基于服務系統的運行時異常處理機制研究與應用

文 斌 羅自強

(1.海南師范大學信息科學技術學院 海口 571158)(2.海南師范大學云計算與大數據研究中心 海口 571158)

基于服務系統的運行時異常處理機制研究與應用

文 斌1,2羅自強1,2

(1.海南師范大學信息科學技術學院 海口 571158)(2.海南師范大學云計算與大數據研究中心 海口 571158)

軟件服務成為接入和放大各類硬件基礎設施能力的基本途徑,服務計算成就資源共享價值,其核心是個性化定制和按需聚合實現離散服務增值。目前基于服務的軟件系統缺乏運行時異常處理和服務再聚合迭代過程考慮,沒有從需求出發直接對接服務系統的自適應機制以克服運行時各種例外和應對客觀存在的服務資源不足、上下文環境變化問題。論文主要貢獻: 1) 構建服務資源自適應異常處理體系結構; 2) 設計應對需求和服務場景變化的運行時自適應調節機制; 3) 結合海南熱帶農產品電商平臺獲取實現能支持自適應SOA的運行時處理能力的CASE工具功能性需求和相關性能評估。理論研究與實證相結合,嘗試為服務軟件系統的運行時需求演化和異常處理構建自適應機制、提升SOA運行時自適應能力方面提供一種可行的解決方案。

SBS; 異常處理; 架構演化; 運行時; 海南農產品電商平臺

Class Number TP313.5

1 引言

軟件和資源使用是以走進云基礎設施,以服務的形式為消費者所用。軟件服務成為接入和放大各類硬件基礎設施能力的基本途徑,服務計算成就資源共享價值。大數據研究中的分析即服務(AaaS)以及云計算中最常提到的軟件即服務(SaaS)、平臺即服務(PaaS)、基礎設施即服務(IaaS)中最核心的就是服務,而近年來服務計算相關研究也多涉及基礎設施上的資源共享和應用集成[1～2]。

服務計算領域知名會議ICSOC2013在2013年11月3日由ACM和IEEE雙Fellow的Carlo Ghezzi發表的大會主題演講,旨在關注面向服務構建系統中的自適應性,指出服務系統的自適應性研究是推動軟件技術發展的主要挑戰[3]。2014年11月3日舉辦的IOSOC2014論文集前言同樣強調“服務適應動態環境要求的服務變化管理是一個核心、關鍵研究主題”[4]。

目前基于服務的軟件生產方法通常流程為:服務提供者生產服務資源→發布服務→服務消費者選擇服務→服務聚合(按需服務資源綁定、組合),類似瀑布模型或自頂向下與自下向上中間對齊的混合模式,缺乏運行時例外處理和服務再聚合迭代過程考慮。只是一個從需求出發聚合服務資源的單向渠道,用戶與服務資源缺乏直接聯系,沒有從需求出發直接對接服務系統的自適應機制以克服運行時各種例外和應對客觀存在的服務資源不足、上下文環境(Context)變化問題。

因此,建立用戶需求到服務資源的直接定制反饋通道、實現SOA軟件系統運行時自適應調整能力、完善基于服務的軟件生產方式,由此構建適應性SOA正是本文的研究動機和意義。

資源是一個很寬泛的概念,其內涵和抽象粒度差異很大,涉及計算資源、網絡資源、存儲資源、數據資源和服務資源等諸多形態。本文中服務資源表示為良定義可互操作的Web軟構件的集合。

服務資源供應的重要性主要體現在: 1) 充足的、滿足個性化要求的服務資源是服務聚合和服務軟件生產的物質基礎; 2) 有效的服務資源供應方法是服務軟件生產順利實施、高效完成的保障。

圖1 服務請求者為中心的支持自適應性SOA結構

SOA(面向服務體系結構)變服務資源的供應從直接端到端提供為間接尋址方式,通過注冊機制解耦軟件表示和實際服務資源的直接聯系,比較有效地解決了服務資源的分布式定位,SOA由此成為分布式互聯網計算的經典體系結構。帶有異常處理的服務請求者為中心的支持自適應性SOA結構如圖1所示。

由于Web執行環境的動態鏈接和盡力而為的服務資源供應機制,在組合服務的過程中會自然發生各種服務資源供應異常[5]。異常情況,指的是服務失效(故障)、網絡錯誤和資源或需求變化引起的異常事件。缺乏異常處理機制導致的問題如性能低下、資源浪費、非優化服務供應甚至是失敗的流程執行。

而用戶的偏好和需求不斷變化,僅僅依賴當前可得到的服務資源進行組合來構建應用非常困難。業界的主要服務軟件開發平臺,如IBM RSA、ActiveBPEL、WebsphereIntegeration Developer等也同樣缺乏服務資源主動供應方面的設計考慮,由此也影響這些工具在實際使用上的方便性、實用性。

以上問題造成的結果是:大型、分布式軟件開發中投入大量的人力、物力和工具進行服務資源的建設,但投入高、產出少,作用不明顯。

主要原因:

1) 傳統SOA不具備運行時自適應調節機制以適合需求和服務場景變化能力。

2) 服務資源被動供應、靜態綁定。缺乏服務聚合運行時服務資源自適應主動供應機制。

因此,調整運行時架構以適應需求和上下文環境變化、解決服務資源供應的動態自適應異常處理就成為目前SBA(基于服務的應用系統)發展中需要迫切解決的問題之一。

2 自適應運行時的異常處理

對于問題域的需求模型如何根據異常情況自適應變化,最終驅動軟件架構執行級元素聯動變化,提出一個基于日志歷史的預測控制自適應異常處理方法。該方法彌補了目前沒有綜合考慮時間、需求、軟件體系結構三要素模型的缺陷。其核心是采用小波變換建立與時間域的關系,通過歷史日志關聯時間變化進而預測服務資源供應的能力和變化,遇到運行時異常時需求描述發生實時演化同時驅動軟件架構使能元素變化。同時采用服務虛擬化機制,從用戶需求出發,基于個性化定制進行服務資源動態自適應生產和遺留軟件服務化的方法進行服務資源運行時自適應異常處理。

服務軟件虛擬化方法和技術旨在屏蔽IT資源分布異構的物理特性,解耦軟件的抽象表示和具體的IT資源,通過虛擬化機制實現語義等價的IT層面Web服務到用戶業務功能需求抽象的映射。

借助服務虛擬化,探索需求主導的服務資源個性化主動定制,以完成服務聚合運行時無法匹配的服務構件資源的即時、按需生產,努力彌補研究社區在按需服務資源自適應定制方面的缺失,完善服務資源供應方式。同時需要預測控制機制監控需求變化,在運行時將需求描述或需求演化映射到軟件架構執行級元素上。

在項目實驗載體研究中,我們選擇基于Internet的軟件系統,聚焦海南農產品電子商務服務領域。因為在面向服務的海南農產品電商服務中,該領域面臨的涉眾用戶比較豐富、個性化需求多樣、開發的服務資源多、采用SOA體系結構,由此導致多樣的個性化定制要求,同時有關農產品信息加工處理的遺留軟件眾多,符合項目實證載體特征要求。

3 應對需求和服務場景變化的運行時自適應調節機制

前期已經系統研究了需求模型制導下涉眾群體參與的需求獲取技術、需求語義驅動的服務聚合生產以及服務資源運行時主動定制生產,取得了階段性成果,下面闡述基于個性化定制的服務資源供應自適應運行時異常處理研究方案。

3.1 服務資源供應的異常處理機制

圖2 服務資源供應自適應運行時異常處理體系結構

服務資源供應自適應運行時異常處理體系結構見圖2。該體系結構采用Atom數據聚合方式封裝和傳遞服務需求,通過Atom的subscribe和inform完成服務資源需求描述的創建、訂閱、主動推送功能。

配合服務聚合與再聚合,由此設計帶有定制處理的服務聚合流程和自適應定制優化算法、異常處理算法、異常處理監控運行,共同完成自適應異常處理功能。

3.2 服務資源自適應定制優化

伴隨服務資源定制生產系統,主要研究核心算法在于服務定制者優先選擇算法和帶有定制處理的服務聚合算法、服務資源定制自適應優化算法、服務評價算法、定制管理流程算法、定制信息反饋、加入定制服務資源后服務聚合再運行等及其應用實效分析。

Algorithm 1 SSOA算法偽代碼。

INPUT:solution set (population)

OUTPUT:優化空間

1: Begin

2: Initialization；

3: 1) Initialize a solution set (population) at random.

4: 2) Opposition-based space search.

5: While (the termination conditions are not met)

6: IF (rand(0,1)

7: Local space search；

8: 1) Generate a new space: Generate a new space based on threes given solutions.

9: 2) Search the new space: Reflection, Expansion, and Contraction.

10: Global space search: Cauchy search (Cauchy mutation).

11: Else

12: Opposition-based space search.

13: End While

14: End

服務資源定制自適應優化算法部分采用項目組前期成果SSOA(空間搜索優化算法)(具體見Algorithm 1),在定制資源提供選擇方面提高資源供應搜索效率。空間搜索算法借助空間搜索操作實現:即從已知解出發,產生新的子空間并搜索該子空間。

算法特點:SSOA具有更強的局部搜索能力,例如:目前大部分DE算法;SSOA算法具有相對較強的全局搜索能力,這是由于算法中具有柯西變異操作;SSOA算法具有較快的收斂速度。

算法優點:與目前一些著名的改進DE算法對比,實驗結果表明SSOA具有更快的收斂速度,且有更大的可能性獲得精確解或更為精確的近似解;尤其在高維優化問題上該優點更為突出。

共包含兩種空間搜索操作:

1) 局部空間搜索:基于單純形算法思想進行改進(增加了約束條件的搜索),具有較高的局部搜索能力。

2) 全局空間搜索:實質就是柯西變異操作。反向操作:引用“反向數字”加速算法收斂速度,該操作已經被證明比純粹的隨機搜索更優。

3.3 服務資源定制管理監控的運行機制

按需服務資源定制需要聚合運行時監控異常以便觸發服務資源定制過程,為此需要系統研究服務質量評價度量標準,需要界定異常時定制觸發的邊界條件,同時這也是一個實時系統,必須滿足實時觸發、發布和反饋的要求。

異常發生時,服務聚合流程中斷。當缺失服務資源定制完成,聚合流程需要重新啟動,再聚合流程工作。實施方法是借鑒科學工作流中的事務機制,完整流程要么完成、要么終止,同時保留相關流程運行數據。對于終止流程再聚合時,流程重新開始不會影響服務資源提供方。為此需要在系統數據庫中設計相關數據表,通過數據記載為再聚合提供支持。

服務資源定制管理的運行方法要點為: 1) 提出服務請求者為中心的支持自適應性SOA結構; 2) 設計完整的服務資源自適應定制、服務聚合重啟動、異常處理即時監控等用戶服務異常情況下的體系結構和實現方法,重點關注實現可行性和執行簡便有效; 3) 通過服務資源自適應定制優化算法等數學模型構建以優化、量化服務資源應對異常處理的自適應定制能力。

3.4 應對需求和服務場景變化的運行時異常處理自適應調節機制

面對運行時異常,通過及時調整運行時軟件架構執行元素以適應需求和上下文環境的變化(如異常),并保證其在動態負載下的QoS。由于缺乏貫通時間、需求和架構三種變化的有效方法,因此問題域的需求模型變化自適應驅動解空間上的架構元素就成為了一個核心問題。基于預測控制的運行時異常處理自適應調節,就是采用了結合需求模型級和軟件架構級一致性聯動變化來驅動SOA系統的自適應。該方法通過歷史日志學習基于小波變換的模型以準確/柔性預測服務資源的變化,并通過預測控制誘導需求模型實時變化聯動實現運行時軟件架構的演化,達到SOA系統的運行時異常處理自適應調整。

圖3 應對需求和服務場景變化的運行時異常處理自適應

運行時自適應調節是目前面向Internet軟件系統的難題,需要解決如何在運行時將需求模型變化映射到架構單元[6～7]。通過預測控制驅動SaaS組件誘導需求進化,實現運行時架構變化,并證實預測控制在需求/架構演化方面的有效性[8],但未推廣到SOA層次上考慮運行時需求變化驅動架構演化。如圖4所示,提出的運行時異常處理自適應調節方案是結合有效的預測控制方法[8]和MAPE-K[9]控制回路模型的,方案分為運行時監控、實時分析引擎、軟件架構調節管理器、Aspect執行引擎和日志管理等部分。

方案的核心關注點如下:

1) 運行時服務資源的服務質量QoS值的預測方法(采用小波變換,比如選擇Morlet母小波基函數)。

Algorithm 2 基于QoS變化預測的軟件架構調算法。

INPUT:SOA軟件系統中運行時t和t+1時服務資源的QoS值，期望輸出的QoS值

OUTPUT:t+1時刻的控制操作向量

1: Begin

2: 初始化：訓練分類預測模型；訓練需求模型的標記改進點；

3: IF 分類預測(運行時t和t+1時服務資源的QoS值，期望輸出的QoS值)=需求

4: THEN

5:t+1時刻的控制操作向量=標記改進點(運行時t和t+1時服務資源的QoS值，期望輸出的QoS值)

6: ELSE

7:t+1時刻的控制操作向量=架構演化(運行是t和t+1時服務資源的QoS值，期望輸出的QoS值)

8: END IF

9: RETURNt+1時刻的控制操作向量

10: End

傅里葉變換方法在電磁學、軍民用電力、移動通信等許多方面都有普遍和成功的應用,主要功能是能將時間序列數據轉換為頻率序列數據以抽取時間序列的特征。但是傅里葉變換本質上具有時域和頻域局部化矛盾,不能有效解決全局預測效能,而使用小波變換分析和描述應用在各個單位時間內運行時服務資源的QoS值隨時間的變化規律進而預測未來變化,該變換可以較好解決了上述矛盾。

2) 基于QoS變化預測的軟件架構調節機制

根據預測的服務資源QoS值Yi(t+1)與三元組(系統監控控制節點在t時刻對于服務資源i的控制操作)集合CON中生成t+1時刻的控制操作向量為CON(t+1)。預測控制過程包括需求模型初始化、運行時異常觸發的需求描述演化、架構執行級元素調節等。

運行時自適應架構調節算法設計如Algorithm 2。

自適應架構調節主要包括兩大部分:初始化部分、預測控制部分。初始化工作,即采集日志記錄數據通過支持向量機SVM模型進行學習、挖掘,提煉出可行的、經過驗證的需求描述模型。

3) 面向需求變化的元模型設計

面向運行時需求變化,必須擴展已有的需求模型以支持運行時需求描述模型在線改變,為此擴展我們以前的需求描述元模型。由于需求模型采用XML格式,通過在其中增加相關面向變化描述的元素,如方面Aspect、本體表示等以提高XML標簽的語義互操作性。運行時通過這些標簽的改變反映需求模型的即時變化。

4) 面向方面Aspect的軟件架構執行級演化

面向方面Aspect的軟件架構執行級演化機制包括需求演化和運行時架構模型變換兩個方面。其中需求模型演化需要解決的主要問題是異常出現時如何即時進行新的需求模型生成。

(1)根據2)中基于QoS變化預測的軟件架構調節機制,分析與獲取變更需求對應的控制操作向量;

(2)需求模型演化。根據第一步得到的操作向量搜尋演化需求模型庫(項目組前期研究成果)獲得支持異常處理的新需求描述模型。

圖4 支持運行時軟件架構自適應調節的軟件架構演化元模型

(3)利用面向方面的需求演化建模分析方法(支持運行時軟件架構自適應調整),對初始需求描述模型,匹配對應的軟件體系結構執行級元素-如方面Aspect(圖4),模型中采用OWL-SA作為需求語義級描述語言,在需求變化階段建立需求演化語義,為體系結構執行級提供原始驅動。描述語言OWL-SA采用橫切點-通告方式將需求模型與軟件架構執行級元素(方面Aspect)聯系起來。方面(Aspect)對應服務軟件系統的需求規格說明,其需求描述包括多個橫切點-通告對。橫切點表示運行時架構演化發生適應性改變的位置,通告表示需求變化的具體要求。通過方面切入達到運行時軟件架構元素重組,可以完成運行時架構演化。

通過表征SOA系統運行時質量的QoS值預測控制來驅動軟件架構演化的自適應調節方法,其采用了結合需求和架構驅動服務系統的自適應。通過實時分析SOA運行時日志信息,基于小波變換的學習模型來預測下一確定時刻相應服務資源的服務質量屬性;通過基于QoS預測生成運行時架構改變,實現運行時的自適應需求變化,利用面向方面技術支持運行時架構元素自適應調整,完成SOA軟件系統運行時演化。

4 實驗實證分析

項目實驗載體領域研究選擇基于Internet的軟件系統即集成物聯網、云應用、大數據等技術打造面向服務的海南農產品電子商務平臺-“農博商城”升級版,探討O2O(線上線下相結合)農產品電子商務模式,實現消費者與農業生產企業、生產基地信息全流程對接,并向終端消費者提供準確及時的農產品生產履歷、倉儲、物流配送等信息,打造海南“三品一標”熱帶農產品第一交易門戶。

因為在面向服務的海南農產品電商服務平臺,該領域面臨的涉眾用戶比較豐富、個性化需求多樣,由此導致多樣的個性化定制要求,同時采用SOA體系開發,已經開發了大量服務資源(包括微軟Asmx或Java Axis),符合探索支持適應性SOA項目實證載體特征要求。海南農博網科技公司是海南熱帶特色農產品電商平臺-農博商城維護運營方,筆者所在項目組是農博商城線上/線下設計技術支撐合作單位,雙方緊密合作關系有助于項目科研成果及時、有效應用于海南農產品電商平臺實踐中,通過不斷迭代得到較全面的支持自適應SOA能力的CASE工具需求。

電商平臺本身設計了大量服務,僅以農產品追溯信息服務為例,其WCF接口服務地址為

http://218.77.186.198:8000/TracesDataService.svc

Web服務接口地址為

http://218.77.186.198:8000/TracesDataWebService.asmx

其身份識別碼:

2C516EF7-CBD8-4C1C-9EE0-00EB34AFBCB5

測試數據

PID(批次號):A003121910013001

PRID(種植編號):XH03020130401

如:生產履歷批次號查詢:

ProductionHistoryGetProductionHistoryByPID(stringPID,string IDs)

參數說明:PID:16位批號號,IDs:身份識別碼,返回一個ProductionHistory對象。

主要的數據結構,例如ProductionHistory(生產履歷)類結構如下:

〈summary〉批次號〈/summary〉

publicstring PID {get;set;}

〈summary〉種植編號〈/summary〉

publicstring PRID {get;set;}

〈summary 〉種植時間〈/summary 〉

publicDateTimePlantTM {get; set;}

〈summary 〉采摘時間〈/summary 〉

publicDateTimePickTM {get; set;}

〈 summary 〉農藥記錄集〈/summary 〉

publicList〈PesticideHistory〉PesticideHistoryList {get; set;}

〈summary 〉施肥記錄集〈/summary 〉

publicList〈FertilizerHistory〉FertilizerHistoryList {get; set;}

圖5 電商平臺使用異常處理機制效果比較

除平臺自身開發的服務以外,系統還調用了大量外部服務,如地圖服務、天氣服務、物理服務等,是典型的SBS應用。平臺初期運行極為不穩定,究其原因是沒有采用相應的運行時異常處理相關機制,圖5是通過兩套相同系統平臺同時運行30天的比較結果(其中一套系統平臺運行了本文設計的部分異常處理機制),比較結果表明運行時異常處理機制的加入明顯提升了平臺應對各種不確定狀態的能力。

5 相關工作比較

基于服務的應用系統(SBA)一方面實現了關注點分離和高度簡化構建SBA的設計努力,另一方面由于引入了SBA自身與被使用的服務資源之間的關鍵依賴,導致可能出現無法通知的變化或不可預知時間的應用失效。基于服務的軟件系統中的適應性是指具有適應不可預測變化的應對能力[10]。可適應性的SBA在操作條件下改變它們的行為、重新配置軟件結構及通過不斷演化以應對變化,目的是持續滿足用戶的期望[11]。

通過使用Salesforce.com自身固有的編程語言Apex,用戶可以開發任何自定義的操作:定制流程和布局以滿足不同客戶的需要,以及對客戶所提供的一種服務進行狀態的跟蹤定制。但Salesforce.com只是可以類比到服務資源的個性化定制,主要關注服務結果的交付(如SaaS),沒有系統研究個性化定制的服務資源有效供應,即服務軟件的生產方法(如SOA)。

目前一些SBA開發方法主要基于傳統的軟件工程和系統工程,難于便利SBA的自適應性。SBA的開發方法如SOUP、ASTRO或文獻[12]所提方法僅支持一定程度的自適應性。文獻[13]系統綜述了SBA開發方法,其標識的57種方法中僅有8種處理自適應性,而8種方法中僅有4種關注服務資源的自適應性,其它則考慮SBA整體的適應性。

自適應性分為兩種:靜態自適應性和動態自適應性[14]。靜態自適應性中自適應性機制在開發階段硬編碼進應用。動態自適應允許運行時自適應邏輯更改或代替,并且不能造成系統當機。動態自適應比靜態自適應更具有彈性,但它在運行時需要一些過程來指導人工干預。文獻[15]為了防止運行時違反SLA要求,設計了基于成本-代價優化的方法,選取服務組合策略以自適應于SLA變化,重點考慮適應性應對反應的成本。

文獻[16]中開發和執行了一個個性化情境感知服務PerCAS,其能在運行時適應特定用戶的適應性要求。方法是用戶定義的適應性邏輯被編碼為規則,通過面向方面(AOP)機制織入基本工作流程。運行時,動態的用戶定義規則集依賴于調用服務對象而被觸發執行。PerCAS的執行平臺采用模型驅動方式。文獻[17]提出了一種基于軟件Agent和組織抽象來支持自適應軟件系統運行的方法。

支持自適應性SOA方面已經有相關基礎和應用研究給出了各種類型的解決方案和工具支持,但在從用戶需求著手進行服務系統架構重組及服務資源應對異常處理的自適應性實現和完成運行時架構按需服務聚合演化機制方面仍然存在較大差距。此外,現有的服務系統運行時演化方法,往往將服務資源創建過程和用戶個性化需求獨立開來。

綜上所述,國際上目前服務系統的自適應性研究主要考慮系統整體的自適應性策略,而關注服務系統動態自適應性實現方法不多,尤其未重點考慮從用戶需求著手進行服務架構重組及服務資源應對異常處理的自適應性實現機制,以完成運行時按需服務聚合演化。

6 結語

面向個性化定制的自適應SOA運行時異常處理機制研究,重點關注兩個方面:

1) 一是基于個性化需求驅動的運行時異常處理,針對服務組合中無法得到的服務資源,采用切片或分割方法獲取整體需求中針對該服務資源的個性化需求(描述),通過即時向服務提供者發出定制要求,采用一系列自動化定制管理手段,服務提供者主動按需生產;

2) 二是設計應對需求和服務場景變化的運行時自適應調節機制,提出一個基于預測控制的自適應調節方法,采用結合需求模型和軟件架構來驅動SOA系統的自適應。

進一步的工作包括:完成相關運行時異常處理機制理論對應的全部模塊設計任務;對于電商平臺的性能評估應該設計更加全面的評估方案;同時采用公開的測試數據集(如:Web Service Challenge 等)或真實QoS數據集對比測評以期得到更加客觀的性能評測結果。

[1] L. Liu. Editorial: Service computing in 2015[J]. IEEE Transactions on Services Computing,2015,8(1):1-1.

[2] 文斌.面向云計算的按需服務軟件工程[M].北京:國防工業出版社,2014:1-3. WEN Bin. On-demand Service Software Engineering for Cloud Computing[M]. Beijing: National Defense Industry Press,2014:1-3.

[3] C. Ghezzi. Surviving in a world of change: Towards evolvableand self-adaptive service-oriented systems[C]//Keynotespeech at 11th International Conference on Service OrientedComputing(ICSOC 2013). Springer,2013:2-8.

[4] F. Toumani, B. Pernici, D. Grigori, et al. Service-Oriented Computing[C]//Proceedingsof Service-Oriented Computing - ICSOC 2014, ser. LectureNotes in Computer Science 8954. Paris, France: Springer International Publishing Switzerland,2015:1-2.

[5] A. L. Lemos, F. Daniel, B. Benatallah. Web service composition: A survey of techniques and tools[J]. ACM Comput. Surv.,2015,48(3):1-41.

[6] Z. Chouiref, A. Belkhir, K. Benouaret, et al. A fuzzy framework for efficient user-centric web serviceselection[J]. Applied Soft Computing,2016,41:51-65.

[7] L. Baresi, M. Miraz, P. Plebani. A distributed architecturefor efficient web service discovery[J]. Service OrientedComputing and Applications,2016,10(1):1-17.

[8] 熊偉,李兵,陳軍,等.一種基于預測控制的saas系統自適應方法[J].計算機學報,2016,39(2):364-376. XIONG Wei, LI Bing, CHEN Jun, et al. A self-adaptation approach based on predictive control for SaaS[J]. Chinese Journel of Computer,2016,39(2):364-376.

[9] J. O. Kephart, D. M. Chess. The vision of autonomiccomputing[J]. Computer,2003,36(1):41-45.

[10] A. Bucchiarone, C. Cappiello, E. Nitto, et al. Design for Adaptation of Service-Based Applications: Main Issues and Requirements[C]//Berlin, Heidelberg: Springer Berlin Heidelberg,2010:467-476.

[11] S. Lane, A. Bucchiarone, I. Richardson. Soadapt: Aprocess reference model for developing adaptable servicebasedapplications[J]. Informaton And Software Technology,2012,54(3):299-316.

[12] D. Linner, H. Pfeffer, I. Radusch, et al. Biologyas inspiration towards a novel service life-cycle, ser[J]. LectureNotes In Computer Science,2007,4610:94-102.

[13] S. Lane, I. Richardson. Process models for service-basedapplications: A systematic literature review[J]. Information And Software Technology,2011,53(5):424-439.

[14] P. K. McKinley, S. M. Sadjadi, E. P. Kasten, et al. Composing adaptive software[J]. Computer,2004,37(7):56-64.

[15] P. Leitner, W. Hummer, S. Dustdar. Cost-based optimizationof service compositions[J]. IEEE Transactions on Services Computing,2013,6(2):239-251.

[16] J. Yu, J. Han, Q. Z. Sheng, et al. PerCAS: AnApproach to Enabling Dynamic and Personalized Adaptationfor Context-Aware Services[M]. Berlin, Heidelberg: Springer Berlin Heidelberg,2012:173-190.

[17] 毛新軍,董孟高,齊治昌,等.開放環境下自適應軟件系統的運行機制與構造技術[J].計算機學報,2015,38(9):1893-1906. MAO Xinjun, DONG Menggao, QI Zhichang, et al. Running mechanism and implementation technique of self-adaptive software in open environment[J]. Chinese Journal of Computer,2015,38(9):1893-1906.

Research and Application of Runtime Exception Handling and its Applications Based on Service System

WEN Bin1,2LUO Ziqiang1,2

(1. School of Information Science and Technology, Hainan Normal University, Haikou 571158) (2. Cloud Computing and Bigdata Research Center, Hainan Normal University, Haikou 571158)

Service computing achieves resource sharing value and its core is personalization and on-demand aggregation to realize value-added services. But now, service-based system lacks of runtime exception handling and iterative reaggregation process consideration. In this paper, the main contributions are as follow. Self-adaptive exception handling architecture for services resource has been built. Runtime adaptive adjustment mechanism has been designed to deal with requirements and context changes. Combination of theoretical research and empirical validation, the paper tries to provide a technical operational and cost-effective solution with adaptive mechanism for runtime requirements evolution and exception handling.

service-based system, exception handling, architecture evolution, runtime, Hainan agricultural E-business platform

2016年8月12日,

2016年9月29日

國家自然科學基金(編號:61562024);海南省自然科學基金(編號:20156236);科技部國際合作項目(編號:2014DFA13140)資助。

文斌,男,博士,教授,研究方向:服務計算、適應性軟件系統。羅自強,男,博士,副教授,研究方向:軟件可靠性、復雜網絡、云模型等。

TP313.5

10.3969/j.issn.1672-9722.2017.02.009