改进QoS的云服务评价模型
王泽
摘 要： 针对云服务具有不确定性与大规模性，传统QoS的云服务评价模型工作机制灵活性不强，回报率低下等问题，设计改进QoS的云服务评价模型，对传统QoS的云服务评价模型的QoS属性项目进行细化，并利用熵值法为各项QoS属性项目进行比重取值。在改进模型的评价过程中，先针对实时数据进行重点评价，再结合以往数据特征对评价结果做出修正，并将修正结果输入未来预测时间，指导下次QoS云服务评价工作，以提高模型可靠性。同时将传统模型资源整体切入形式改为模块化切入形式，增添网络用户反馈机制与QoS监控机制，使评价服务更加完善。实验结果表明，改进QoS的云服务评价模型的服务内容选择性强，更能满足网络用户需求。
关键词： 模型改进； QoS； 云服务评价模型； 云服务框架； 动态服务； 熵值法
中图分类号： TN911?34； TP393.09 文献标识码： A 文章编号： 1004?373X（2018）01?0093?04
Abstract： The cloud service has uncertainty and large?scale feature， and the traditional cloud service evaluation model for QoS has poor flexibility of working mechanism and low rate of return. Therefore， the improvement of cloud service evaluation model for QoS was designed. The QoS attribute items of the traditional cloud service evaluation model are refined， and their proportion values are calculated with the entropy method. In the evaluation process of the improved model， the real?time data is evaluated emphatically； the evaluated result is corrected in combination with the previous data features； the corrected result is input into the future prediction time to guide the QoS cloud service evaluation at the next time and improve the model reliability. The integrated pitching?in form of the traditional model resources is replaced by the modularized pitching?in form. The network user feedback mechanism and QoS monitoring mechanism are added to perfect the evaluation service. The experimental results show that the improved cloud service evaluation model for QoS has strong selection of service content， and can meet the needs of network users.
Keywords： model improvement； QoS； cloud service evaluation model； cloud service framework； dynamic service； entropy method
0 引 言
網格技术在信息学中被誉为“下一代互联网”，是互联网的重要发展方向。网格技术具有资源共享、提供功能性服务质量以及高度可扩展性等特征，这些特征是传统互联网不能比拟的，并使网络技术得到了各国政府以及企业的重点关注，相关投资不断跟进。
QoS（Quality of Service，服务质量）技术支持着网格技术的发展，可提高网络服务质量，解决网络堵塞，快速增强网格技术水准[1]。然而，随着网络资源多样化与个性化的不断提升，资源任务间需要进行更多、更快的协作，QoS技术所能提供的网格资源分配与调度等功能受到了不小冲击。设立QoS的云服务评价模型是这一问题的主要解决方案，该模型可描绘网络QoS需求，完善QoS属性，是网格技术商业化的途径之一。因此，对QoS的云服务评价模型进行改进是协调网格技术发展、提供高端服务体系的重要研究内容。
1 改进QoS的云服务评价模型
1.1 模型QoS属性改进
QoS的云服务评价模型由各种QoS属性项目构成，传统模型中的QoS属性项目包括网格云服务的性能、稳定程度、实用程度、安全程度、扩展能力和使用周期，以上项目通过云服务开展评价工作，评价指标包括网络资源评价、虚拟计算、服务能力、动态扩展、通用性、可靠性、资源供应能力以及性价比等。QoS的云服务评价模型工作机制如图1所示。
对网格云服务来说，稳定程度是一项非常重要的QoS属性项目，它标志着网络用户在真实环境下网络程序或应用的功能赋予情况、处理耗时情况以及用户满意度。多数情况下，网格云服务的实用程度与稳定程度是相辅相成的，但二者的内在含义却不一样。稳定程度侧重于一个网络程序或应用的自身完备性，稳定程度高的程序或应用可以随时随地供用户使用[2]。实用程度表现为一个网络程序或应用能够在特定状态或时间内完成其应有功能，一般来讲其不与处理耗时情况发生关系。
安全程度包括数据的通信能力、存储完整性、真实性、秘钥有效性以及认证服务有效性等，其依赖于云服务框架所能提供的QoS性能。扩展能力与使用周期是一个网络程序或应用的功能性条件，标志着网格云服务所能提供的QoS处于何种等级，与市场竞争力息息相关。
云服务的动态性强，而且是随着网络用户需求的改变而改变的，具有不确定性与大规模性，以上QoS的云服务评价模型工作机制未能覆盖所有云服务需求，灵活性不强[3]，无法稳定占据资本市场，回报率低下。经多方调研发现，云服务在市场中的占据率主要由开发成本、扩展能力与使用周期决定。根据以上内容对传统QoS的云服务评价模型工作机制作出改进，细化了QoS属性项目分支，如图2所示。
图2中，网格云服务的性能可用网络QoS正确完成某个服务请求的时间消耗情况来衡量。网格云服务性能的提升主要包括两方面，分别是QoS延迟与网络吞吐量，在减少QoS延迟的同时提高网络吞吐量，可有效提升网格云服务性能[4]。其他QoS属性项目分支也均与传统模型项目息息相关，有效性更加明显。
由于改进模型比传统模型QoS属性项目多出10项分支，因此需要为各QoS属性项目选择合适的比重，比重取值将通过熵值法[5]进行计算。
设改进QoS的云服务评价模型中[m]项QoS属性项目集合为[S={S1，S2，…，Sm}]，[n]项云服务评价指标集合为[C={C1，C2，…，Cn}，]待评价内容用矩阵[D=（rij）m×n]表示[6]，其中，[i=1，2，…，m，][j=1，2，…，n，][rij]是单项待评价数据。
由于网格内各单项待评价数据的格式不统一，因此需要将[D=（rij）m×n]进行标准化处理，得到标准化待评价内容[7][N=（kij）m×n]，第[j]个评价指标的熵值如下：
[S（Cj）=1lnmi=1mkijln（kij）] （1）
在第[j]个评价指标的影响下，第[i]个QoS属性项目的比重取值为：
[wi=1-S（Cj）j=1n1-S（Cj）] （2）
1.2 模型动态服务能力改进
云服务的强烈动态性使得QoS属性项目经常出现不可控制的波动，影响着云服务评价模型的可靠性。改进QoS的云服務评价模型意识到，传统模型之所以可靠性不强，往往是因为在评价数据时忽略了实时数据与以往数据之间的关联性，导致所产生的评价结果具有过强的局部最佳性，整体最佳性低下。因此，模型不仅需要针对实时数据进行重点评价，还要结合以往数据特征对局部最佳评价结果作出修正，以克服QoS属性项目的局限性。
实现以上内容的最佳切入点是时间[8]，如图3所示，改进QoS的云服务评价模型将时间分为三个部分，分别是以往数据获取时间、实时数据获取时间以及未来预测时间。以实时数据获取时间为界限进行划分，评价结束后，将评价结果输入未来预测时间，指导下次QoS云服务评价工作。
1.3 云服务框架改进
改进QoS的云服务评价模型对云服务框架作出改进，将传统模型资源整体切入形式改为模块化切入形式，增添网络用户反馈机制与QoS监控机制，使评价服务更加完善。改进QoS的云服务评价模型云服务框架如图4所示。
由图4可知，改进的云服务框架被分为4个模块，分别是网络用户反馈模块、QoS需求挖掘模块、云服务性能监测模块以及QoS数据库。云服务性能监测模块内置搜索算法可以时刻跟踪网络用户上网行为，其监测项目包括内存、资源利用率以及输入/输出响应能力等，可以对监测对象进行定量与定性分析。QoS数据库使用MCDM（Multi?criteria Decision?making，多准则决策[9]）技术完成多元服务决策与决策结果相关性排名。
在这种框架下，网络用户的每个举动都在云服务性能监测模块的严格把握中。监测工作是指对用户所需的服务信息进行基础测试，测试结果存储在QoS数据库中。网络用户反馈模块也将直接向QoS数据库反馈需求数据，并且通过QoS需求挖掘模块获取用户隐含需求，最终由QoS数据库作出服务决策，将服务项目推荐列表在线显示到网络用户终端设备上。
2 实验验证
2.1 数据集合与验证对象
本文的设计内容是改进QoS的云服务评价模型，验证本文模型性能所需的数据包括5个网络服务器上100天内进行同一个用户需求下的以往数据和实时数据[10]，这些数据将在PRTG（Paessler Router Traffic Grapher，路由流量采集）软件的监控下实施采集。5个网络服务器均依附于亚马逊弹性计算云服务中的QoS数据。由于实验数据集合中数据量过大，不利于快速进行实验，因此只采集100天内每天上午10：00—11：00以及晚上9：00—10：00的数据为实验所用，采集数据的类型主要集中在资源利用率、内存占用量以及数据输入/输出耗时，将以上数据汇总在一个数据集合中。
文献[2，5，10]分别设计QoS预测与约束层次模型、博弈论模型、服务组合模型，以上模型均是对QoS的云服务评价模型的优化或功能扩展，其与本文模型进行实验对比较具代表性。实验所用数据集合能够满足以上四种模型的实验验证需求。
本次实验将以四个模型在实验数据集合下的响应时间、资金消耗以及QoS云服务指数作为指标，验证本文模型的服务内容选择性是否能够满足用户需求[11]。其中，QoS云服务指数是指模型为用户推荐的服务项目与用户需求项目之间的相似程度，它关系着用户服务满意度，是最重要的实验指标。表1是实验中5个服务器的QoS云服务价格表，价格以小时计费，单位为美元。
2.2 实验结果与分析
实验规定实时数据时间为实验数据集合中的中间时间点。表2是以往时间数据资源利用率、内存占用量以及数据输入/输出耗时的平均值。
本文模型在分析实验数据集合时，会自动将以往时间的数据均等划分成若干小段，而在本次实验中，本文模型可以直接使用表2中的数据来纠正实时数据评价结果。在QoS预测与约束层次模型、博弈论模型、服务组合模型中，博弈论模型和服务组合模型采用对每个时间点或时间区间进行服务决策取平均值的方法，QoS预测与约束层次模型则直接进行实时数据评价。服务组合模型在进行QoS属性项目比重取值的过程中，使用的是MCDM法，其他三种模型均使用熵值法。
表3是以上四种模型在5个服务器上响应时间、资金消耗以及QoS云服务指数的平均值对比表。
由表3可知，本文模型和服务组合模型选择的主要服务器均是标号为5的移动云计算服务器，从表1中可以看出，这个服务器的QoS云服务价格较低，因此，本文模型和服务组合模型的资金消耗也较低，其他两种模型的资金消耗则比较高，这是造成模型平均QoS云服务指数偏低的主要原因。同时，四种模型中本文模型的平均响应时间最短，有效提高了模型的平均QoS云服务指数。综合来看，本文模型的服务内容选择性最强。
为了明确本文模型的服务内容选择性是否能够满足用户需求，应从QoS云服务指数进行分析，图5是四种模型QoS云服务指数的折线图，可以看出，本文模型折线远远高于其他三种模型，表明其更能满足网络用户需求。
3 结 论
QoS在网格技术中主要负责进行服务质量监控与提升。QoS的云服务评价模型对网格技术至关重要，但由于网络复杂多变，网络需求往往得不到满足，因此，本文设计改进QoS的云服务评价模型，从QoS属性、云计算框架等方面入手，通过时刻跟踪网络用户上网行为，全面提升传统模型的科学性与综合性，并针对用户重点需求功能进行完善与多方决策，使网络服务质量得到了很大提升。
参考文献
[1] 李莉，王俊英，臧兆祥，等.基于RBF?DE的改进蚁群算法和多QoS约束的云资源调度策略研究[J].软件导刊，2016，15（3）：1?5.
LI Li， WANG Junying， ZANG Zhaoxiang， et al. Research on improved ant colony algorithm and multi QoS constrained cloud resource scheduling strategy based on RBF?DE [J]. Software guide， 2016， 15（3）： 1?5.
[2] 刘志中，吕克林，宋成，等.基于QoS预测与约束层次模型的云服务推荐方法研究[J].计算机工程与应用，2015，51（10）：47?52.
LIU Zhizhong， L? Kelin， SONG Cheng， et al. Cloud service recommendation method based on QoS prediction and constraint hierarchy model [J]. Computer engineering and applications， 2015， 51（10）： 47?52.
[3] 陈绍东，宋亮，卜春霞.网络通信能量资源优化调度仿真研究[J].计算机仿真，2016，33（3）：235?238.
CHEN Shaodong， SONG Liang， PU Chunxia. Simulation of optimal scheduling for network communication energy resources [J]. Computer simulation， 2016， 33（3）： 235?238.
[4] 许阳，赵宗贵.一种人机协作的目标综合识别模型设计[J].计算机测量与控制，2015，23（11）：3739?3743.
XU Yang， ZHAO Zonggui. Design of integrated target identification with human?machine cooperation [J]. Computer measurement & control， 2015， 23（11）： 3739?3743.
[5] 郝贵和，张天娇，伍红英，等.基于博弈论的QoS协作WSNs路由算法[J].现代电子技术，2016，39（16）：108?111.
HAO Guihe， ZHANG Tianjiao， WU Hongying， et al. QoS coo?perative WSNs routing algorithm based on game theory [J]. Modern electronics technique， 2016， 39（16）： 108?111.
[6] 刘彩霞.基于QoS量化评估的电子商务认证协议优化[J].科学技术与工程，2016，16（18）：61?65.
LIU Caixia. Optimization of electronic commerce authentication protocol based on QoS quantitative assessment [J]. Science technology and engineering， 2016， 16（18）： 61?65.
[7] 焦扬，陈喆，梁员宁，等.基于马尔可夫过程的云服务组合QoS量化评估方法研究[J].计算机科学，2015，42（9）：127?133.
JIAO Yang， CHEN Zhe， LIANG Yuanning， et al. Research on QoS quantitative evaluation method of cloud service composition based on Markov process [J]. Computer science， 2015， 42（9）： 127?133.
[8] 聂子航，于学军.基于多元线性回归的办公建筑电力能耗评估预测模型的设计[J].电子设计工程，2016，24（3）：40?43.
NIE Zihang， YU Xuejun. Design of the evaluation and prediction of power energy consumption of office buildings based on multivariate linear regression [J]. Electronic design engineering， 2016， 24（3）： 40?43.
[9] 王海荣，刘珂.基于复杂序列映射的离散信息签密安全模型[J].科技通报，2015，31（8）：159?161.
WANG Hairong， LIU Ke. Discrete information signcryption model based on complex sequence mapping [J]. Bulletin of science and technology， 2015， 31（8）： 159?161.
[10] 文华.运用备份服务位置和概率QoS模型的Web服务组合算法[J].电信科学，2016，32（10）：116?123.
WEN Hua. Web services composition algorithm based on the location of backup service and probabilistic QoS model [J]. Telecommunications science， 2016， 32（10）： 116?123.
[11] 秦丽，李兵.基于p階组合云模型的QoS不确定性建模与Web服务过滤[J].小型微型计算机系统，2015，36（11）：2439?2444.
QIN Li， LI Bing. QoS uncertainty modeling and web services filtering based on p?order combined cloud model [J]. Journal of Chinese mini?micro computer systems， 2015， 36（11）： 2439?2444.
摘 要： 针对云服务具有不确定性与大规模性，传统QoS的云服务评价模型工作机制灵活性不强，回报率低下等问题，设计改进QoS的云服务评价模型，对传统QoS的云服务评价模型的QoS属性项目进行细化，并利用熵值法为各项QoS属性项目进行比重取值。在改进模型的评价过程中，先针对实时数据进行重点评价，再结合以往数据特征对评价结果做出修正，并将修正结果输入未来预测时间，指导下次QoS云服务评价工作，以提高模型可靠性。同时将传统模型资源整体切入形式改为模块化切入形式，增添网络用户反馈机制与QoS监控机制，使评价服务更加完善。实验结果表明，改进QoS的云服务评价模型的服务内容选择性强，更能满足网络用户需求。
关键词： 模型改进； QoS； 云服务评价模型； 云服务框架； 动态服务； 熵值法
中图分类号： TN911?34； TP393.09 文献标识码： A 文章编号： 1004?373X（2018）01?0093?04
Abstract： The cloud service has uncertainty and large?scale feature， and the traditional cloud service evaluation model for QoS has poor flexibility of working mechanism and low rate of return. Therefore， the improvement of cloud service evaluation model for QoS was designed. The QoS attribute items of the traditional cloud service evaluation model are refined， and their proportion values are calculated with the entropy method. In the evaluation process of the improved model， the real?time data is evaluated emphatically； the evaluated result is corrected in combination with the previous data features； the corrected result is input into the future prediction time to guide the QoS cloud service evaluation at the next time and improve the model reliability. The integrated pitching?in form of the traditional model resources is replaced by the modularized pitching?in form. The network user feedback mechanism and QoS monitoring mechanism are added to perfect the evaluation service. The experimental results show that the improved cloud service evaluation model for QoS has strong selection of service content， and can meet the needs of network users.
Keywords： model improvement； QoS； cloud service evaluation model； cloud service framework； dynamic service； entropy method
0 引 言
網格技术在信息学中被誉为“下一代互联网”，是互联网的重要发展方向。网格技术具有资源共享、提供功能性服务质量以及高度可扩展性等特征，这些特征是传统互联网不能比拟的，并使网络技术得到了各国政府以及企业的重点关注，相关投资不断跟进。
QoS（Quality of Service，服务质量）技术支持着网格技术的发展，可提高网络服务质量，解决网络堵塞，快速增强网格技术水准[1]。然而，随着网络资源多样化与个性化的不断提升，资源任务间需要进行更多、更快的协作，QoS技术所能提供的网格资源分配与调度等功能受到了不小冲击。设立QoS的云服务评价模型是这一问题的主要解决方案，该模型可描绘网络QoS需求，完善QoS属性，是网格技术商业化的途径之一。因此，对QoS的云服务评价模型进行改进是协调网格技术发展、提供高端服务体系的重要研究内容。
1 改进QoS的云服务评价模型
1.1 模型QoS属性改进
QoS的云服务评价模型由各种QoS属性项目构成，传统模型中的QoS属性项目包括网格云服务的性能、稳定程度、实用程度、安全程度、扩展能力和使用周期，以上项目通过云服务开展评价工作，评价指标包括网络资源评价、虚拟计算、服务能力、动态扩展、通用性、可靠性、资源供应能力以及性价比等。QoS的云服务评价模型工作机制如图1所示。
对网格云服务来说，稳定程度是一项非常重要的QoS属性项目，它标志着网络用户在真实环境下网络程序或应用的功能赋予情况、处理耗时情况以及用户满意度。多数情况下，网格云服务的实用程度与稳定程度是相辅相成的，但二者的内在含义却不一样。稳定程度侧重于一个网络程序或应用的自身完备性，稳定程度高的程序或应用可以随时随地供用户使用[2]。实用程度表现为一个网络程序或应用能够在特定状态或时间内完成其应有功能，一般来讲其不与处理耗时情况发生关系。
安全程度包括数据的通信能力、存储完整性、真实性、秘钥有效性以及认证服务有效性等，其依赖于云服务框架所能提供的QoS性能。扩展能力与使用周期是一个网络程序或应用的功能性条件，标志着网格云服务所能提供的QoS处于何种等级，与市场竞争力息息相关。
云服务的动态性强，而且是随着网络用户需求的改变而改变的，具有不确定性与大规模性，以上QoS的云服务评价模型工作机制未能覆盖所有云服务需求，灵活性不强[3]，无法稳定占据资本市场，回报率低下。经多方调研发现，云服务在市场中的占据率主要由开发成本、扩展能力与使用周期决定。根据以上内容对传统QoS的云服务评价模型工作机制作出改进，细化了QoS属性项目分支，如图2所示。
图2中，网格云服务的性能可用网络QoS正确完成某个服务请求的时间消耗情况来衡量。网格云服务性能的提升主要包括两方面，分别是QoS延迟与网络吞吐量，在减少QoS延迟的同时提高网络吞吐量，可有效提升网格云服务性能[4]。其他QoS属性项目分支也均与传统模型项目息息相关，有效性更加明显。
由于改进模型比传统模型QoS属性项目多出10项分支，因此需要为各QoS属性项目选择合适的比重，比重取值将通过熵值法[5]进行计算。
设改进QoS的云服务评价模型中[m]项QoS属性项目集合为[S={S1，S2，…，Sm}]，[n]项云服务评价指标集合为[C={C1，C2，…，Cn}，]待评价内容用矩阵[D=（rij）m×n]表示[6]，其中，[i=1，2，…，m，][j=1，2，…，n，][rij]是单项待评价数据。
由于网格内各单项待评价数据的格式不统一，因此需要将[D=（rij）m×n]进行标准化处理，得到标准化待评价内容[7][N=（kij）m×n]，第[j]个评价指标的熵值如下：
[S（Cj）=1lnmi=1mkijln（kij）] （1）
在第[j]个评价指标的影响下，第[i]个QoS属性项目的比重取值为：
[wi=1-S（Cj）j=1n1-S（Cj）] （2）
1.2 模型动态服务能力改进
云服务的强烈动态性使得QoS属性项目经常出现不可控制的波动，影响着云服务评价模型的可靠性。改进QoS的云服務评价模型意识到，传统模型之所以可靠性不强，往往是因为在评价数据时忽略了实时数据与以往数据之间的关联性，导致所产生的评价结果具有过强的局部最佳性，整体最佳性低下。因此，模型不仅需要针对实时数据进行重点评价，还要结合以往数据特征对局部最佳评价结果作出修正，以克服QoS属性项目的局限性。
实现以上内容的最佳切入点是时间[8]，如图3所示，改进QoS的云服务评价模型将时间分为三个部分，分别是以往数据获取时间、实时数据获取时间以及未来预测时间。以实时数据获取时间为界限进行划分，评价结束后，将评价结果输入未来预测时间，指导下次QoS云服务评价工作。
1.3 云服务框架改进
改进QoS的云服务评价模型对云服务框架作出改进，将传统模型资源整体切入形式改为模块化切入形式，增添网络用户反馈机制与QoS监控机制，使评价服务更加完善。改进QoS的云服务评价模型云服务框架如图4所示。
由图4可知，改进的云服务框架被分为4个模块，分别是网络用户反馈模块、QoS需求挖掘模块、云服务性能监测模块以及QoS数据库。云服务性能监测模块内置搜索算法可以时刻跟踪网络用户上网行为，其监测项目包括内存、资源利用率以及输入/输出响应能力等，可以对监测对象进行定量与定性分析。QoS数据库使用MCDM（Multi?criteria Decision?making，多准则决策[9]）技术完成多元服务决策与决策结果相关性排名。
在这种框架下，网络用户的每个举动都在云服务性能监测模块的严格把握中。监测工作是指对用户所需的服务信息进行基础测试，测试结果存储在QoS数据库中。网络用户反馈模块也将直接向QoS数据库反馈需求数据，并且通过QoS需求挖掘模块获取用户隐含需求，最终由QoS数据库作出服务决策，将服务项目推荐列表在线显示到网络用户终端设备上。
2 实验验证
2.1 数据集合与验证对象
本文的设计内容是改进QoS的云服务评价模型，验证本文模型性能所需的数据包括5个网络服务器上100天内进行同一个用户需求下的以往数据和实时数据[10]，这些数据将在PRTG（Paessler Router Traffic Grapher，路由流量采集）软件的监控下实施采集。5个网络服务器均依附于亚马逊弹性计算云服务中的QoS数据。由于实验数据集合中数据量过大，不利于快速进行实验，因此只采集100天内每天上午10：00—11：00以及晚上9：00—10：00的数据为实验所用，采集数据的类型主要集中在资源利用率、内存占用量以及数据输入/输出耗时，将以上数据汇总在一个数据集合中。
文献[2，5，10]分别设计QoS预测与约束层次模型、博弈论模型、服务组合模型，以上模型均是对QoS的云服务评价模型的优化或功能扩展，其与本文模型进行实验对比较具代表性。实验所用数据集合能够满足以上四种模型的实验验证需求。
本次实验将以四个模型在实验数据集合下的响应时间、资金消耗以及QoS云服务指数作为指标，验证本文模型的服务内容选择性是否能够满足用户需求[11]。其中，QoS云服务指数是指模型为用户推荐的服务项目与用户需求项目之间的相似程度，它关系着用户服务满意度，是最重要的实验指标。表1是实验中5个服务器的QoS云服务价格表，价格以小时计费，单位为美元。
2.2 实验结果与分析
实验规定实时数据时间为实验数据集合中的中间时间点。表2是以往时间数据资源利用率、内存占用量以及数据输入/输出耗时的平均值。
本文模型在分析实验数据集合时，会自动将以往时间的数据均等划分成若干小段，而在本次实验中，本文模型可以直接使用表2中的数据来纠正实时数据评价结果。在QoS预测与约束层次模型、博弈论模型、服务组合模型中，博弈论模型和服务组合模型采用对每个时间点或时间区间进行服务决策取平均值的方法，QoS预测与约束层次模型则直接进行实时数据评价。服务组合模型在进行QoS属性项目比重取值的过程中，使用的是MCDM法，其他三种模型均使用熵值法。
表3是以上四种模型在5个服务器上响应时间、资金消耗以及QoS云服务指数的平均值对比表。
由表3可知，本文模型和服务组合模型选择的主要服务器均是标号为5的移动云计算服务器，从表1中可以看出，这个服务器的QoS云服务价格较低，因此，本文模型和服务组合模型的资金消耗也较低，其他两种模型的资金消耗则比较高，这是造成模型平均QoS云服务指数偏低的主要原因。同时，四种模型中本文模型的平均响应时间最短，有效提高了模型的平均QoS云服务指数。综合来看，本文模型的服务内容选择性最强。
为了明确本文模型的服务内容选择性是否能够满足用户需求，应从QoS云服务指数进行分析，图5是四种模型QoS云服务指数的折线图，可以看出，本文模型折线远远高于其他三种模型，表明其更能满足网络用户需求。
3 结 论
QoS在网格技术中主要负责进行服务质量监控与提升。QoS的云服务评价模型对网格技术至关重要，但由于网络复杂多变，网络需求往往得不到满足，因此，本文设计改进QoS的云服务评价模型，从QoS属性、云计算框架等方面入手，通过时刻跟踪网络用户上网行为，全面提升传统模型的科学性与综合性，并针对用户重点需求功能进行完善与多方决策，使网络服务质量得到了很大提升。
参考文献
[1] 李莉，王俊英，臧兆祥，等.基于RBF?DE的改进蚁群算法和多QoS约束的云资源调度策略研究[J].软件导刊，2016，15（3）：1?5.
LI Li， WANG Junying， ZANG Zhaoxiang， et al. Research on improved ant colony algorithm and multi QoS constrained cloud resource scheduling strategy based on RBF?DE [J]. Software guide， 2016， 15（3）： 1?5.
[2] 刘志中，吕克林，宋成，等.基于QoS预测与约束层次模型的云服务推荐方法研究[J].计算机工程与应用，2015，51（10）：47?52.
LIU Zhizhong， L? Kelin， SONG Cheng， et al. Cloud service recommendation method based on QoS prediction and constraint hierarchy model [J]. Computer engineering and applications， 2015， 51（10）： 47?52.
[3] 陈绍东，宋亮，卜春霞.网络通信能量资源优化调度仿真研究[J].计算机仿真，2016，33（3）：235?238.
CHEN Shaodong， SONG Liang， PU Chunxia. Simulation of optimal scheduling for network communication energy resources [J]. Computer simulation， 2016， 33（3）： 235?238.
[4] 许阳，赵宗贵.一种人机协作的目标综合识别模型设计[J].计算机测量与控制，2015，23（11）：3739?3743.
XU Yang， ZHAO Zonggui. Design of integrated target identification with human?machine cooperation [J]. Computer measurement & control， 2015， 23（11）： 3739?3743.
[5] 郝贵和，张天娇，伍红英，等.基于博弈论的QoS协作WSNs路由算法[J].现代电子技术，2016，39（16）：108?111.
HAO Guihe， ZHANG Tianjiao， WU Hongying， et al. QoS coo?perative WSNs routing algorithm based on game theory [J]. Modern electronics technique， 2016， 39（16）： 108?111.
[6] 刘彩霞.基于QoS量化评估的电子商务认证协议优化[J].科学技术与工程，2016，16（18）：61?65.
LIU Caixia. Optimization of electronic commerce authentication protocol based on QoS quantitative assessment [J]. Science technology and engineering， 2016， 16（18）： 61?65.
[7] 焦扬，陈喆，梁员宁，等.基于马尔可夫过程的云服务组合QoS量化评估方法研究[J].计算机科学，2015，42（9）：127?133.
JIAO Yang， CHEN Zhe， LIANG Yuanning， et al. Research on QoS quantitative evaluation method of cloud service composition based on Markov process [J]. Computer science， 2015， 42（9）： 127?133.
[8] 聂子航，于学军.基于多元线性回归的办公建筑电力能耗评估预测模型的设计[J].电子设计工程，2016，24（3）：40?43.
NIE Zihang， YU Xuejun. Design of the evaluation and prediction of power energy consumption of office buildings based on multivariate linear regression [J]. Electronic design engineering， 2016， 24（3）： 40?43.
[9] 王海荣，刘珂.基于复杂序列映射的离散信息签密安全模型[J].科技通报，2015，31（8）：159?161.
WANG Hairong， LIU Ke. Discrete information signcryption model based on complex sequence mapping [J]. Bulletin of science and technology， 2015， 31（8）： 159?161.
[10] 文华.运用备份服务位置和概率QoS模型的Web服务组合算法[J].电信科学，2016，32（10）：116?123.
WEN Hua. Web services composition algorithm based on the location of backup service and probabilistic QoS model [J]. Telecommunications science， 2016， 32（10）： 116?123.
[11] 秦丽，李兵.基于p階组合云模型的QoS不确定性建模与Web服务过滤[J].小型微型计算机系统，2015，36（11）：2439?2444.
QIN Li， LI Bing. QoS uncertainty modeling and web services filtering based on p?order combined cloud model [J]. Journal of Chinese mini?micro computer systems， 2015， 36（11）： 2439?2444.
