-
灾害模型在应急管理过程中的风险分析、预测预警、灾损预估等环节发挥着重要作用,其定量的灾情分析结果对一体化综合减灾中的灾害预防、灾害救援等具有重要意义[1-2]。目前,各类典型灾害模型研发与应用已相对成熟,大多相互独立地部署于各相关专业部门[3-4]。
传统的灾害模型大多针对单一类型灾害,然而大量历史案例表明,灾害与灾害之间往往具有复杂的关联性[5],各种次生和衍生灾害总会伴随着原生灾害的发展而发生。文献[6]从灾害链式响应的角度指出“灾害之间通常具有因果关系,使得灾害系统的复杂性大大加深”,灾害间的特殊关系使得复合型的灾害研究具有重要意义。针对复合型灾害模型,现有研究可归纳为紧耦合灾害模型和灾害模型服务链这两类方法。紧耦合灾害模型是现阶段的主流方法,其深入研究灾害发生机理,在算法中充分考虑原生灾害的次生、衍生灾害的影响,利用算法内部紧耦合实现多灾种复合分析,常应用于不多于3类灾害复合的情形[7]。紧耦合方法的缺陷在于灾害种类增加时,模型算法需要重新设计,灾害间链式关系复杂度和模型算法设计困难度也随灾害种类增加而增大。灾害模型服务链是一种松耦合复合灾害模型,利用已有的单灾种灾害模型组合并以服务链的形式发布,其扩展性、灵活性要优于紧耦合方法。现有服务链大多以网络处理服务(Web processing service, WPS)[8]为基础,使用可扩展标记语言(extensible markup language, XML)等标准规范化网络服务的发布、发现和调用,达到分布式模型共享和整合的目的,广泛应用于环境科学[9]、遥感科学[10]等领域。灾害模型领域的服务链研究也逐渐增多[11-12],但已有灾害模型服务链大多针对单灾种灾害模型,且服务链编制过程中一般由领域专家或用户手动编制服务链中各个服务的执行顺序[13]。针对上述问题,有学者尝试利用灾害链规则来编制灾害模型服务,如文献[14]在研究应急平台模型库时提出利用突发事件链构建突发事件框架模型,并对应急任务进行分解,从而针对不同阶段的任务选取不同的灾害模型。但该方法对于突发事件链的结构分析不够全面,仅考虑了突发事件链中各个节点间的并行和串行关系,遗漏了选择及循环结构,服务链结构相对单一,不能很好地分析复杂的突发事件。文献[15]在矿山地面灾害应急预警服务研究中考虑了灾害链的选择与循环结构,但循环结构的循环次数依赖于用户的设定,然而不同的循环次数代表不同模型的重用次数,会极大影响输出的结果。同时,已有的灾害模型服务链研究较少考虑链上灾害模型的优选问题,即从多个相同功能的灾害模型中选出综合性能最佳的模型。另外,考虑到灾害模型服务链网络服务发布的稳定性,针对服务链节点失效问题的研究也尤为重要。
针对上述研究中存在的不足,本文提出了一种利用灾害链规则的灾害模型服务链编制方法,包括灾害模型服务链构建、物理模型服务链优化选择与动态调整、灾害模型服务链网络发布3个部分。其中,灾害模型服务链构建部分将灾害链规则作为编排灾害场景下各灾害模型服务调用顺序的准则,提高服务链构建方法的普适性、灵活性和智能性。同时,本文利用服务质量(quality of service, QoS)指标评价体系优选灾害模型,并制定动态调整机制用于解决灾害模型服务运行失效或灾害模型参数无法激活导致的服务中断的问题。另外,考虑到一体化综合减灾对灾害模型良好互操作性的要求[16],采用扩展的网络服务描述语言(Web services description language, WSDL)来规范化灾害模型服务链,以标准的网络服务形式将优选的灾害模型服务组合发布,保障异构分布式模型群的高效协同调用。
-
灾害模型服务链编制框架由灾害模型服务链构建、物理模型服务链优化选择与动态调整、灾害模型服务链网络发布3个部分组成(见图 1)。
-
灾害模型服务链编制的第一步为依据用户输入信息构建灾害模型服务链,可分为灾害模型信息语义提取、服务链初始节点选取、逻辑模型服务链构建、基于指标约束的灾害模型过滤、物理模型服务链构建共5个部分。
-
灾害发生后,用户会提出相应的灾害模型服务需求,提取用户需求中的灾害关键词对构建灾害模型服务链至关重要。利用语义提取技术来获取用户需求关键词相对成熟,如基于语义的中文文本关键词提取SKE算法[17]、基于朴素贝叶斯模型的中文关键词提取算法[18]等。针对灾害模型分析服务的特点,本文归纳以下5类用户需求关键词:时间类(**年**月**日)、地点类(经度:***,纬度:***)、灾害类型类(**灾害)、需求模型功能类(分析**影响范围)、需求模型响应时间类(** min内给出模拟结果)。通过语义提取技术,可完成非结构化信息到结构化信息的转化,为后续的服务链编制提供输入数据。
-
灾害链规则是以灾害类型为节点、灾害的次生和衍生关系为边的有向图[5]。在构建灾害模型服务链时,如果根据用户需求提取的灾害类型关键词多于1个,则不能简单地将获取的所有灾害链规则等同于服务链规则,还需要综合分析灾害链规则中灾害类型关键词之间的关系和灾害链规则自身的结构关系。例如,“地震”“火灾”这两个灾害类型关键词可以得到两条分别以“地震”“火灾”为初始节点的灾害链规则,若在“地震”灾害链规则中存在“火灾”节点,即以“火灾”为初始节点的灾害链规则是以“地震”为初始节点灾害链规则的子规则,那么为了避免重复构建,单独的“火灾”灾害链规则可以去除。进一步地,如果提取的多个初始节点位于同一灾害链中,但处于无先后指向关系的循环结构,则无法明确哪一条灾害链规则更适合用于构建灾害模型服务链。因此, 一旦涉及多个灾害类型关键词,已有的灾害链规则可能无法直接用于灾害模型服务链的构建,需要深入研究灾害链规则与灾害模型服务链之间的内在联系,制定服务链初始节点选取相关规则。针对上述问题,本文提出了如图 2所示的服务链初始节点选取规则。
涉及多个灾害类型关键词的服务链初始节点选取规则包含如下6个步骤:(1)判断灾害类型关键词是否位于同一灾害链规则。(2)若步骤(1)的判断结果为否,则分别将不同的灾害类型关键词作为不同灾害模型服务链的初始节点。(3)若步骤(1)的判断结果为是,则运用有向图深度遍历算法[19]判别循环节点,判断是否存在两个及以上的灾害类型关键词为同一循环结构中的循环节点。(4)若步骤(3)的判断结果为否,则将排在所述灾害链前部的灾害类型关键词作为灾害模型服务链的初始节点。(5)若步骤(3)的判断结果为是,则判断是否有其他灾害类型关键词节点排在了该两个或两个以上的灾害类型关键词的前面。(6)若步骤(5)的判断结果为否,则在所述两个或两个以上的灾害类型关键词中,将用户输入的请求信息中最先提及的灾害类型关键词作为灾害模型服务链的初始节点;若步骤(5)的判断结果为是,则将排在所述灾害链前部的灾害类型关键词作为灾害模型服务链的初始节点。
-
逻辑模型服务链是一种特殊的服务链,能够实现灾害链规则到灾害模型服务链的转换,其节点代表的模型服务没有访问地址和访问协议,无法执行模型服务调用。构建逻辑模型服务链时将灾害链规则中的每个节点替换为服务链中对应的灾害模型节点,但考虑到灾害链规则中循环结构对QoS指标评价体系的影响,本文将含有循环结构的灾害链规则转化为含有循环节点的主链与辅链。主链为去除灾害链规则循环结构得到的有向无环图,保留了原灾害链规则中的所有节点以及顺序、并行、选择结构;辅链为灾害链规则循环结构展开得到的有向无环图,用于描述灾害链规则中的循环结构。如图 3所示,将带有循环结构的部分地震灾害链规则简化为主链和辅链两条逻辑模型服务链,原灾害链规则中循环结构的初末节点都会在主链上标记为循环节点,实际灾害模型执行分析操作时,依然可以通过主辅链的配合实现模型服务的循环分析。
逻辑模型服务链是完成服务链QoS指标评价的前提,可按该链中的节点顺序挑选由多个同灾种灾害模型服务构成的候选灾害模型服务群。如图 4所示,针对每一条逻辑模型服务链主链,按照节点顺序建立候选灾害模型服务群;对于每一条辅链,由于其上的每一个节点都与主链上的保持一致,且是在主链运行遇上循环结构时才会激活,因此不需要对辅链中的每一个节点建立候选灾害模型群。
-
每一类候选灾害模型群中可能存在多个灾害模型服务,考虑所有灾害模型服务会消耗过多的计算资源和运算时间,因此本文提出QoS指标值方法过滤候选灾害模型群中整体性能指标较差的灾害模型服务。目前,QoS指标体系方法已广泛应用于Web服务性能评价[20],包括服务执行时间、费用、可用性等。通过对上述指标附加权重计算便可获取Web服务的QoS值,对QoS值从高到低进行排序即可得到最优的服务。本文分析灾害模型服务非功能属性特点,提出了包含响应时间T、吞吐量Tp、可用性A、可靠度R、信誉度Rp、成本C这6个指标的QoS指标评价体系,如表 1所示。其中,吞吐量Tp、可用性A、可靠度R、信誉度Rp为正向指标,数值越大表明质量越好;响应时间T和成本C为负向指标,数值越大表明质量越差。表 1中,T(tran)表示传输时间,T(process)表示处理时间;T(m)表示测试时间;N(p)表示测试时间内处理进程的数量;T(u)表示测试时间内计算机正常运行的时间;N(s)表示成功响应请求的数量;N(k)表示请求的数量。根据这6项指标,结合用户提出的指标约束条件,对候选灾害模型群中的所有候选灾害模型服务进行过滤,并将各项QoS指标值均劣于灾害模型服务群中另一灾害模型服务对应各QoS指标值的灾害模型服务标记为劣服务,在物理模型服务链构建时不再考虑劣服务。
表 1 灾害模型服务QoS指标参数表
Table 1. QoS Index Parameters of Disaster Model Service
参数名称 定义 公式 响应时间(T) n次测试中用户发送请求到用户接收到响应信息的时间平均值 $T = \frac{1}{n}{\rm{ }}\sum {_{i = 1}^n[{T_i}({\rm{tran}}) + {T_i}({\rm{process}})]} $ 吞吐量(Tp) n次测试中单位时间内可处理用户请求最大数量的平均值 ${T_p} = \frac{1}{n}\sum {_{i = 1}^n[{\rm{max}}({N_i}(p)/{T_i}(m))]} $ 可用性(A) n次测试中服务可访问概率的平均值 $A = \frac{1}{n}\sum {_{i = 1}^n} [{T_i}(u)/{T_i}(m)]{\rm{ }} \times 100\% $ 可靠度(R) n次测试中成功调用的次数占最大预期时间范围内总调用次数百分比的平均值 ${R_p} = \frac{1}{n}\sum {_{i = 1}^n} [{R_{{p_i}}}]$ 信誉度(Rp) n次测试中大多数消费者对灾害模型综合意见统计结果的平均值 成本(C) 调用服务所需的花费 服务提供者设定的固定成本 -
物理模型服务链代表可执行的模型服务链,它的每一个节点都是一个可获取、可运行的灾害模型服务。因此,以逻辑模型服务链为准则,从每个节点对应的候选灾害模型服务群中选取一个灾害模型服务构成具有实际执行能力的物理模型服务链。图 5显示了依据图 3中的主链构建的地震模型服务链。假设逻辑服务链中有n个节点,Si表示逻辑服务链中第i个节点候选灾害模型服务的数量,则一共可以得到$\prod\limits_{i = 1}^n {{S_i}} $条可选的物理模型服务链。
-
当逻辑模型服务链中节点对应的候选灾害模型服务数量增多时,可选的物理模型服务链也将增多,因此本文提出了一种基于QoS指标评价体系的灾害模型服务链优选方法,从多条物理模型服务链中选出最优的灾害模型服务链。同时,考虑到服务链执行时链路断开情形,研究基于QoS指标评价体系的服务链动态调整方法,进一步提升灾害模型服务链的稳定性。
-
物理模型服务链中各节点的灾害模型服务都具有对应的QoS指标值,本文结合物理模型服务链的链结构,构建顺序、并行、选择3种链路结构的QoS指标运算规则[21],如表 2所示。表 2中,ki表示输入i的数量。
表 2 不同服务链结构QoS指标计算规则
Table 2. QoS Index Calculation Rules for Different Service Chain Structures
指标元素 顺序 选择 并行 R $\mathop \prod \limits_{i = 1}^n {R_i}$ $\mathop \sum \limits_{i = 1}^n {R_i}$ $1 - \mathop \prod \limits_{i = 1}^n {R_i} \left( {1 - {R_i}} \right)$ A $\mathop \prod \limits_{i = 1}^n {R_i} {A_i}$ $\mathop \sum \limits_{i = 1}^n {A_i}$ $1 - \mathop \prod \limits_{i = 1}^n {R_i} \left( {1 - {A_i}} \right)$ T $\mathop \prod \limits_{i = 1}^n {R_i} {T_i}$ $\mathop \sum \limits_{i = 1}^n {T_i}$ $\max \left( {{T_i} \ldots {T_n}} \right)$ TP $\min \left( {{T_{{p_i}}} \ldots {T_{{p_n}}}} \right)$ $\mathop \sum \limits_{i = 1}^n {T_{{p_i}}}$ $\min \left( {{T_{{p_i}}} \ldots {T_{{p_n}}}} \right)$ RP $\frac{{\mathop \sum \limits_{i = 1}^n {R_{{p_i}}}}}{n}$ $\mathop \sum \limits_{i = 1}^n {R_{{p_i}}}$ $\frac{{\mathop \sum \limits_{i = 1}^n {k_i}{R_{{p_i}}}}}{{\mathop \sum \limits_{i = 1}^n {k_i}}}$ C $\mathop \sum \limits_{i = 1}^n {C_i}$ $\mathop \sum \limits_{i = 1}^n {C_i}$ $\mathop \sum \limits_{i = 1}^n {k_i}{C_i}$ 以图 3中的主链为例,其链路结构包含并行结构和顺序结构,其中地震模型、滑坡模型各需要运行一次,建筑物倒塌模型和火灾模型各需要运行两次,因此可以得到此条地震模型逻辑服务链中各指标元素的计算如式(1)所示。确定各指标元素数值后,再使用层次分析法求解指标元素权重系数,则最终服务链QoS值计算公式为:
$$ \left\{ {\begin{array}{*{20}{l}} {R = {R_4}\left[ {1 - \left( {1 - {R_1}{R_3}} \right)\left( {1 - {R_1}{R_2}{R_3}} \right)} \right]}\\ {A = {A_4}\left[ {1 - \left( {1 - {A_1}{A_3}} \right)\left( {1 - {A_1}{A_2}{A_3}} \right)} \right]}\\ {T = {T_1} + {T_2} + {T_3} + {T_4}}\\ {{R_p} = \frac{1}{6}\left( {{R_{{p_1}}} + {R_{{p_2}}} + 2{R_{{p_3}}} + 2{R_{{p_4}}}} \right)}\\ {C = {C_1} + {C_2} + 2{C_3} + 2{C_4}} \end{array}} \right. $$ (1) 式中,i=1,2, 3, 4分别对应地震模型、滑坡模型、建筑物倒塌模型和火灾模型;R、A、T、TP、RP、C表示依据表 2计算图 3灾害模型服务链得到的可靠度、可用性、响应时间、吞吐量、信誉度、成本6项指标值。则灾害模型服务链的QoS值为:
$$Q = {w_1}R + {w_2}A + {w_3}T + {w_4}{T_p} + {w_5}{R_p} + {w_6}C$$ (2) 式中,wi(i=1, 2…6)表示使用层次分析法求解的6项指标值对应权重;Q表示灾害模型服务链的QoS值,Q值最高的服务链将会被优先执行调用。
-
物理灾害模型服务链作为一种复杂综合型的网络服务,也面临着网络服务常见的服务失效风险,服务失效主要表现为以下两种情况:
1)根据用户输入特征判断出某些灾害模型服务不能激活而导致的链路断开。例如图 5所示的“地震”物理模型服务链主链,当用户输入草原区域的相关数据后,由于草原区域几乎不存在任何的城市建筑物要素,因此建筑物倒塌模型的激活参数将判断出该服务不能被激活,此时主链将会在“建筑物倒塌模型2”节点断开。
2)某个灾害模型服务失效从而导致的服务链运行中断。例如图 5所示的“地震”物理模型服务链主链中,运行到“滑坡模型1”节点时,由于该滑坡模型1服务崩溃而导致整条服务链长时间没有响应,此时主链将视为在“滑坡模型1”节点断开。
物理灾害模型服务链需要根据不同的链路断开原因进行动态调整。针对第1种情况,当提取到用户输入信息中的模型参数后,某一物理灾害模型服务的激活参数判断为0时,表示该区域参数不能引发下一节点的灾害,因而会在逻辑灾害模型服务链中自动删去未激活节点以及其相关的后续节点,重新生成逻辑灾害模型服务链和相应的最优物理灾害模型服务链。
针对第2种情况,首先需要调整原断开链的候选灾害模型服务群。对于失效节点的候选灾害模型群,需要删除该失效模型并重新进行劣服务标记。对于位于失效节点前的候选灾害模型服务群,由于位于失效节点前的灾害模型服务已经完成调用,其分析结果也可以直接作为后续其他模型服务的输入。因此,在不改变逻辑灾害模型服务链的情况下,已完成调用的灾害模型服务可以默认为最优服务,新的逻辑灾害模型服务链只需考虑其余的服务节点。例如图 6(a)所示的物理灾害模型服务链,模型服务C2失效导致整条链路的断开,A1和B3因已完成调用无需进行变动,构建的新逻辑灾害模型服务链如图 6(b)所示。重复执行基于QoS指标的物理模型服务链排序以得到排名第1的物理模型服务链,如图 6(c)所示。考虑到该服务链上部分模型服务已经被调用,再次重新调用会造成计算资源浪费。因此,还要对此条物理模型服务链进行简化。根据失效节点所在的不同位置可以得到不同的服务链简化方案。
图 6 位于并行结构初、末节点间的某节点失效动态调整示意图
Figure 6. Dynamic Adjustment of Node Failure Between Start-End Nodes in a Parallel Structure
当失效节点(例如图 6(a)中的“C2”节点)位于并行结构(图 6(a)中以“B3”节点、“E1”节点为初、末节点的并行结构)的初、末节点之间时,按照上述规则可以得到如图 6(c)所示的最优物理模型服务链。此时需要判断新链中是否存在与原链的节点及结构完全一致的链路,若判断为是,则需要将该部分结构去除。具体操作为将图 6(c)与图 6(a)对比,得到A1、B3、E1、F6之间的链路是一样的,该分支链路已完成调用,因此需要将其删去,简化链路替代方案如图 6(d)所示。需要注意的是,该方案从“B3”节点开始执行,但是无需重新调用“B3”模型,直接将“B3”模型上一次调用结果作为输入即可。
当失效节点不在任何并行结构的两初始节点之间时(例如图 7(a)中的“B3”节点),则可以得到如图 7(c)所示的最优物理模型服务链。在这种情况下,失效节点前部节点必然与原断开链一致,因此可以直接简化为从失效节点开始重新执行,删去原断开服务链中失效节点前的所有节点,仅保留失效节点及其后续节点构成的新的物理模型服务链,如图 7(d)所示。
-
物理模型服务链作为一种复合型模型服务,其链上的分布式异构灾害模型服务也应以标准网络服务形式发布。本文提出将复合的灾害模型服务链以WPS形式发布,并构建WSDL描述文档。传统的WSDL包含了对网络服务接口和输入输出参数的描述,而针对灾害模型服务链的WSDL还需要增加对服务链行为的描述。灾害模型服务链网络发布过程可概括为以下3步:
1)服务行为的描述。例如,在服务描述文档中添加对服务行为描述的标签$\left\langle {{\rm{behavior}}} \right\rangle $,在$\left\langle {{\rm{behavior}}} \right\rangle $标签中规定服务节点的传输对象和传输状态,设定转换函数完成节点与节点间的传输等。
2)WSDL文档封装。运用脚本语言封装服务链WSDL文档内容,使其满足WPS支持的GetCapability、DescribeProcess、Execute等网络服务功能。
3)服务链网络发布。在服务注册中心进行注册、发布灾害模型服务链,使得用户可远程调用灾害模型服务链来实现复杂灾害场景的灾情模拟分析。
-
本文以地震灾害为例详细描述相关服务链的编制过程。设定用户灾害描述信息为:**年**月**日**时,某省某市某森林公园区域(经度:***,纬度:***)发生地震,附近山体出现滑坡现象,灾情危机,需要在15 min内得到地震影响范围等灾情预测信息。
-
编制灾害模型服务链之前,需要事先计算各类灾害模型的QoS指标值。为保持各类模型指标获取的统一性,本文利用开源性能测试工具Locust测试灾害模型的QoS指标值[22]。
为更好地展示灾害模型服务链编制的特性,本文以地震、滑坡、建筑物倒塌和火灾这4类灾害模型构成的部分灾害模型服务链为例,选取3个地震模型(E1、E2、E3),3个滑坡模型(S1、S2、S3),2个建筑物倒塌模型(B1、B2)以及1个火灾模型(F1),相同功能下不同模型具有不同的算法原理及运行复杂度。以火灾模型F1为例,其为基于元胞自动机原理的火灾蔓延预测模型,通过输入相应的地理信息参数,可快速推演火灾蔓延范围。在测试火灾模型F1的QoS指标值时,使用Locust构建虚拟用户并进行服务请求测试,可获得当前请求数、请求失败数、平均响应时间(T)、每秒请求数(requests per second, RPS)、模型吞吐量(Tp)等数据。使用火灾模型F1实测数据计算的QoS指标值如表 3所示。
表 3 基于Locust的火灾模型实测数据
Table 3. Test Results of Fire Model Based on the Locust
实验次数 模拟用户数 平均响应时间T/ms 可靠度R 每秒请求数RPS 1 200 61 1 44.52 2 400 68 1 88.41 3 600 84 1 131.20 4 800 382 1 162.11 5 1 000 1 265 1 159.74 基于Locust测试数据,平均响应时间、可靠度、每秒请求数分别对应为QoS指标中的T、R、TP,其他QoS指标由灾害模型服务提供者设定。利用上述方法便可得到所有候选灾害模型的QoS指标值,考虑到可供测试的灾害模型数量的限制,除火灾模型F1外,其他灾害模型的QoS指标值均采用模拟数值,如表 4所示。
表 4 灾害模型服务的QoS指标值
Table 4. QoS Index Values of Disaster Model Service
模型类别 模型序号 R A T/ms TP RP(1~5) C/万元 地震(E) 1 0.89 0.94 1 200 39 3 0.20 2 0.75 0.90 800 86 4.5 0.52 3 0.93 0.88 3 000 45 3.5 0.4 滑坡(S) 1 0.96 0.95 4 000 120 3.5 0.78 2 0.93 0.92 3 280 150 4 0.90 3 0.89 0.91 5 370 115 3 0.90 建筑物倒塌(B) 1 0.78 0.89 300 76 3 0.48 2 0.85 0.88 970 48 4 0.35 火灾(F) 1 1 0.9 1 265 162 3 0.40 -
一旦用户输入报送信息,编制工作就即刻启动,将按照以下5个步骤构建地震模型服务链:
1)提取灾害模型语义信息。在本例中,需要依据用户报送的信息提取“地震”“滑坡”等灾害类型关键词,提取“15 min内”等需求模型响应时间类关键词,以及“地震影响范围”等需求模型功能类关键词。
2)选取服务链初始节点。依据提取的“地震”“滑坡”等灾害类型关键词搜索已有的灾害链规则进行初始节点判断,发现以滑坡为初始节点的灾害链规则是以地震为初始节点的灾害链规则的子规则。因此选取“地震”为服务链初始节点,以地震灾害链规则构建地震模型服务链。考虑到灾害链规则的多样性和完整链路的复杂性,本文以如图 3所示的部分地震灾害链节点为例进行说明。该链中描述的灾害耦合情形为地震原生灾害引起山体、建筑物等地面对象异常抖动,导致山体滑坡、建筑物倒塌等次生灾害发生,建筑物倒塌易引发电器火灾造成火灾事故,而火灾燃烧蔓延又将进一步造成建筑物的倒塌。
3)构建逻辑地震模型服务链。由于图 3所示的地震灾害链规则包含了以“建筑物倒塌”和“火灾”为节点的循环结构,因此需要构建如图 4所示的含有主链与辅链的逻辑地震模型服务链。对于该逻辑地震模型服务链主链中的每一个节点,都要建立候选灾害模型群。由§2.1可知,有3个候选地震模型、3个候选滑坡模型、2个候选建筑物倒塌模型以及1个候选火灾模型、每个候选模型的QoS指标值如表 4所示。
4)过滤候选灾害模型群。依据提取的需求模型功能类关键词“地震影响范围”和需求模型响应时间类关键词“15 min内”进行灾害模型服务功能筛选,去除无法实现此功能的候选服务。在候选地震模型群中,备用的3个地震模型均可在15 min内获取地震影响范围,因此都将保留。随后,在每一类候选灾害模型群中进行劣服务判别,分析表 4中不同模型的QoS指标值可知,在候选地震模型群、候选建筑物倒塌模型群和候选火灾模型群中,不存在劣服务。而在候选滑坡模型群中,候选滑坡模型S3的各项QoS指标值均比候选滑坡模型S1差。因此,根据劣服务的定义,候选滑坡模型S3被标记为劣服务,在物理模型服务链构建时不予考虑。
5)构建物理灾害模型服务链。完成每一类候选灾害模型群过滤后,从每个节点对应的候选灾害模型服务群中选取一个灾害模型服务,构成具有执行能力的物理地震模型服务链。按照候选灾害模型的数量,本次实例可构建12条物理地震模型服务链。
-
地震灾害模型服务链中各节点的灾害模型都具有6项QoS指标值,由于每一个节点所在的链式结构不同,除了依据单个节点的QoS值来判断整条服务链的质量好坏外,服务链的结构也需要被考虑在内。按照表 2提出的不同服务链结构QoS指标计算规则,可以赋予每一条物理地震灾害模型服务链相同意义的6项QoS指标值:响应时间T、吞吐量Tp、可用性A、可靠度R、信誉度Rp、成本C。使用层次分析法便可计算得到物理地震模型服务链的排序,最优物理地震模型服务链组合“E2+S2+B2+F1”将优先推荐给用户,如表 5所示。
表 5 灾害模型服务链QoS值排序表
Table 5. The Rank of QoS Values for Disaster Model Service Chain
服务链序号 R A T TP RP C 总分 模型组合 8 0.30 0.27 0.81 0.29 1.00 0.37 0.691 E2+S2+B2+F1 4 0.84 0.75 0.70 0.00 0.63 0.83 0.686 E1+S2+B2+F1 6 0.35 0.43 0.61 0.29 0.88 0.54 0.629 E2+S1+B2+F1 2 0.88 0.89 0.50 0.00 0.50 1.00 0.621 E1+S1+B2+F1 7 0.00 0.40 1.00 1.00 0.50 0.00 0.577 E2+S2+B1+F1 3 0.58 0.87 0.89 0.00 0.13 0.46 0.546 E1+S2+B1+F1 5 0.05 0.55 0.80 1.00 0.38 0.17 0.515 E2+S1+B1+F1 1 0.63 1.00 0.69 0.00 0.00 0.63 0.481 E1+S1+B1+F1 12 0.96 0.00 0.20 0.19 0.75 0.54 0.439 E3+S2+B2+F1 10 1.00 0.17 0.00 0.19 0.63 0.71 0.377 E3+S1+B2+F1 11 0.72 0.14 0.39 0.19 0.25 0.17 0.303 E3+S2+B1+F1 9 0.76 0.30 0.19 0.19 0.13 0.34 0.241 E3+S1+B1+F1 -
假设最优服务链运行过程中,链路由于滑坡模型S2失效而突然中断,如图 8(a)所示。针对该链路失效问题,动态调整机制首先调整原断开链的候选灾害模型服务群,在候选滑坡模型服务群中去除失效模型S2并重新标记劣服务S3。对于位于失效节点前的候选地震模型群,由于地震模型服务E2已经调用完毕,其分析结果可直接作为下一节点的输入,因此将地震模型服务E2默认为该类候选模型群中的最优模型,调整其QoS指标值为:响应时间T为0,吞吐量Tp为同类候选模型服务中的最大值86,可用性A为1,可靠度R为1,信誉度Rp为5,成本C为0,得到新的逻辑地震模型服务链如图 8(b)所示。基于新的逻辑地震模型服务链以及候选灾害模型群,可以构建2条新的物理地震模型服务链,组合分别为“E2+S1+B2+F1”和“E2+S1+B1+F1”。对这两条链重复排序操作可以得到如表 6所示的候选服务链QoS值排序表。此时排名第1的为6号服务链,其组合为“E2+S1+B2+F1”,如图 8(c)所示,QoS总分为0.626。
图 8 滑坡模型S2失效后链路动态调整示意图
Figure 8. Dynamic Adjustment of the Chain After the Failure of Landslide Model S2
表 6 候选服务链QoS值排序表
Table 6. Rank of QoS Values for Candidate Service Chain
服务链序号 R A T Tp RP C 总分 模型组合 6 1 1 0 0 1 1 0.626 E2+S1+B2+F1 5 0 1 1 1 0 0 0.499 E2+S1+B1+F1 由于本文实例中失效节点为滑坡模型S2节点,其位于以E2节点和B2为初末节点的并行结构之间,因此在简化排名第1的物理地震服务链时需要判断新链中是否存在与原断开链一致的链路。因此将排名第1的6号服务链“E2+S1+B2+F1”与断开的原8号服务链“E2+S2+B2+F1”对比,发现两者在该分支链路可以直接使用原结果。将相同的E2、B2、F1之间存在一条完全一致的链路结构,分支链路部分删去后,得到如图 8(d)所示的简化后的物理地震模型服务链“S1+B2+F1”,该部分需要重新调用灾害模型服务。
-
本文提出了一种利用灾害链规则的灾害模型服务链编制方法,将灾害链规则、服务链编制方法以及QoS指标评价体系结合运用于灾害模型应用领域。灾害链规则为灵活性强、智能程度高的灾害模型服务链编排方法提供理论保障;针对灾害链循环结构导致的模型优选逻辑矛盾问题,提出了主链与辅链的简化策略去除服务链中循环结构;同时,拓展QoS指标评价体系应用,提出灾害模型服务链优选方法和动态调整方法,保障分布式异构灾害模型的高效稳定调用。
总的来说,本文提出了灾害模型服务链构建、优选、发布的体系框架,基于灾害链规则将分布式异构灾害模型服务组合构建灾害模型服务链,实现多灾种复合灾情分析功能,为应急管理一体化综合减灾提供灵活、智能、稳定的灾情辅助分析信息。同时,本文还存在需进一步深入研究的工作,如灾害模型服务标准化研究较少,已有的灾害模型需以网络服务标准发布,考虑到分布式异构灾害模型服务之间的协同交互,需深入研究模型接口标准化问题。另外,灾害模型服务间的链式关系对灾害模型算法提出了更高的要求,算法不仅需要考虑与灾害链节点前后的灾害模型的功能兼容性,还需要考虑不同链式结构模型服务交互方式的差异性。
Disaster Model Service Chain Orchestration Method Using Disaster Chain Rules
-
摘要: 灾害模型能够提供灾情模拟、灾损评估等灾情分析功能,在一体化综合减灾的风险评估、预测预警、灾害处置、灾损评估等环节发挥着重要作用。传统的灾害模型以单灾种为主,部署于各类孤立的业务系统中,较少考虑不同灾害之间的复杂链式关系,难以满足多灾种耦合场景下模型群交互运算的灾情辅助分析需求。针对上述问题,提出了一种利用灾害链规则的灾害模型服务链编制方法。首先,根据灾害场景分析需求和灾害链规则构建灾害模型服务链;其次,基于优化的服务质量(quality of service, QoS)指标评价体系从单灾种灾害模型群中选择最优的组合链路来实现复杂灾害场景的模拟分析功能;然后,为了保证最优组合链路的稳定性,提出了动态调整机制以解决链路模型节点失效断开的问题;最后,为了支持分布式异构灾害模型群的互操作处理,提出标准化的网络服务链发布方法。相较于传统的孤立的单灾种灾害模型,使用所提方法能够提供灵活性更高、扩展性更好、稳定性更强的多灾种复合灾情模拟分析功能。以地震为原生灾害构成复合灾害场景为例,从灾害模型服务链构建、物理模型服务链优化选择与动态调整、灾害模型服务链网络发布3个方面对所提方法进行验证。
-
关键词:
- 一体化综合减灾 /
- 分布式异构灾害模型群 /
- 灾害模型服务链编制 /
- QoS指标评价体系 /
- 灾害链规则
Abstract:Objectives Traditional disaster models focus on single disaster, deployed in various types of isolated business systems. For lack of considering complex chain relationships between different disasters, it's difficult to meet the requirements of disaster assistance analysis with the disaster cluster in multi-disaster coupling scenarios. Given the above problems, we propose a disaster model service chain orchestration method using disaster chain rules. In order to elaborate the proposed method, we take the earthquake as a primary disaster to compose a composite disaster scenario as an example, and prove the proposed method from three aspects: The construction of the logical disaster model service chain, the optimization and dynamic adjustment of the physical model service chain, and the web publishing of the disaster model service chain. Methods The disaster chain theory is adopted to orchestrate the disaster model service chain. Firstly, the logic disaster model service chain is constructed based on the analysis requirements of disaster scenario and disaster chain rules. Secondly, the optimized quality of service(QoS) index evaluation system is adopted to select the optimal combined service link from the disaster model cluster to realize the simulation analysis function for complex disaster scenarios. In order to ensure the stability of the chain, a dynamic adjustment mechanism is proposed to solve the failure of model node in the chain. Finally, to support the interoperable processing of distributed heterogeneous disaster model cluster, a standardized web service chain publishing method is proposed. Results Compared with the traditional isolated single disaster model, our method considers the complex chain relationship between different disasters based on the disaster chain theory and have the ability to provide multi‑disaster composite disaster simulation analysis function with higher flexibility, better scalability and stronger stability. Conclusions The disaster chain rules provide a theoretical guarantee for the service chain orchestration method with strong flexibility and high intelligence. Besides, the main chain and the auxiliary chain are adopted to settle the problem of logic conflict caused by the circular structure of the disaster chain. Meanwhile, based on the QoS index evaluation system, the disaster model service chain optimization method and dynamic adjustment method are proposed to ensure efficient and stable response of distributed heterogeneous disaster model. In general, the proposed method can help realize the multi-hazard composite disaster situation analysis function and provide flexible, intelligent, and stable disaster analysis information to integrated emergency management. -
表 1 灾害模型服务QoS指标参数表
Table 1. QoS Index Parameters of Disaster Model Service
参数名称 定义 公式 响应时间(T) n次测试中用户发送请求到用户接收到响应信息的时间平均值 $T = \frac{1}{n}{\rm{ }}\sum {_{i = 1}^n[{T_i}({\rm{tran}}) + {T_i}({\rm{process}})]} $ 吞吐量(Tp) n次测试中单位时间内可处理用户请求最大数量的平均值 ${T_p} = \frac{1}{n}\sum {_{i = 1}^n[{\rm{max}}({N_i}(p)/{T_i}(m))]} $ 可用性(A) n次测试中服务可访问概率的平均值 $A = \frac{1}{n}\sum {_{i = 1}^n} [{T_i}(u)/{T_i}(m)]{\rm{ }} \times 100\% $ 可靠度(R) n次测试中成功调用的次数占最大预期时间范围内总调用次数百分比的平均值 ${R_p} = \frac{1}{n}\sum {_{i = 1}^n} [{R_{{p_i}}}]$ 信誉度(Rp) n次测试中大多数消费者对灾害模型综合意见统计结果的平均值 成本(C) 调用服务所需的花费 服务提供者设定的固定成本 表 2 不同服务链结构QoS指标计算规则
Table 2. QoS Index Calculation Rules for Different Service Chain Structures
指标元素 顺序 选择 并行 R $\mathop \prod \limits_{i = 1}^n {R_i}$ $\mathop \sum \limits_{i = 1}^n {R_i}$ $1 - \mathop \prod \limits_{i = 1}^n {R_i} \left( {1 - {R_i}} \right)$ A $\mathop \prod \limits_{i = 1}^n {R_i} {A_i}$ $\mathop \sum \limits_{i = 1}^n {A_i}$ $1 - \mathop \prod \limits_{i = 1}^n {R_i} \left( {1 - {A_i}} \right)$ T $\mathop \prod \limits_{i = 1}^n {R_i} {T_i}$ $\mathop \sum \limits_{i = 1}^n {T_i}$ $\max \left( {{T_i} \ldots {T_n}} \right)$ TP $\min \left( {{T_{{p_i}}} \ldots {T_{{p_n}}}} \right)$ $\mathop \sum \limits_{i = 1}^n {T_{{p_i}}}$ $\min \left( {{T_{{p_i}}} \ldots {T_{{p_n}}}} \right)$ RP $\frac{{\mathop \sum \limits_{i = 1}^n {R_{{p_i}}}}}{n}$ $\mathop \sum \limits_{i = 1}^n {R_{{p_i}}}$ $\frac{{\mathop \sum \limits_{i = 1}^n {k_i}{R_{{p_i}}}}}{{\mathop \sum \limits_{i = 1}^n {k_i}}}$ C $\mathop \sum \limits_{i = 1}^n {C_i}$ $\mathop \sum \limits_{i = 1}^n {C_i}$ $\mathop \sum \limits_{i = 1}^n {k_i}{C_i}$ 表 3 基于Locust的火灾模型实测数据
Table 3. Test Results of Fire Model Based on the Locust
实验次数 模拟用户数 平均响应时间T/ms 可靠度R 每秒请求数RPS 1 200 61 1 44.52 2 400 68 1 88.41 3 600 84 1 131.20 4 800 382 1 162.11 5 1 000 1 265 1 159.74 表 4 灾害模型服务的QoS指标值
Table 4. QoS Index Values of Disaster Model Service
模型类别 模型序号 R A T/ms TP RP(1~5) C/万元 地震(E) 1 0.89 0.94 1 200 39 3 0.20 2 0.75 0.90 800 86 4.5 0.52 3 0.93 0.88 3 000 45 3.5 0.4 滑坡(S) 1 0.96 0.95 4 000 120 3.5 0.78 2 0.93 0.92 3 280 150 4 0.90 3 0.89 0.91 5 370 115 3 0.90 建筑物倒塌(B) 1 0.78 0.89 300 76 3 0.48 2 0.85 0.88 970 48 4 0.35 火灾(F) 1 1 0.9 1 265 162 3 0.40 表 5 灾害模型服务链QoS值排序表
Table 5. The Rank of QoS Values for Disaster Model Service Chain
服务链序号 R A T TP RP C 总分 模型组合 8 0.30 0.27 0.81 0.29 1.00 0.37 0.691 E2+S2+B2+F1 4 0.84 0.75 0.70 0.00 0.63 0.83 0.686 E1+S2+B2+F1 6 0.35 0.43 0.61 0.29 0.88 0.54 0.629 E2+S1+B2+F1 2 0.88 0.89 0.50 0.00 0.50 1.00 0.621 E1+S1+B2+F1 7 0.00 0.40 1.00 1.00 0.50 0.00 0.577 E2+S2+B1+F1 3 0.58 0.87 0.89 0.00 0.13 0.46 0.546 E1+S2+B1+F1 5 0.05 0.55 0.80 1.00 0.38 0.17 0.515 E2+S1+B1+F1 1 0.63 1.00 0.69 0.00 0.00 0.63 0.481 E1+S1+B1+F1 12 0.96 0.00 0.20 0.19 0.75 0.54 0.439 E3+S2+B2+F1 10 1.00 0.17 0.00 0.19 0.63 0.71 0.377 E3+S1+B2+F1 11 0.72 0.14 0.39 0.19 0.25 0.17 0.303 E3+S2+B1+F1 9 0.76 0.30 0.19 0.19 0.13 0.34 0.241 E3+S1+B1+F1 表 6 候选服务链QoS值排序表
Table 6. Rank of QoS Values for Candidate Service Chain
服务链序号 R A T Tp RP C 总分 模型组合 6 1 1 0 0 1 1 0.626 E2+S1+B2+F1 5 0 1 1 1 0 0 0.499 E2+S1+B1+F1 -
[1] 袁宏永, 突发事件及其链式效应理论研究与应用[M].北京:科学出版社, 2016 Yuan Hongyong. Research and Application on the Theory of Emergency and Its Chain Effect[M].Beijing:Science Press, 2016 [2] 范维澄.国家突发公共事件应急管理中科学问题的思考和建议[J].中国科学基金, 2007(2):9-14 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgkxjj200702003 Fan Weicheng.Advisement and Suggestion to Scientific Problems of Emergency Management for Public Incidents[J].Bulletin of National Natural Science Foundation of China, 2007(2):9-14 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgkxjj200702003 [3] Tsuboki K, Sakakibara A. The Prediction Experiment of a Localized Heavy Rainfall Associated with a Typhoon Using the Cloud-Resolving Model: A Case Study of the Heavy Rainfall Event in the Nor-thern Kinki District Associated with the Typhoon 0423 on 20 October 2004[J].Journal of Japan Society for Natural Disaster Science, 2006, 25(3): 351-373 [4] 邹立晔, 黄志斌, 周静. 2019年6月17日四川长宁M 6.0地震的快速测定与数据产品产出[J].中国地震, 2019, 35(3):573-583 doi: 10.3969/j.issn.1001-4683.2019.03.016 Zou Liye, Huang Zhibin, Zhou Jing, et al.Rapid Measurement and Data Product Output of the Changning M 6.0 Earthquake in Sichuan on June 17, 2019 [J]. Earthquake Research in China, 2019, 35(3):573-583 doi: 10.3969/j.issn.1001-4683.2019.03.016 [5] Zheng L, Wang F, Zheng X, et al. Discovering the Relationship of Disasters from Big Scholar and Social Media News Datasets[J]. International Journal of Digital Earth, 2019, 12(11):1 341-1 363 doi: 10.1080/17538947.2018.1514082 [6] Helbing D. Globally Networked Risks and How to Respond[J]. Nature, 2013, 497(7 447):51-59 doi: 10.1038/nature12047 [7] Lee S W, Davidson R A. Physics-Based Simulation Model of Post-Earthquake Fire Spread[J]. Journal of Earthquake Engineering, 2010, 14(5):670-687 doi: 10.1080/13632460903336928 [8] Castronova A M, Goodall J L, Elag M M. Models as Web Services Using the Open Geospatial Consortium (OGC) Web Processing Service (WPS) Standard[J]. Environmental Modelling and Software, 2013, 41(1): 72-83 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=eb68816c4d2b0eb1e4745bf1519c817b [9] Granell C, Díaz L, Gould M. Service-Oriented Applications for Environmental Models: Reusable Geospatial Services[J]. Environmental Modelling and Software, 2010, 25(2):182-198 doi: 10.1016/j.envsoft.2009.08.005 [10] 刘军志, 宋现锋, 汪超亮, 等.基于OGC WPS的遥感图像分布式检索系统研究[J].地理与地理信息科学, 2008, 24(4):1-5 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dlxygtyj200804001 Liu Zhijun, Song Xianfeng, Wang Chaoliang, et al. A Distributed Retrieval System for Remote Sensing Images Based on OGC WPS [J]. Geography and Geo-information Science, 2008, 24(4):1-5 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dlxygtyj200804001 [11] Stollberg B, Zipf A. OGC Web Processing Service Interface for Web Service Orchestration Aggregating Geo-processing Services in a Bomb Threat Scenario[C]. The 7th International Symposium on Web and Wireless Geographical Information Systems, Cardiff, UK, 2007 10.1007/978-3-540-76925-5_18 [12] Samadzadegan F, Saber M, Zahmatkesh H, et al. An Architecture for Automated Fire Detection Early Warning System Based on Geoprocessing Service Composition[C]. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Tehran, Iran, 2013 [13] ISO. 2016 Geographic Information: Services[EB/ OL]. Switzerland, ISO, 2016 10.1007/springerreference_64975 [14] 邵荃, 翁文国, 袁宏永.基于动态信任网络的突发事件模型库系统的研究[J].中国安全生产科学技术, 2009, 5(3):19-24 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgzyaqwsgltxrz200903003 Shao Quan, Weng Wenguo, Yuan Hongyong. Research on Emergency Model Library System Based on Dynamic Trust Network[J]. Journal of Safety Science and Technology, 2009, 5(3):19-24 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgzyaqwsgltxrz200903003 [15] 刘纪平, 张用川, 徐胜华, 等.一体化综合减灾智能服务顶层设计研究[J].武汉大学学报·信息科学版, 2018, 43(12): 2 250-2 258 doi: 10.13203/j.whugis20180309 Liu Jiping, Zhang Yongchuan, Xu Shenghua, et al. Top-Level Design Study for the Integrated Disaster Reduction Intelligent Service[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 2 250-2 258 doi: 10.13203/j.whugis20180309 [16] 陈月娟, 张锦.基于SPN的矿山地面灾害应急预警服务BPEL建模分析[J].地理与地理信息科学, 2018, 34(2):47-53 doi: 10.3969/j.issn.1672-0504.2018.02.008 Chen Yuejuan, Zhang Jin. Modeling and Analysis of BPEL for Mining Ground Disaster Emergency War-ning Service Based on SPN[J]. Geography and Geo-information Science, 2018, 34(2):47-53 doi: 10.3969/j.issn.1672-0504.2018.02.008 [17] 王立霞, 淮晓永.基于语义的中文文本关键词提取算法[J].计算机工程, 2012, 38(1):1-4 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jsjgc201201001 Wang Lixia, Huai Xiaoyong. Semantic-Based Keyword Extraction Algorithm for Chinese Text[J]. Computer Engineering, 2012, 38(1):1-4 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jsjgc201201001 [18] 程岚岚, 何丕廉, 孙越恒.基于朴素贝叶斯模型的中文关键词提取算法研究[J].计算机应用, 2005, 25(12):64-66 doi: 10.3969/j.issn.1000-386X.2005.12.025 Cheng Lanlan, He Pilian, Sun Yueheng. Study on Chinese Keyword Extraction Algorithm Based on Nave Bayes Model[J]. Computer Applications, 2005, 25(12):64-66 doi: 10.3969/j.issn.1000-386X.2005.12.025 [19] Jrgen B, Gutin G. Digraphs: Theory, Algorithms and Applications[M]. Germany: Springer, 2010 [20] Hassan I, Chadi A, Mourad D, et al. QoS-Aware Middleware for Web Services Composition:A Qualitative Approach[J]. Enterprise Information Systems, 2009, 3(4):449-470 doi: 10.1080/17517570903042754 [21] Wang G. Rough Reduction in Algebra View and Information View[J]. International Journal of Intelligent Systems, 2003, 18(6):679-688 doi: 10.1002/int.10109 [22] 苏超, 董婧一.基于Locust的软件性能测试技术研究和实现[J].电子测试, 2018, 387(6):108-109 doi: 10.3969/j.issn.1000-8519.2018.06.057 Su Chao, Dong Jingyi. Research and Implementation of Software Performance Testing Technology Based on Locust [J]. Electronic Test, 2018, 387(6): 108-109 doi: 10.3969/j.issn.1000-8519.2018.06.057 -