12、云服务可靠性评估与决策方法解析

云服务可靠性评估与决策方法解析

1. 云可靠性指标概述

云可靠性指标涵盖了多个方面，其中一些指标如可用性、安全性、监管合规性、事件报告对服务级别协议（SLA）的遵守情况等，适用于所有三种云服务模型（IaaS、PaaS 和 SaaS）。同时，针对每种服务模型也有特定的指标。为了进行测量，需要对这些指标进行量化，而量化方法会根据收集指标值的用户类型而有所不同。主要涉及以下三种用户类型：
- 计划选择云服务的客户或开发人员。
- 已经在使用云应用程序或服务的客户或开发人员。
- 跟踪云标准和云服务运营的云经纪人。

2. 可靠性评估模型——CORE 模型

在详细讨论了所有云服务模型的可靠性指标后，接下来进入可靠性评估阶段。这里介绍了一种名为客户导向可靠性评估（CORE）的模型，用于评估云服务的可靠性。该模型基于层次分析法（AHP），这是多标准决策（MCDM）技术之一。由于指标具有层次结构且可靠性以用户为导向，因此选择了 AHP 方法。

2.1 CORE 模型的用户与作用

CORE 模型的用户需要具备扎实的云技术和服务知识，可以是客户或云经纪人。当客户对云使用不太熟悉时，可以采用基于经纪人的方法，这些经纪人也被称为可靠性评估者（RE）。RE 的作用包括：
- 优化业务流程以符合全球标准。
- 指导客户了解云服务应具备的功能。
- 提供风险缓解措施。
- 帮助客户确定可靠性指标的优先级。
- 监控云服务。
- 告知客户合规所需的标准和认证。

2.2 CORE 模型的结构

CORE 模型有三个层次：
- 用户偏好层：将客户偏好评估为指标优先级并存储。
- 可靠性评估层：利用优先级和指标值计算最终可靠性值。
- 存储层：存储流行云产品的所有标准和基于使用的指标，同时也存储计算得到的可靠性值，并进行时间标记，以便跟踪云服务或产品随时间的发展。

2.3 CORE 模型的益处

• 对于云用户：能够识别适合其业务的可靠云产品，新手用户可以优化业务流程以符合全球标准并增强网络影响力，现有用户可以监控性能以控制运营成本。
• 对于云服务提供商：与可靠性评估者的互动有助于了解客户需求，从而改进产品功能，提高产品质量和扩大客户群。此外，还能带来以下好处：
  • 提升产品质量。
  • 在提供商之间形成良性竞争。
  • 跟踪产品性能。
  • 了解产品在市场中的地位。
  • 获取竞争对手产品的性能信息。

3. 多标准决策（MCDM）

MCDM 是运筹学模型的一个分支，用于处理涉及多个决策标准的问题。传统的单标准决策主要关注通过最小化成本来最大化收益的有效选项选择。然而，全球化、环境意识和技术发展增加了决策的复杂性，MCDM 的使用可以改善决策过程，包括评估决策涉及的特征、促进参与者参与决策以及理解模型在现实场景中的应用。

3.1 MCDM 的分类

MCDM 进一步分为多目标决策（MODM）和多属性决策（MADM），这取决于是否使用预先定义的替代方案。这些类别还有各种其他方法，例如基于距离的、排序的、基于优先级的、混合方法等。这些方法还可以根据决策的性质分为确定性、模糊性和随机性方法，也可以根据参与决策过程的用户数量分为单用户或群体决策方法。

下面是 Multicriteria decision - making process 的 mermaid 流程图：

graph LR
    A[Identification of the decision process] --> B[Formulation Process]
    B --> C[Selection Process]
    C --> D[Performance evaluation]
    D --> E[Identification of decision parameters]
    E --> F[Implementation of selected method]
    F --> G[Result Evaluation]
    G --> H[Decision]

3.2 MCDM 方法的特点

MCDM 方法具有一些共同特点，如标准的不可比单位、标准之间的冲突以及在替代方案中进行选择的困难。MODM 方法没有预先定义的替代方案，而是根据一组约束条件确定优化的目标函数；MADM 有预先定义的替代方案，并根据一组属性评估子集。

3.3 常见的 MCDM 方法

• 多属性效用理论（MAUT）：决策者的偏好以效用函数的形式接受，该函数为一组因素定义。偏好的范围是 0 - 1，0 表示最差偏好，1 表示最佳偏好。效用函数通过对单个属性的加法或乘法效用函数进行分离。
• 目标规划：是多目标优化的一个分支，是线性规划技术的推广。它用于在动态变化和相互冲突的目标约束下实现目标，通过修改松弛变量和其他表示与目标偏差的变量来最小化不需要的偏差。它可用于确定所需的资源、目标实现的程度，并在动态变化的资源和目标优先级下提供最佳解决方案。
• 偏好排序组织方法用于丰富评估（PROMETHEE）：使用排序原则为替代方案提供优先级。排序基于对多个标准的成对比较，提供最合适的解决方案而不是正确的决策。使用六种通用标准函数，如高斯标准、水平标准、准标准、通常标准、具有线性偏好的标准和具有线性偏好和无差异区域的标准。
• 消除和选择转换现实（ELECTRE）：该方法处理定性和定量标准，从大多数标准中选择最佳替代决策。使用一致性指数、不一致性指数和阈值，并根据这些指数开发强关系和弱关系的图。通过对图应用迭代程序来获得替代方案的排名。

4. 层次分析法（AHP）

AHP 由 Thomas L. Satty 提出，适用于定性和定量因素的量化以及按层次排列的因素的成对比较。它利用专家的决策来推导因素的优先级，并通过成对比较计算替代方案的测量值。将复杂的决策问题分解为多个簇，并在簇内进行因素的成对比较，从而降低认知负荷，轻松解决决策问题。

4.1 AHP 的步骤

• 检查问题并确定决策目标。
• 构建决策层次结构，将目标放在层次结构的顶部，将确定的因素放在下一级。中间层填充复合因素，层次结构的最低层包含可测量的原子因素。
• 构建成对比较矩阵。
• 迭代计算特征向量以确定因素的排名。

成对比较使用因素的缩放来表示一个因素相对于另一个因素的重要性，该过程在层次结构的所有级别之间的因素中进行。以下是用于因素比较的绝对数字量表：
| 量表值 | 描述 |
| ---- | ---- |
| 1 | 被比较的因素具有同等重要性 |
| 2, 3 | 一个因素比另一个因素具有微弱或轻微的中等重要性 |
| 4, 5 | 一个因素比另一个因素具有中等加强烈的主导地位 |
| 6, 7 | 一个因素比另一个因素受到非常强烈的青睐 |
| 8 | 一个因素比另一个因素具有非常非常强烈的主导地位 |
| 9 | 该因素比其他因素具有极端重要性 |

4.2 比较矩阵

比较矩阵是一个与被比较因素数量相同阶数的方阵。矩阵的每个单元格值根据客户选择的偏好填充，对角线元素标记为 1，其余元素遵循以下规则填充：如果因素 i 比因素 j 重要五倍，则 CMi, j 值为 5，其转置位置 CMj, i 填充为其倒数。

例如，客户 A 决定为其小企业购买新计算机系统，考虑的因素有硬件、软件和供应商支持，短列出三个系统 S1、S2 和 S3。客户 A 对软件给予比硬件极高的优先级，比供应商支持中等优先级，对供应商支持给予比硬件中等重要性。得到的比较矩阵如下：
| | 硬件 | 软件 | 供应商支持 |
| ---- | ---- | ---- | ---- |
| 硬件 | 1 | 1/9 | 1/3 |
| 软件 | 9 | 1 | 3 |
| 供应商支持 | 3 | 1/3 | 1 |

最终的比较矩阵为：
[
\begin{bmatrix}
1 & 0.111 & 0.333 \
9 & 1 & 3 \
3 & 0.333 & 1
\end{bmatrix}
]

4.3 特征向量

创建比较矩阵后，需要进行特征向量的迭代创建。步骤如下：
- 将比较矩阵与自身相乘进行平方运算。
- 将每行的所有元素相加得到行和。
- 总计行和值。
- 通过将每行和除以行和总和来归一化行和，创建特征向量，特征向量计算保留四位小数。

重复上述步骤，直到第 i 次迭代和第 i - 1 次迭代的特征向量之间的差异在四位小数精度上可忽略不计。特征向量的总和为 1，其值用于确定因素的排名或顺序，并作为第一级因素的权重用于最终可靠性计算。

另一种方法是：
- 乘以一行的所有值并计算 n 次根，其中“n”指因素的数量。
- 找到 n 次根值的总和。
- 通过将每行的 n 次根值除以总和来归一化。
- 得到的值即为特征向量值。

以计算机选择为例，特征向量的计算如下：
- 比较矩阵相乘后的结果矩阵为：
[
\begin{bmatrix}
3 & 0.33333 & 1 \
27 & 3 & 9 \
9 & 1 & 3
\end{bmatrix}
]
- 计算每行的行和并总计行和列：
[
\begin{bmatrix}
3 & 0.3333 & 1 \
27 & 3 & 9 \
9 & 1 & 3
\end{bmatrix}
\begin{array}{l}
4.3333 \
39 \
13
\end{array}
]
行和列的总计为 56.333，用于归一化行和列：
[
\begin{bmatrix}
3 & 0.3333 & 1 \
27 & 3 & 9 \
9 & 1 & 3
\end{bmatrix}
\begin{array}{l}
4.3333 \
39 \
13
\end{array}
\begin{array}{l}
0.0769 \
0.6923 \
0.2308
\end{array}
]
最后一列是特征向量 [0.0769, 0.6923, 0.2308]，也称为优先级向量，其总和为 1。硬件的优先级为 0.0769，软件为 0.6923，供应商支持为 0.2308。

云服务可靠性评估与决策方法解析

5. AHP 在云服务可靠性评估中的应用示例

为了更清晰地展示 AHP 在云服务可靠性评估中的应用，我们以一个具体的云服务选择场景为例。假设一家企业要选择一款适合其业务的云存储服务，考虑的因素有存储容量、数据安全性、访问速度和价格。

5.1 构建决策层次结构

• 目标：选择最可靠的云存储服务。
• 准则层：存储容量、数据安全性、访问速度、价格。
• 方案层：云存储服务提供商 A、B、C。

其 mermaid 流程图如下：

graph LR
    A[选择最可靠的云存储服务] --> B[存储容量]
    A --> C[数据安全性]
    A --> D[访问速度]
    A --> E[价格]
    B --> F[云存储服务提供商 A]
    B --> G[云存储服务提供商 B]
    B --> H[云存储服务提供商 C]
    C --> F
    C --> G
    C --> H
    D --> F
    D --> G
    D --> H
    E --> F
    E --> G
    E --> H

5.2 构建成对比较矩阵

根据企业对各因素的重视程度，使用绝对数字量表构建成对比较矩阵。假设企业认为数据安全性比存储容量重要 3 倍，比访问速度重要 5 倍，比价格重要 7 倍；存储容量比访问速度重要 2 倍，比价格重要 4 倍；访问速度比价格重要 2 倍。则准则层的成对比较矩阵如下：
| | 存储容量 | 数据安全性 | 访问速度 | 价格 |
| ---- | ---- | ---- | ---- | ---- |
| 存储容量 | 1 | 1/3 | 2 | 4 |
| 数据安全性 | 3 | 1 | 5 | 7 |
| 访问速度 | 1/2 | 1/5 | 1 | 2 |
| 价格 | 1/4 | 1/7 | 1/2 | 1 |

5.3 计算特征向量

按照特征向量的计算步骤：
- 首先将矩阵相乘（此处省略具体计算过程）。
- 计算每行的行和，得到行和分别为：约 7.33、16、3.7、1.93。
- 行和总计约为 28.96。
- 归一化行和得到特征向量：存储容量约为 0.25，数据安全性约为 0.55，访问速度约为 0.13，价格约为 0.07。

这表明在企业的决策中，数据安全性的权重最大，为 0.55，其次是存储容量 0.25，访问速度 0.13，价格 0.07。

然后，针对每个准则，分别对云存储服务提供商 A、B、C 进行成对比较，构建方案层的成对比较矩阵，并计算特征向量。例如，对于存储容量准则下的成对比较矩阵：
| | 云存储服务提供商 A | 云存储服务提供商 B | 云存储服务提供商 C |
| ---- | ---- | ---- | ---- |
| 云存储服务提供商 A | 1 | 2 | 3 |
| 云存储服务提供商 B | 1/2 | 1 | 2 |
| 云存储服务提供商 C | 1/3 | 1/2 | 1 |

计算得到特征向量分别约为：A 约 0.53，B 约 0.3，C 约 0.17。

同理，计算出数据安全性、访问速度、价格准则下各服务提供商的特征向量。

最后，将准则层的特征向量与方案层各准则下的特征向量进行加权求和，得到每个云存储服务提供商的综合得分，得分最高的即为最适合企业的云存储服务。

6. 总结与展望

云服务的可靠性评估是一个复杂但至关重要的过程。通过使用 CORE 模型和 AHP 等方法，可以更科学、准确地评估云服务的可靠性，帮助企业选择最适合其业务需求的云服务。

在实际应用中，企业可以根据自身的业务特点和需求，灵活调整评估指标和权重，以确保评估结果的有效性。同时，随着云技术的不断发展，新的可靠性指标和评估方法也可能会不断涌现，企业需要持续关注并适时调整评估策略。

未来，云服务的可靠性评估可能会朝着更加智能化、自动化的方向发展。例如，利用大数据和人工智能技术，实时收集和分析云服务的各项指标，自动调整评估模型和权重，以提供更及时、准确的可靠性评估结果。此外，随着云服务市场的竞争加剧，云服务提供商也将更加重视服务的可靠性，不断提升自身的服务质量，以满足客户的需求。

总之，云服务可靠性评估是企业在云时代保障业务稳定运行的重要手段，合理运用相关方法和技术，将有助于企业在云服务的选择和使用中取得更好的效益。