[論文レビュー] Distance-Guided GA-Based Approach to Distributed Data-Intensive Web Service Composition

Soheila Sadeghiram, Hui Ma+1 more|arXiv (Cornell University)|Jan 16, 2019

Service-Oriented Architecture and Web Services参考文献 23被引用数 4

ひとこと要約

本稿では、分野特有のヒューリスティクス—最長共通部分列（LCS）およびサービス距離—を交叉演算子および局所探索手法に統合した、分散型データ集約型Webサービス編成（DWSC）のための新規な遺伝的アルゴリズム（GA）ベースの手法を提案する。この手法は、機能的ブロックを保持し、QoSを最適化することで、解決策の品質を著しく向上させる。距離誘導型LCS交叉は、ベンチマークデータセット全体でベースライン法およびインデックスベースの手法を上回る性能を示した。

ABSTRACT

Distributed computing which uses Web services as fundamental elements, enables high-speed development of software applications through composing many interoperating, distributed, re-usable, and autonomous services. As a fundamental challenge for service developers, service composition must fulfil functional requirements and optimise Quality of Service (QoS) attributes, simultaneously. On the other hand, huge amounts of data have been created by advances in technologies, which may be exchanged between services. Data-intensive Web services are of great interest to implement data-intensive processes. However, current approaches to Web service composition have omitted either the effect of data, or the distribution of services. Evolutionary Computing (EC) techniques allow for the creation of compositions that meet all the above factors. In this paper, we will develop Genetic Algorithm (GA)-based approach for solving the problem of distributed data-intensive Web service composition (DWSC). In particular, we will introduce two new heuristics, i.e. Longest Common Subsequence(LCS) distance of services, in designing crossover operators. Additionally, a new local search technique incorporating distance of services will be proposed.

研究の動機と目的

• 関数的正しさとサービス品質（QoS）最適化を統合することで、NP困難な分散型データ集約型Webサービス編成（DWSC）の課題に取り組む。
• 従来のWebサービス編成手法がデータ量およびサービス分散の影響を無視するという限界を克服する。
• 交叉および局所探索演算子に分野特有のヒューリスティクスを統合することで、DWSCにおける遺伝的アルゴリズムの性能を向上させる。
• 分散環境における大規模・データ集約型サービス編成のための完全自動的かつスケーラブルなソリューションを構築する。
• ヒューリスティクス誘導型の交叉演算子が一般化された手法やインデックスベースの代替手法を上回ることを実証的に検証する。

提案手法

• LCSおよびサービス距離ヒューリスティクスを用いて、問題特化型の3つの交叉演算子を設計し、機能的ブロックを保持するとともに、解の多様性を向上させる。
• 地理的および通信コストを考慮することで、探査と活用のバランスを取る距離誘導型二点交叉を導入する。
• サービス距離を組み込んだ局所探索手法を提案し、解を精緻化し、高品質な最適解への収束を促進する。
• 応答時間やコストなどのQoS属性に加え、分散サービス間のデータ転送サイズおよび通信オーバーヘッドを組み合わせたフィットネス関数を採用する。
• WSC08およびWSC09のベンチマークデータセットを用いて、複数回の実行における性能を評価し、先行研究におけるインデックスベースの交叉から得られたベースライン法と比較する。
• パairowise比較による統計的有意性検定を実施し、異なる手法間の性能差を検証する。

実験結果

リサーチクエスチョン

• RQ1 LCSおよびサービス距離ヒューリスティクスは、分散型データ集約型Webサービス編成における解の品質をどのように向上させるか？
• RQ2 距離誘導型交叉演算子は、一般化された手法やインデックスベースの手法を上回る性能を示せるか？
• RQ3 GAの交叉および局所探索に分野特有の知識を統合することで、解の収束性およびQoS最適化にどのような影響を与えるか？
• RQ4 提案された局所探索手法は、標準的なGAアプローチと比較して、解の品質をどのように向上させるか？
• RQ5 GA-I、GA-II、GA-LCSのうち、どの交叉バリアントが多様なDWSCデータセットにおいて一貫性と最適性を両立させるか？

主な発見

• 距離誘導型LCS交叉（GA-LCS）は、すべてのベンチマークデータセットで最も優れた総合的性能を示し、他のすべての手法と比較して顕著に優れたフィットネス値を達成した。
• GA-LCSは、[20]で提示されたベースラインインデックスベースの交叉を一貫して上回り、低いフィットネス値がQoS最適化の優位性を示した。
• WSC08-2では、GA-LCSが0.46 ± 0.04のフィットネス値を達成し、インデックス交叉の0.51 ± 0.09を顕著に上回った。
• WSC08-4では、GA-LCSが0.41 ± 0.01のフィットネス値を記録し、すべての手法の中で最低となり、優れた収束性と解の品質を示した。
• 親からの距離を大きくすることで子孫の多様性を高めるGA-IIは、GA-Iを上回った。これは、多様性の向上が解の品質向上に寄与することを示唆している。
• 統計的パairowise比較により、距離誘導型交叉が一貫してインデックスベースの手法を上回ることが確認され、分野特有のヒューリスティクスの有効性が裏付けられた。