

28 第35卷 第7期 2013-07(下)骞 訇 化价值-般由服务平台提供，如服务执行时间、网络吞吐量、网络传输延迟、服务访问成功率；它们的评价记录是从云制造服务平台的数据库中抽取出来的；对于制造资源服务QoS的指标，其评价值-般由云制造平台用户 (包括平台运营方、服务需求方和服务提供方)提供，如服务质量、服务成本、服务信誉度等，它们的评价记录是根据不同指标由平台不同的用户提供的。

上述QoS评价指标按其评价方式的不同可分为定量评价和定性评价两类，同时，根据评价指标的取值取向，又可分为正指标和逆指标；另外，对QoS服务评价值的时效性也要予以充分考虑才能确保评估结果的有效性。

1)定性评价的量化处理在QoS评价指标中，如 服务信誉度”等指标-般是服务需求方在交易完成后对服务提供方所提供服务情况的综合评价。本文将评价等级分为： 非常满意”、 比较满意”、 -般满意”、 不满意”和 非常不满意”的五个等级。各等级的量化描述如表2所示。

表2 定性评价等级量化关系2)评价值时效加权云服务QoS评估是基于历史评价记录得到的，而历史评价记录发生的时间不同、相邻两个评价间时间间隔的不同对评价结果的影响也是不 同的。因此，必须考虑时间对历史评价记录贡献率的影响〖虑了评价记录时效性的云服务QoS评价指标值的计算方法如公式 (1)所示。

： ± ± ! (1)f(1)厂(2)/( )其中，VX为评价指标QX的最终评价值，VX为评价指标QX的第i条历史评价记录，n为所取的历史评价记录个数，f(i)为加权函数，它的值由历史评价记录的评价时间决定，函数表达式如公式 (2)所示：)：exp[ eXp( ) (2)[301 第35卷 第7期 2013-07(下)式(2)中 为第i条历史评价记录的评价时间，单位为d(天)，N为加权函数的衰减常数，用于控制历史评价记录的权重随时间变化的速率，单位为d，本文中取N365。例如：第i条历史评价记录早于第n条历史评价记录的N天时，那么第i条历史评价记录的权重衰减为第n条历史评价记录权重的l/5。

通过公式(1)和(2)，可以基于每个候选云服务QoS评价指标的历史评价记录得到指标评价值。

3)评价指标的规范化处理评价指标按其性质和取值倾向可分为正指标和逆指标两种。所谓正指标，就是指标评价值越大 ，在综合评价 中所起的正面效应也越大的指标；所谓逆指标，就是指标评价值越小，在综合评价中所起的正面效应越大的指标隅 。在云制造平台服务QoS评价指标体系中，既存在正指标也存在逆指标，如服务信用度，服务可靠性等指标属于正指标，而服务执行时间、服务执行成本等指标则属于逆指标。下文基于主成分分析法的云服务QoS综合评价求解要求各评价指标均为正指标，因此需要对其中的逆指标的评价值进行转化。

正逆指标之间的逆变换-般 有 差式”和商式”两种 。差式逆变换是通过正逆指标之间的互补关系而确定的-种变换方式，差式变换的公式为 - ，其 中q， 为常数 ，， 分别为变换前后的评价值；商式逆变换是通过正逆指标取倒数关系而确定的-种变换方式，公式为 c/ ，其中C为常数， ，分别为变换前后的评价值〖虑到云服务平台指标评价值数量级 以及逆变换后保持样本方差不变，我们采用差式变换作为云服务QoS评价指标的逆变换方式。假设我们已经通过公式(1)，(2)得到了候选云服务QoS评价指标服务执行时间Q 的评价值集合 leT。 ， ， )，其 中 (fl2 )是第 i个 候 选 云 服 务 的 Q 。的 评 价 值 。 取 rIlin啊 ， ，. )， max啊 ， ，. )，cl ， 1，则变换公式可写成：： - (3)其中 为第i个候选云服务评价指标Q 经过逆变换后的评价值。

2.2云服务QoS综合评估求解主成份分析是多元统计分析中常用的方法之-。 该方法具有消除指标之间的相关性而降维，务I 訇 化以及指标权重确定的客观性等特点，因而适用于评价指标多，且指标间存在隐含相关关系的云制造服务QoS评估中，可降低云服务QoS综合评估的复杂性，提高有效性。基于主成份分析法的云制造服务QoS评估过程如图2所示。

I 数据标准化 建立变量相关系数矩降f 求R的特征根以及相应的特征向量由累计方差贡献率确定主成分确定主成分权重 计算云服务∞s综合评价值图2 云服务QoS综合评估求解过程步骤-，数据标准化。假设候选云服务集合为 ∈ ， ，.，S )，候选云服务评价指标体系中评价指标集合 ，e ，Qx2，. )。经过上-节的数据采集及预处理后，得到的候选云服务评价指标值矩阵如下：表3 候选云服务评价指标值矩阵、 Qxl Qx2 Qsl vxI vx21 vx ls2 vxt2 vx2sp vx1p Vx2。

由于候选云服务的各个QoS指标所描述的QoS性能和功能各不相同，因此它们取值的数量级可能存在很大差异，在数量级差异较大情况下，使用原始数据进行QoS综合评价值求解是不科学的，因此需要对上述矩阵的每-列进行标准化处理。

标准化处理公式如下：-VXj k- E(V Xjk)VXjk -VXj. (.i：1，2，..，p) (4)√D( ) ， 、 - 步 骤二 ，建 立指 标变量 相关 系数矩 阵 。

R ) ，其中，： ； 三 ： √∑(- ·Z(vx- )步骤三，求指标变量相关系数矩阵的特征根及 其 对 应 的 特 征 向 量 。 令 特 征 根 0， 对 应 的 特 征 向 量 为， ， ，...， 。

步骤四，由累计方差贡献率确定主成分。第j个主成分 的累计方差贡献率为、I， ： 九 / 九 。

候选云服务QoS评价指标的主成分数量与评价指标数量相同，当评价指标数量较多时，往往会去除方差 贡 献 率 较 低 的主 成 分 ，即 当方 差 贡 献 率、I， >85%时，保留前q个主成分，主成分Y：T'X。

步骤五，确定主成分权重，计算云服务QDs综合评价 指 标 。通 过 上面 的 步骤 ，得 到主 成 分Y ， ，..， )及其相应的特征根九，.， 。

主成分 的权重为 1 / 1。则候选云服务 J W ，7J J JQ。s的综合评价值 ： 。

13 案例研究 、现有某用户要加工-批零件，通过在云服务制造平台上进行数控铣床铣削加工服务检索，得到 能 够 满 足 需 求 的 候 选 云 服 务 集 合S ， ， ， ， ， ， ， )。基于第l节中构建的评价指标体系，运用主成份分析对8个候选云服务进行综合评价。采集各候选云服务的QoS评价指标值并进行定量化处理和时效加权处理得到结果如表4所示。本文利用SPSS软件对QoS指标体系进行主成份分析，具体步骤如下。

表4 候选云服务及其评价指标值步骤-：数据预处理及标准化。

在第1节构建的评价指标体系中，服务响应时间、服务成本、网络传输延迟三个指标为逆指标需要对其数据进行逆变换处理，得到的结果如下：通过sPss对其进行数据标准化得到如下结果。

第35卷 第7期 2013-07(下) [311表5 逆变换处理结果S1 O.6o4.0.089 0.863 1.165 O.11O 1.036-1.o96-0.910-0.539 0.524S2-0.355-0.365-0.491 0.326 1.336-0.266 0.253-0.277 0.823 -0.296S3 0.346-0.879 0.322.0.885-1.643 0.562-0.422 0.831 .1.447.0.245S4 l157 0.253 1.269-1.724 O.1lO-0.148 0.590 0.5l4 0.596 -1.868S5 O.7B9-0.536.1.303 0.606 .592-0.503 1.6o3-0.593 1.277 0.524S6.1.056-o.898.1.439-0.466-0.O66-1.8o5 0.928-l543-0.539 1.464S7.1.794 0.306 O.o51 1.072 1.336 -0.266-0.759 0.514 -0.993-O.629S8 O.3o9 2.20l 0.728-0.513-0.592 1.391-1.O96 1.464 0.823 0.5241.000O.1O2 1.000.414 0.534 l000o.467 -0.138-0.381 1.O0o-0.547 0.O65 -0.O64 0.459 1.00o0.452 0.619 0.753 -0.O49o.278 1.0000.156 -0.544 .674-0.1660.057.0.762 lO0oO.16o 0.665 O.622 0.466-0.215 0.644-0.50o 1.0o00.455 0.353 -0.131-0.113 0.136 0.0o9 0.451 0.019 1.00o.o.238-0.117-0.613 0.465.0.243-0.178 0.O65-0.526-0.050 1.0oO步骤三：计算相关矩阵R的特征值和特征向量及方差贡献率，如表8所示。

表8 相关矩阵特征值及其方差贡献率[321 第35卷 第7期 2013-07(下)步骤四：确定主成份个数。由表8知前4个主成份的累积贡献率已达到85%，它们的特征根分别为 3.968， 2.14， 1.436， ：1.311，说 明前4个主成份基本包含了全部指标具有的信息，其因子载荷矩阵如表9所示。

表9 主成分因子载荷矩阵步骤五：确定主成分权重，计算云服务QoS综合评价指标。

从表9中可以抽取出四个因子载荷向量分别为：4(0.458，0.71，0.907，-0.454，-o.244，0.862，-o.652，0.852，0.038， .521) (0.732，41.199，-o.097，-0.661，-o.505，0.187，0.712，-o.024，0.535，41.185) (-o.155，0.29，0.035，0.03，0.793，41.216，0.213，0.091，0.581，41.5o9) (0.229，0.459，-0.199，0.399，-0.079，0.313，-0.14，-0.1 1，0.607，0.603)通过公式 4/√ ，计算三个主成分的特征向量如下：： (0.230，0.356，0.455，-0.228，-0.122，0.433，-41.327，0.428，0.019，-0.262) (0.5，-0.136，-41.066，-0.452，-4).345，-41.128，0.487，-0.016，0.366，-41.126) (-0.129，0.242，0.029，0.025，0.662，-0.18，0.178，0.076，0.485，-41.425)(o.2，0.401，-0.174，0.348，0.069，0.273，-4).035，-0.096，0.53，0.527)根据YTX，计算主成分分别为： O.23 O.0.356 0.455 -o.228x，-O.122 o.433&-0.327X70.4280.019墨 -0.262五。

0.SXj-0.136 -O.O66 -o.452x，-o.345x-0.128X6-0.487 -o.o16&O.366五 -O.126X，0 0.129XI0.242五0.029X0.025X，0.662 -0.180X，0.178X70.076五0.485墨 -O.425置o O.2 0l加 l -0.174X30.348X4-0.069 O.273X-0.035X7-O. XsO.53x，O.527X，o其中x为表6所示原始数据标准化处理之后的指 标 评 价 值 。 计 算 主 成 分 权 重 得 0.448，w20.242，w30.162，w4o.148。

则 候 选 云 服 务 Q 0 S综 合 评 价 值gQoS0.448r，o.2420.162 0.148 。计算结果如下表所示：盯 lj M 讯仍参l 匐 化表10 候选云服务QoS集合评价值计算结果从表l0输 出的结果可以看出，候选云服务S 10QoS综合评价值最高，S6的QoS综合评价值最低 。

4 结束语在云制造服务平台中，云服务QoS综合评价对云服务方案优选以及云服务调度等问题都具有重要意义。本文通过研究云制造服务平台特性，提出基于制造资源特性和网络服务特性的云服务QoS综合评价指标体系。然后针对云制造平台的实际情况以及云服务QoS评价指标体系的特点，提出了基于多元统计主成分分析法的候选云服务QoS综合评价算法。在评价方法中充分考虑了评价指标的正、逆特性，以及云服务评价历史数据的时效性对评价结果的影响等因素，使得综合评价结果更有效。

当然，本文也存在很多有待完善之处，在以后的研究中会考虑候选云服务较少时的评价方法；以及对候选云服务QoS评价指标的差异化评价方法。