主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2018年第12期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
黄华,彭蓉,冯在文.基于数据集分割的云工作流模型库并行检索方法.软件学报,2018,29(11):3241-3259
基于数据集分割的云工作流模型库并行检索方法
Parallel Retrieval Approach of Cloud Workflow Model Repositories Based on Data Set Partitioning
投稿时间:2017-07-20  修订日期:2017-09-16
DOI:10.13328/j.cnki.jos.005480
中文关键词:  云工作流  数据集分割  流程检索  并行检索
英文关键词:cloud workflow  data set segmentation  process retrieval  parallel retrieval
基金项目:国家重点研发计划(2017YFB0503700,2016YFB0501801);国家自然科学基金(61170026,61100017);国家标准研究计划(2016BZYJ-WG7-001);中央高校基本科研业务费专项资金(2012211020203,2042014kf0237);江西省重点研发计划(20171ACE 50022);江西省自然科学基金(20171BAB202011);江西省教育厅科技项目(GJJ160906)
作者单位E-mail
黄华 武汉大学 计算机学院, 湖北 武汉 430072
景德镇陶瓷大学 信息工程学院, 江西 景德镇 333403 
 
彭蓉 武汉大学 计算机学院, 湖北 武汉 430072 rongpeng@whu.edu.cn 
冯在文 武汉大学 计算机学院, 湖北 武汉 430072  
摘要点击次数: 1855
全文下载次数: 944
中文摘要:
      在由多个行业云服务平台组成的集成服务平台中,随着行业云服务平台加盟数及各平台下租户数量的不断增多,其底层的云工作流模型库的规模也必将不断增大.当云工作流模型库的规模超大时,需要一种效率更高的并行检索方法去满足云工作流模型库高效检索的需求.鉴于此,采用均匀划分法或自动聚类法对大规模云工作流模型库进行合理的子集划分,并结合前期工作中已改进的基于图结构的流程检索算法,提出了基于数据集分割的大规模云工作流模型库并行检索方法.该方法主要包括4种流程并行检索算法:基于均匀划分模型集的静态并行检索算法、基于均匀划分模型集的动态并行检索算法、基于自动聚类模型集的静态并行检索算法和基于自动聚类模型集的动态并行检索算法.最后,在模拟生成的大规模流程集及真实的云工作流模型库中对这4种并行检索算法的检索效率进行了实验评估.
英文摘要:
      In the integrated service platform composed of multiple industry cloud service platforms, with the increasing of the number of cloud service platforms and theirs tenants, the scale of its underlying cloud workflow model repository will be increasing. When the scale of the cloud workflow model repository is super large, the existing retrieval methods of large-scale process model repositories still can't meet the needs of efficient retrieval of cloud workflow model repositories, therefore, it is necessary to study a more efficient parallel retrieval method. To address this issue, this paper adopts two data partitioning modes, equipartition and clustering based partitioning, to divide large-scale cloud workflow model repositories into small pieces. Combined with the improved process retrieval algorithm proposed in authors' previous work, a series of data partitioning based process parallel retrieval approaches are put forward to accelerate the large-scale process retrieval. These approaches mainly include four kinds of process retrieval algorithms from static/dynamic parallel retrieval algorithm based on uniform/automatic clustering partitioning model sets. Finally, based on the large-scale simulation process model library and the actual cloud workflow model repository, experiments are conducted to evaluate the efficiency of four parallel retrieval algorithms.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利