TELKOM NIKA , Vol.14, No .4, Dece mbe r  2016, pp. 15 65~157 4   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v14i4.3964    1565      Re cei v ed Ma y 10, 201 6; Revi sed O c tob e r 22, 201 6; Acce pted No vem ber 8, 20 16   DCR: Double Component Ranking for Building Reliable  Cloud Applications      Lixing Xue, Zhan Zha ng* , Dechen g Zuo  Schoo l of Com puter Scie nce  and T e chno log y , Harb in Instit ute of T e chnol og y,   Harbi n  15 00 01 , Heilo ngj ian g   Provinc e , Chin a  *Corres p o ndi n g  author, e-ma i l : zz@ftcl.hit.edu.cn       A b st r a ct  Since cl oud a p p licati ons ar e u s ually l a rg e-sc ale, it  is too expens ive to en h anc e the re lia bi lity of all  compo nents for buil d i ng hi g h ly reli ab le cl oud a ppl icat i o ns. T herefore,  w e  need to ide n tify signific ant  compo nents w h ich  have  gre a t  imp a ct on th e system r e li a b ility. FTClou d , an existi ng  ap proac h, ranks t h e   compo nents o n ly cons id erin g the i m p a ct o f  comp on ent  i n terna l  fail ures  and i gnor in g error pro p a gati on.   How e ver, error  propagation is  also  an i m portant factor on the system  rel i ability. To attack the problem ,  w e   prop ose  an  i m prove d  co mpo nent r anki n g  framew ork,  na med  DCR, to  i d entify si gnific a nt co mp on ents  in   clou d ap pl icati ons. DC R e m p l oys tw o indiv i d ual  alg o rith ms t o  rank th e co mpon ents tw ice  and  deter mi ne s a  set of the  most  sign ifica n t co mp on ents b a s ed  on th e tw o  r anki ng r e sults.  In ad ditio n , DC R do es  not re q u ire  infor m ati on of compo nent inv o catio n  frequ e n cies.  Extensiv e exper iments  are pr ovi ded  to evalu a te D C R   and co mpare it  w i th  FTCloud.  The experi m e n tal result s sh o w  that DCR outperforms FTCl oud i n  al most all   cases.     Ke y w ords : Co mp on ent Ra nki ng, Clo ud Ap pli c ation, Syste m   Relia bi lity, Error Propa gati o n ,  Internal F a ilur e     Copy right  ©  2016 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  Clou d co mp uting is a n  Internet -ba s e d  com puting  para d igm,  whi c h p r ovid es  sha r e d   pro c e ssi ng  reso urce s a n d  data to  co mputers a n d   other  device s  on  dem and  [1, 2]. In re cent  years,  cl oud  co mputing  i s  b e coming   more  an d m o re  pop ula r   and  many  e n terp rises an d  individual s p r efer to  build  their  syste m s  in t he clou d environ ment. The softwa r e   system s  i n   t he  clou d a r e  na med a s  cl ou d ap plication s   whi c h  usu a lly co nsi s t  of variou s cl oud  com pon ents  comm uni cati ng  with e a ch othe r. Th e  clo ud  appli c ation s   are   usu a lly large - scale  an d v e ry  compl e x [3],  whi c h may p o se a th reat  to the sy ste m  reliability and hin der transfe rri ng cri t ical  system s to t he cl oud.  Nowa days, e n d -u se rs  hate  appli c ation s  with lo w-rel i ability and t h e   deman d for  high reliabilit y is co ntinual ly incre a si ng.  Building hi g h ly reliabl e cl oud a pplications  has b e come  a chall engin g  and req u ired  rese arch p r o b lem.  The m a jor a ppro a ch fo r i m provin g the  clo ud  appli c ation reliabilit y is to  enh a n ce  the   reliability of  each individual component. This  may be accom p lished either by empl oying  function ally equivalent but  more  reliabl e comp one nts to redu ce  com pone nt failure s or by ad din g   fault-toleran c e st rategi es to tole rate  co mpone nt  failu res.  Unfortun ately, both of  them  will i n cu r  extra cost. A s   cloud  ap pli c ation s  u s u a l l y invo lve a  large  num be r of  comp on ents, it is to o   expen sive to provide alt e rnative  com pone nts o r   add fault-tol e ran c e  strat egie s  for all  the   comp one nts.  Based  on the  80-2 0  rul e  [4], FTCloud -an  existing ap proach [5] attempts to impro v e  the reliability  of cloud a pplication s  by rankin g the comp one nts to identify a small set  of  signifi cant  co mpone nts a n d  enh an cing  their reli abilit y. Howeve r, FTClo ud o n ly con s id ers th e  impact  of the  co mpo nent i n ternal  failu res  on th e  sy stem  and  do es  not ta ke  i n to a c count  error  prop agatio n whi c h is al so  a seri ou s thre at to the global reliability [6].  To attack th e pro b lem,  we p r op ose  a com pon ent  ran k ing f r a m ewo r k for i dentifying  signifi cant  co mpone nts an d hel ping  de sign ers to   bu ild hig h ly reliable  clo ud  a pplication s . T h i s   frame w ork in clud es two compon ent ra nkin g algo rith ms , tak i ng into acc o unt the direc t  impac t  of  comp one nt i n ternal  failu res  on  the  sy stem  and  th e ha rm  of e r ror p r op agati on, respe c tively.  Based  o n  the  two  alg o rith ms, two  ran k i ng  re sults a r e obtai ned  a nd the n   a  sm all set of th e  most   signifi cant co mpone nts wh ich have  g r e a t  impa ct  on  the sy stem  reliability a r e  determined.  By   enha nci ng th e reli ability of  these  signifi cant  co m pon ents, the  sy stem reli ability ca n b e  g r ea tly  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 4, Dece mb er 201 6 :  1565 – 157 4   1566 improve d . Du e to the fa ct t hat the  com p onent s  a r e  ra nke d  twi c e,  we nam e the f r amework  DCR- doubl e com p onent ra nki n g .   The main  con t ribution of this pap er is:   1. Thi s  p ape r identifie s the  impo rtan ce  o f  error propa g a tion in  lo cati ng  signifi cant  co mpo nents  of  clou d ap plications whi c h  is n o t con s id e r ed  by  FTClo ud, a n d  propo se s  an imp r ove d   component ranki ng framework, named DCR.  DCR only employs component invocation  relation shi p s to in depe n dently ran k  the  com p o nents twi c e  and   sele cts the   critical   components  whi c h have great  impact on the system  reliability from the two ranking results.   2. Extensive experiment s are provid e d  to ev aluate the impact of significa nt compo nen ts  identified by  DCR  on the  reliability of cl oud  appl i c ati ons an d d r a w  p e rfo r man c e  com p a r iso n   betwe en DCR  a nd FTCl oud.  T he re sults  sho w   t hat DCR i s   effective an d  outpe rforms  FTClo ud in al most  all ca se s.   The re st of this pap er i s  organi zed a s  fo llows . Sectio n 2 introd uce s  the two d e scriptio ns  of  significant comp one nts, the  sy stem a r chite c tu re of  DCR an d rel a ted wo rk. Section 3  detai ls  the double  compon ent ra nkin g frame w ork. Se cti on  4 sho w s the experim ent s t o  evaluate DCR.  Section 5 d r a w s the  con c lu sion a nd future work finally.      2. Preliminaries  2.1. Significant Compo n e n ts   A failure of a comp onent i n  softwa r e  system s ca n b e  attributed t o  two re ason s [6], as  sho w n in Fig u re 1. One is that an error caused  by faults in the compon ent (such a s  bug s) is  delivere d  at the output inte rface,  i.e. co mpone nt internal failure.  Th e other is that  the compo n e n t  receives  an i n co rrect inp u t and ge nerates an  erro n e ous o u tput, n a mely error  p r opa gation le ads  to a comp on ent failure. A system failure occurs  only  if an erro r e v entually rea c he s the sy stem   interface, no   matter h o w the e r ror i s   produ ced  an d  prop agate d . In a  wo rd,  co mpone nt inte rna l   failure s and e rro r propa gati on are two m a jo r threats to  the system reliability.          Figure 1. Two threats to reli ability      It is apparen t that not only the direct  impac t of co mpone nt internal failu re s on the  system  sh oul d be  redu ce d ,  but also th e  harm  of  erro r propa gation  sho u ld al so  be minimi ze d ,  if  we  wa nt to  b u ild hi ghly rel i able  clo ud  a pplication s . T herefo r e, th e  signifi cant  co mpone nts in t h is  pape r are abl e to be descri bed from two perspe c tives.   1·    The sig n ifica n t compo nent s are th e one s wh ose failures have g r eat  impact on th e system.   2· The  signif i cant comp o nents a r e al so the o nes  which may severely affect a lot of othe r  comp one nts  and furthe r h a rm the glo b a l  reliability  by prop agatin g e rro rs o u t whe n  they fail.      2.2. Sy stem  Architec ture   The sy ste m  arc h itectu re  of DCR i s  s how ed in Fig u re 2, whi c h  include s thr ee part s :  stru cture g r a ph buil d ing,  comp one nt ranki ng a nd  signifi cant  co mpone nt det ermin a tion. T h e   pro c ed ures of  DCR are a s  f o llows:   1. The  syste m  de signe r  provide s  the   stru cture info rmation  of  a  clou d ap plica t ion to DCR.  A  stru cture gra ph is ge nerated ba sed o n  t he com pon en t invocation relation ship s.   2. Two  seri es of si gnifican c e val u e s  of t he  cl ou d com pone nts are  cal c ulate d   by   employin g  t w o  different  com pone nt ra nkin g algo rithm s   whi c h a r e  pro posed in te rms of the  two  descriptio n s   of significant comp one nts i n  the last su b s e c tion,  re sp ectively. Accordin g to the two se rie s  of  signifi can c e v a lue s , the co mpone nts a r e  ranked twi c e .   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     DCR: Do uble  Com ponent  Ran k in g for Building  Re liab l e Clou d Appl ication s  (Li x in g Xue)    1567 3. Based on t he two ra nki n g results, the most  sig n ifica n t compo nent s whi c h have  strong imp a ct  on the glob al  reliability are determi ned  and retu rne d  to the syst em de signe r  for buildin g a   reliabl e clo u d  application.           Figure 2. System architect u re of DCR      2.3. Relate d Work   In traditio nal  softwa r e  reli a b ility engin e e r ing, th ere  a r e fou r   comm on m e thod s t o  buil d   reliabl e  software  sy stems,  nam ely faul t preve n ti on,  fault remov a l, fault tole rance a n d  fa ult  forecastin g [7 ]. Howeve r, fault preve n tion and fault re moval are n o t able to be a pplied  whe n  we   build  clou d a pplication s . This i s  be ca use buildi ng  clo ud ap plicatio ns u s u a lly uses exi s ting  cl oud   comp one nts  and we ca n not partici pat e in the de velopment of  them. But  we can sele ct  comp one nts  with high reli ability acco rd ing to  desig n  requi reme nts. Another m e thod we ca n  employ is sof t ware fault tol e ran c e. Software faul t-tol e ran c e te chni que s, such a s  re covery bl ock  [8] and  N-Versi on P r og ramming  (N-Modula r   Re d unda ncy) [9], are  widely  use d  in  vari ou s  system s. In the cl oud  envi r onm ent, a g r eat numb e r o f   functionally equivalent bu t  indepe nde ntly  desi gne d co mpone nts ca n be used for  desi gning fa u l t-tolera nce mech ani sms.   As  clou d  com puting i s  be coming  pop ula r , a  num ber o f  wo rks  have   been  carried   out on   it. Service co mpone nt sele ction and  co mpositio n  is  one of the ho tspots. Many  approa che s  h a ve   been p r op osed, su ch as QoS-a w are web servi c e comp ositio n [10], web se rvice reputati o n   model [1 1], OWL - S  servi c e  profile  ba sed  web  se rv i c e  sel e ction  [12] an d web  servi c e  sel e ction   based o n  co ncu r rent re q uest s  [13]. Compon ent  ra nkin g is  a prereq uisite fo r applying th e s e  resea r ch find ings  and  so me stu d ies h a ve bee n carried o u t. Ho wever, th e a ppro a che s  d o  not   take i n to a ccount e r ror propag ation,  which  is al so  a majo r th re at to the  reli ability of cl o u d   appli c ation s .  In additio n , t hey requi re t he  stru ctur e  informatio n a s   well  a s  the  inform ation   of  comp one nt in vocation  fre q uen cie s . Ou r  approa ch  whi c h  attacks th e wea k ne ss  requires only  the   stru cture info rmation  and  take s into a c cou n t t he ha rm of e rro r  prop agatio n i n  the sy ste m ,  obtainin g  wo nderful  re sult s.      3. Double Co mponent  Ra nking   As shown in  Figure 2,  DCR incl udes three  part s , which  will be  detailed in thi s   section,  respe c tively. Structu r e  gra ph b u ild ing  is introd uced  within Sectio n  3.1. The n  the  two  co mpon en t   ran k ing  alg o ri thms  are  p r o posed  acco rd ing to  the  t w o  de scriptio ns  of sig n ifica n t  comp one nts i n   Section 3.2  and 3.3 resp ectively. In Section 3.4,  d e termin ation  of significant  comp one nts is  discu s sed.     3.1. Structu r e Graph  Building  The st ruct ure  of a cloud  ap plicatio n, that  is, the com p onent invo cat i on rel a tionsh i ps, ca n  be mo deled   as a  directe d  gra ph  , GC E  , whe r e a  nod e  i C  in the no de  set   C  den otes  a   comp one nt a nd a  di re cted   edge   ij e  from  i C  to   j C   in the edge  set  E  repre s e n ts that  i C  invo k e s  j C  (denote d  as  ij CC ).   Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 4, Dece mb er 201 6 :  1565 – 157 4   1568 A  stru cture g r aph co ntaini ng  n  nodes  ca n be de scri b ed by an  nn  ad jace ncy mat r ix   ij nn Aa . Eac h  entry  ij a  in the matrix is  defined by:      1 0 ij ij C f a s C i el e          ( 1 )     In the matrix ,  1 ii a  represe n ts a self-i nv ocation of co m pone nt  i C . The  numbe r of  edge s  starting  from   node  i C  is call e d  out-deg ree   of  i C , denote d   as  de g ( ) i C . It is  able  to be obtained   by:    1 de g ( ) n ik k i Ca            ( 2 )     Similarly, the numbe r of edge s en din g  at node  i C  is call ed in-d egre e  of  i C , denoted a s   de g ( ) i C . It can be cal c ulate d  by:    1 de g ( ) n ki k i Ca            ( 3 )     A com pon ent   i C  inv o ke s a  t o t a l of   de g ( ) i C  com p o nents an d  i C   is invoke d  by a total  of  de g ) ( i C  compo nent s.    3.2. Failure-Bas ed Comp onent  Ran k ing  In a clou d appli c ation,  some  com p o nents  a r e freque ntly invoke d by ma ny other  components. It is obvious that t heir failures  will direct ly affect  the  system reliability much more  than other  compon ents [ 14]. These comp one nts  fo llow the first descriptio n  of significant  comp one nts  discu s sed in t he la st se ctio n. Intuitiv ely, these si gnifica nt co mp one nts in a  stru ctu r e  grap h a r e  th e on es which  have  many i ngoin g  lin ks f r om  other im portant  comp onent s. On  the  basi s  of the Page Ran k  alg o rithm [15], we prop ose  an algorith m  to calcul ate the first se rie s  of the   signifi can c e v a lue s  of the cloud compo n ents, name d  as failure-ba s ed sig n ifica n ce values.    For a clou d appli c ation   which   contain s   n   comp one nts, the  failure-based  sig n ifican ce   value  () i VF C  of a co mpone nt  i C  is defined a s :    ( 1 () ( 1 ) de g ( ) ) ji j i CC j C C C VF VF n            ( 4 )     Whe r e  1 n  is the basi c  sig n i f ican ce value  of  i C  itself while  ( deg ( ) ) ji j CC j C VF C  is the significa nce  value de rived  from othe r  comp one nts  that invoke  i C . The parameter   ( 01  )  in (4)  is   utilized to adj ust the  proportion of  the two values,  which i s   usuall y   set to be 0.85. By (4),   a  comp one nt  i C  has a larg e failure -ba s ed sig n ifican ce value if the sum of  failure-ba s e d   signifi can c e v a lue s  of the comp one nts t hat invoke  i C  is large, indi cat i ng that  i C  is in voked by  many other  si gnifica nt com pone nts.   Equation (4)  can b e  writte n in matrix form:    11 () ( ) 1 / (1 ) () ( ) 1 / nn CC CC VF V F n W VF V F n                  ( 5 )     Whe r e the m a trix  () ij n n Ww  is defined by:  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     DCR: Do uble  Com ponent  Ran k in g for Building  Re liab l e Clou d Appl ication s  (Li x in g Xue)    1569   1 deg ( ) 0 ij j i j C if w el s e C C           ( 6 )     The pro c e d u r es of cal c ula t ing the failure-ba s e d  sig n ifican ce value s  are  simple.  First,   rand omly a s sign initial valu es b e twe en 0  and 1  to the  failure -ba s ed   signifi can c e v a lue s   () i VF C   ( 1, 2 in ). Then, solv e (5) by repe at ing the co mputation un til all significa nce valu es b e co m e   stable.   Usi ng the  a bove ap pro a c h, the fail ure - ba se d si gnifica nce value s  of th e clo u d   comp one nts  can b e  obtai ned. Accordi ng to these  values, the  comp one nts are ran k ed.  A  comp one nt with a la rge r  value is  co nsid ere d  to  be mo re  sig n ificant. The  failure s of  the  signifi cant co mpone nts sel e cted fro m  this ran k in g re sult will have  great  impa ct on the syste m   reliability.    3.3.  Propaga tion-Bas e d Compon ent Rankin g   In a cloud ap plicatio n, there must be so me  comp one nts that frequ ently invoke a lot of  other compo nents.  Thei r failures ma y affect a  l o t of  sub s e quent  co mp onent s by  e rro r  prop agatio n and  furth e r h a rm  the syste m   relia bilit y. So these  co mpone nts a r e co nsi dered  to be  importa nt an d they accord  with the se cond de scri pt ion of sig n ificant com pon e n ts in Sectio n  2.1.  Intuitively,  these  signifi ca nt comp onen ts in  a stru ct ure g r ap h are the one s  whi c h have  many  outgoin g  lin ks to othe r im portant  com p onent s. I lluminated by the  Tru s tRa n k  al gorithm [1 6], we   prop ose anot her al gorithm  to calculate  the se con d   serie s  of sig n i f ican ce value s  of the clo u d   comp one nts, named a s  p r o pagatio n-b a sed sig n ifica n ce values.   Assu ming th at a clo ud a pplication co ntains  n  com pone nts, the  prop agatio n - ba sed   signifi can c e v a lue  () i VP C  of a compone nt  i C  is defined a s :    ( 1 () ( 1 ) deg ( ) ) ij j i CC j C C C VP VP n          ( 7 )     Whe r e  1 n  is the basi c  sig n i f ican ce value  of  i C  itself while  ( deg ( ) ) ij j CC j C VP C  is the significa nce  value  de rived   from other comp one nts whi c h are   in voked   by  i C . Similarly, the  para m eter    ( 01  ) in (7 ) i s  e m ployed to  a d just the  pro portion  of the  two value s ,  whi c h i s  u s ua lly set as  0.85. By (7 ),   a  com pon en t  i C  ha s  a la rg e p r opa gatio n-ba se d  signi fican c e val u e  if the  sum  of   prop agatio n-based  sig n ifican ce  value s  of  the  comp onent s  whi c h  are invo ke d  by  i C  is large,   sho w in g that  i C  invoke s a large qua ntity of  other sig n ificant comp one nts.  The equival e nt matrix equ ation of (7) i s :    11 () () 1 / (1 ) () ( ) 1 / nn VP V P n W VP V P n CC CC                       ( 8 )     Whe r e the m a trix  () ij n n Ww  is defined by:      1 deg ( ) 0 i j j i j if w el C s C C e           ( 9 )     The procedu res of cal c ul ating the pro p a gati on-ba sed  significan c e  values a r e id entical   with tho s e of  cal c ulating t he failure-b a s ed  signifi ca nce valu es.  First, ra ndo m l y assig n  init ial  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 4, Dece mb er 201 6 :  1565 – 157 4   1570 values betwe en 0  and  1  to the p r op a gation-ba sed  sig n ifican ce  value s   () i VP C  ( 1, 2 in ).   Then, solve (8) by rep eatin g the comp utation  until all signifi can c e v a lue s  be com e  stable.    With the  a b o ve ap proach, the  pro p a gation- ba sed  sig n ifica n ce  value s  of  the  clou d   comp one nts  can be o b tai ned. On the  basi s  of the values, the comp one nts are ran k ed . A  comp one nt is co nsi dered t o  be  mo re  si gnifica nt if  it  has a l a rger  value. Th e fa ilure s of  the s e  signifi cant co mpone nts sel e cted   from   thi s  ran k ing   result will  seve re ly affect othe r co mpon ents  in   the cloud application a nd further affect the system rel i ability.    3.4. Significant Com p o n e n t De term ina t ion   Based  on th e  two  seri es  of signifi can c e  values, the  compon ents in  the cl oud  ap plicatio n   can be  ran k ed  re sp ectiv e ly.  The  failu re-ba s ed sig n ifican ce  val ues enabl e us  to  ide n tify  the   signifi cant co mpone nts which have g r eat dire ct  impact on the  system reli ability while the   prop agatio n-based si gnificance value s  help u s  loca te the signifi ca nt compo nent s whi c h  severely   affect other components and furt her harm the  system reliability.  Whi c h  ranking result i s  m o re  importa nt? We believed th at there is no  accurate an swer.   To re du ce b o th of the d i rect a nd in d i rect th reat s and bette r  improve the  system  reliability, Top- 2 k  ( 2 kn  and  k  is e v en) comp on ents a r e  re sp ectively sel e cted from the t w o   ran k ing  re sul t s and  he nce  a total of  k   comp one nts are determin ed  a s   the m o st significan t   comp one nts.  In this way, the de sign er o f  the  cloud  ap plicatio n ca n i m prove the  system relia bili ty  efficiently by enha nci ng th e reliability of these  comp o nents.       4. Experiments and Ev aluation   In this  se ctio n, extensive  experi m ent s are   pr o v id ed  to  va lid a t e DC R ,   e v a l ua te  th e  impact of different pa ram e ter setting s o n  DCR an d compa r e DCR with FTCl oud .    4.1. Experimental Setup   In this se ction  we co mpa r e  the followin g  approa che s :   1.  DCR:  The comp one nts are ran k ed b y   DCR  and  t he Top - K pe rcent  comp on ents a r e  sele cted   as the si gnificant  components for  enhancing the reliability.  2. Ran d CR:  K   pe rce n t comp o nents  a r e ra n domly sele ct ed  a s   the sig n ificant co mp onent s  fo r  enha nci ng th e reliability.  3.  FTClo ud: T h e comp one nts a r e  ran k ed  by  FTCloud  and the Top - K perce nt co mpone nts are  selected as the significant compone nts for enhancing  the reliability.  The system reliability  is consi dered  to be  the p r o b a b ility of gene rating  co rre ct  output  with corre c t input [17]. Fo r a fair  co mp arison, we  a s sume th at the internal fa ilure p r o babili ty  ( int f ) of the selected components  can be  reduced to 80% afte r enhanci ng the reliability no  matter whi c h  approa ch is  e m ployed. In a ddi tion, in DCR and F T Clo ud, the para m eter   is used  to bala n ce th e si gnifican c e value s   deri v ed from  oth e r  com pon en ts an d the  ba sic value s   of  the  comp one nts t hemselves. I n  previo us  st udie s  [ 18, 19 ], it has bee n  proved th at 0.85 is  a goo d  choi ce. Thu s ,  in our expe ri ments,   is also set to be 0.85.  A scale -fre e grap h is a graph wh ose d egre e  distri b u tion follows a powe r  law,  at least  asymptoticall y .  Previous studies have  d e mon s trate d   that not only  the Internet [ 20] but al so t h e   internal struct ure s   of comm on  softwa r e such as   Linux  Kernel, M o zill a, Xfree86  an d MySQL [21 ,   22] ap pea r t o  be  scal e-free. Th erefo r e ,  the net wo rk analy s is software Paj e k [23] is utilized  to   gene rate  scale-free di re cted g r a p h s  as  stru ct u r e graph s of  clou d ap pli c ation s  in t h e   experim ents.     Thre e scale - free di re cted  grap hs  with d i fferent settin g s of nod e n u mbe r s  (i.e. 500, 100 0  and 200 0) a r e gen erate d  by Pajek in our ex pe ri ments. The n  the compo nent invocati on  freque nci e s  of each grap h are  ran d o m ly gene rate d  to simul a te  the statisti cal data du rin g  a  perio d of run n ing onli ne. These comp onent invo cat i on freq uen ci es a r e u s ed  in FTClo ud a n d   cal c ulating the system reli ability.    4.2. Validation and Perfor mance Com p arison   In order to va lidate  DCR  a nd comp are DCR with FT Clou d,  the  ap proa ch es a r e  appli ed  to the three graphs respective ly and the experi m ental result s of application reliability are  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     DCR: Do uble  Com ponent  Ran k in g for Building  Re liab l e Clou d Appl ication s  (Li x in g Xue)    1571 repo rted in T able 1.  in t f  represe n ts the in ternal failure prob ability of the cloud compon ents,   inclu d ing two  value setting s (i.e. 0.05 and 0.1).  Top-K  (K=2%, 6%,  10% and 20 %) indicate s that   K  pe rce n t mo st si gnificant  co mpon ents in  DCR  an d FT Clou d,  and  K  pe rcen t ran domly   sele cted  com pone nts in  Rand CR  are  se lecte d  for en han cing th e  reliability.  ep  w h ic h  is  no t l i s ted   in the table repre s e n ts th e error p r op a gation  proba bility of the cloud compo n ents. It is usually  clo s e to 1 [24 ]  and thus we  set it to be 0.99.  Compared with  RandCR , DCR obt ains better  reliability performance in all the   experim ental  setting s. Thi s  ob se rvation  sho w s th at enha nci ng th e relia bility of the significant  comp one nts  i dentified by DCR ca n obt ain  b e tter s ystem reli ability than  en han ci ng the  reliabil i ty  of randomly selecte d  com p onent s. In other word s,  DCR is a b le to effectively id entify significant   components  whi c h have gr eat impact on the system  reliability.      Table 1. Perf ormance Compari s on of Application Reliability  Node  Numbers   Methods  Component intf= 0.05  Component intf= 0.1  Top2%  Top6%   Top10 %   Top20 %   Top2%   Top6%   Top10 %   Top20 %   500  RandCR   0.7381   0.7403  0.7410   0.7418   0.5416  0.5481   0.5499   0.5512   FTCloud  0.7453   0.7597   0.7641   0.7714   0.5572   0.5750  0.5818   0.5930   DCR   0.7478  0.7681   0.7725   0.7818   0.5568   0.5883  0.5952   0.6096   1000   RandCR   0.7247   0.7298  0.7312   0.7391   0.5201  0.5263   0.5234   0.5365   FTCloud  0.7322   0.7460   0.7510   0.7590   0.5398   0.5552  0.5626   0.5746   DCR   0.7354  0.7522   0.7581   0.7680   0.5396   0.5650  0.5739   0.5889   2000   RandCR   0.6974   0.7015  0.7098   0.7156   0.4881  0.4901   0.4928   0.5006   FTCloud   0.7147   0.7251  0.7307   0.7383   0.5098  0.5248   0.5329   0.5440   DCR   0.7206   0.7322  0.7390   0.7494   0.5185  0.5355   0.5455   0.5610       Compared wi th  FTCloud, DCR  pr ovides better reliability perfo rm ance in all  the settings  except for th e case that Top-K eq ual s to 2% while  in t f  is  s e t as  0.1. In thi s  c a s e , the  perfo rman ce  of DCR may be slightly wo rse tha n  that of FTClou d  when the nod e  numbe r is 5 00  or 1 000  and  the differen c e  is n o t more th an 0.00 04. In  ord e r to  furth e r  study the  p e rform a n c e  o f   DCR and d r a w  perfo rma n c e compa r iso n , more inve stigation s  int o  the impact  of internal fail ure   prob ability, error p r op agati on pro bability  and Top - K will be followed .     4.3. Impact of Relev a nt Parameters  To study the impact of the  compo nent i n ternal failu re prob ability ( in t f ) on the system  reliability, we  comp are the  approa che s  i n   int f  settings of  0.01 to 1  with  a ste p  value   of 0.01. In   this expe rime nt, the node  numbe r is 1 0 00 and  ep  is se t as 0.99. Th e experim ent al re sults of  clou d appli c at ion relia bility in Figure 3 sh ow that:  1·   DCR  consi s t ently  provides  better  reliability perform ance than  F T Cloud in al l  cases  when  Top-K = 20%, Top-K = 10% or  Top - K=6%,  and  in almo st all ca se s when Top - K=2 % .  2· O n ly if To p-K=2% an d   in t f  is  not le ss than 0. 09, the reliability  perfo rman ce   of FTCl oud   approa che s  o r  slightly exce eds that of  DCR. It exceed s a maximum  of 0.0004.  To study the  impact  of the com pon ent error propagation  probability  ( ep ) o n  the  sy stem  reliability, we  comp are the approa che s  i n   ep  settings  of 0.9 to 0.99 wi th a step valu e of 0.01. In   this exp e rime nt, the nod e  numbe r i s  al so 100 0 a nd  in t f  is  set a s  0.1.  The exp e rim ental resul t s  of cloud a ppli c ation reliabili ty in Figure 4 sho w  that:  1·   DCR  consi s t ently  provides  better  reliability perform ance than  F T Cloud in al l  cases  when  Top-K = 20%, Top-K = 10% or  Top - K=6%,  and  in almo st all ca se s when Top - K=2 % .  2·    Only if To p-K = 2%  and   0. 9 ep , the reliability p r ovided  by FT Clou d i s  0.0 0 1  mo re th an  that  provide d  by DCR.       Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 4, Dece mb er 201 6 :  1565 – 157 4   1572         Figure 3. Impact of com p o nent intern al failure p r o babi lity               Figure 4. Impact of com p o nent error p r o pagatio n pro b ability   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     DCR: Do uble  Com ponent  Ran k in g for Building  Re liab l e Clou d Appl ication s  (Li x in g Xue)    1573       Figure 5. Impact of Top-K       To  study the   impact  of T o p-K o n  th e  system reliabil i ty, we  comp are  the  app ro ach e s in   different Top - K settings. In this experim e n t, the node numbe r is stil l 1000 and  ep  is set as 0.99,  too. The expe rimental resul t s of cloud a p p licatio n relia bility in Figure 5 sho w  that :  1. DCR  consi s t ently  provides  better  reliability perform ance than  F T Cloud in al l  cases  when  0.05 in tf  and almo st all cases  whe n   0.1 in t f .  2. Only if  0.1 in t f  and Top - K is set as 2%, the  reliability pro v ide by FTCl oud is  0.000 2 more   than that prov ide by DCR.   To sum u p , DCR  outpe rforms FT Clo ud i n  almo st  all  cases. Only if Top-K = 2% as well  as  ep  is  small or  in t f  is larg e, the pe rforma nce of  FTClo ud m a y app roa c h  or  slightly excee d  that of   DCR. Thi s  o b se rvation i s  due to the  signifi cant co mpone nts d e t erminatio n o f  DCR and t h e   inequ ality bet wee n  imp a ct  of  comp one nt internal  fai l ure s   on th e  reliability a n d  impa ct of  erro r  prop agatio n in clou d appli c ation s . DCR treats impa ct of compone nt internal fai l ure s  and e r ro r  prop agatio n equally,  a nd sele cts  Top - 2 k  comp one nts f r om th e two  ranki ng  re sult s  re spe c tively.  In these extreme cases, t he impa ct of the first Top - 2 k  comp one nts of the prop a gation-ba sed   ran k ing resul t  on the reliability may be a little weaker than the i m pact of the  second To p- 2 k   comp one nts  of the failure-based ra nki n g re sult,  cau s ing the perfo rmance of DCR to be slig htly  worse th an th at of FTClo ud  in this case. The ob se rvati on can only b e  found  whe n  node n u mb e r   is not  big. When the  scal e of the  clou d appl i c atio n  rea c h e s  20 00 no de s, DCR  outpe rform s   FTClo ud  with out any exce ption. Anywa y , the neglig i b le pe rform a nce  differen c e in a few  extreme  ca se s doe s n o t cover the e ffect iveness a nd advanta g e s  of DCR.       5. Conclusio n   This p ape r  prop oses  a  comp one nt ran k ing f r a m ewo r k for identifying signifi cant   comp one nts  whi c h have g r eat impa ct on the cloud a pplication reli ability to help design e rs bu ild   reliabl e clo u d  application s . This fram ework ta ke s  into  account the i m pact of com pone nt intern al   failure s a s   well as the h a rm of erro r p r opag ati on to  ran k  the  co m pone nts twi c e only em plo y ing  the sy stem  structu r e  information. Th e  signifi cant  co mpone nts  are dete r mine d  ba sed  on th e two   ran k ing  re sult s. The reli abi lity of cloud appli c at ion s   can b e  greatl y  improved b y  enhan cing  the   reliability of these signifi cant comp one nts.  Comp ared with FTCl oud, the pro posed frame w o r k  con s id ers mo re but  req u ires le ss. Plen ty of  experim ents a r e  con ducte d to draw p e rfo r ma nce   comp ari s o n  and the re sults sh ow that our fram ework is effective  and outperfo rms FT Clo u d  in   almos t  all cases .   The future work i n cl ude s:  a) imp r oving  the  determin a tion of si gnificant  comp on ents, b )   more  expe ri mental a naly s is of a c tual  clo ud  appl i c ations,  and  c) con s ide r ing  more fa ctors to   identify signifi cant compo n ents.   Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 4, Dece mb er 201 6 :  1565 – 157 4   1574 Ackn o w l e dg ements   The  wo rk  de scribe d in  th is p ape r  wa s  sup porte d  by the Natio nal Natural  Scien c e  Found ation o f  China  (No. 6117 3020 )  and  Chine s e  Nation al Progra m s fo r  High T e chnol ogy   Re sea r ch an d Develo pme n t (No. 201 3 AA01A215 ).      Referen ces   [1]    Armbrust M, Fox A, Griffith  R, Joseph AD,  Katz RH, Konw inski  A, Le e  G, Patterson  D, Rabk in A,   Stoica I, Z ahari a  M. A Vie w  of  Clou d  Com puti ng.  Co mmu n ic ations of the A C M . 2010; 53( 4): 50-58.   [2]    Prasad MP, Naik PR, Bapu ji  V. Cloud Co m putin g: Rese arch Iss ues an d Implicati ons.   International  Journ a l of Clo u d  Co mp uting  a nd  Servic es Scienc e (IJ-CLOSER) . 2013; 2( 2): 134-1 40.   [3]    Z heng Z ,  Z h a n g  Y, L y u M R .  Clou d R ank: A  QoS-Drive n  C o mpo nent  Ran k ing F r a m ew ork for Clo u d   Co mp uting . 2 0 10 29th IEEE  S y mp osi u m on  Relia bl e Distri buted S y stems .  Ne w  D e l h i. 20 10: 184- 19 3.  [4]    Rooney  P. Microsoft's CEO: 8 0 -20 Ru le A ppl ies to Bugs, No t Just F eatures.  Chann elW e b .  2002.   [5]    Z heng  Z ,  Z hou  T C , L y u  MR,  King  I.  F T Clou d : A C o mp one nt Ra nkin g F r a m ew ork f o r F a ult-T o ler a n t   Clou d  Ap plic at ions . 2 0 1 0  IEEE 21st Intern ation a l S y mp o s ium o n  Soft w a re R e li abi lit y   Engi neer in g.  San Jose. 2 0 1 0 : 398-4 07.   [6]    Avizie nis A, Laprie JC, Ran d e ll B, Lan d w e h r   C. Basic Concepts and T x o nom y   of Dep e nda ble a n d   Secure Computing.  IEEE Transactions on Dependa ble and  Secure Com p uting . 200 4; 1(1) : 11-33.   [7]   Ly u  MR .  Han d book of Soft w a re Reli ab ilit y E ngi neer in g. Ne w   York: McGra w - H il l. 199 6.   [8]    Ran del l B, Jie  X. T he Evol uti on of th e R e co ver y   Block  Co ncept. In: L y u   MR.  Editor . Soft w a re Fault   T o lerance. Ne w   York: W ile y.  199 5: 1-21.   [9]    Avizie nis A. T he Met hod ol o g y  of N-V e rsi on Pro g rammi ng. In: L y u  M R .  Editor . Sof t w ar e F a u l t  T o lerance. Ne w   York: W ile y.  199 5: 23-4 6 .  [10]    Z eng  L, Ben a talla h B, N g u  A HH, Kal a g nan a m   J, Cha ng  H.  QoS-a w ar e Mi ddl e w ar e for W eb S e rvices   Comp ositio n.  IEEE Transactions on So ftwar e Engineering . 200 4; 30(5): 31 1-27.   [11]    Maximil i en EM , Singh MP. C once p tu a l  Mod e l of W eb S e r v ice Re putati o n.  SIGMOD Record . 20 02 ;  31(4): 36- 41.   [12]    Naji- Hasa n AH , Shu G.  OW L S -CSM: A Service Profile Ba sed Simil a rit y   F r ame w ork for  W eb Service   Discover y .  T E L K OMNIKA T e leco mmu n icati o n C o mputi n g  E l ectron ics a n d   Contro l .  20 14; 12(4): 107 9- 108 7.  [13]    Lu G, Hai Y,  Sun Y. A Relia bl e W eb  Servic es Se le ction Meth od  for Concurr ent  Requ ests.  T E LKOMNIKA T e leco mmunic a tion C o mputi n g Electron ics a nd Co ntrol . 20 14; 12(4): 1 053 -106 3.  [14]    Che ung R C . A User-Oriented  S o ft w a re   Re lia bil i t y   M ode l.  IEEE T r ansactions  on Software  Engi neer in g . 1980; SE-6(2): 1 18-1 25.   [15]    Page  L, Brin S,  Mot w a n i  R, W i nogr ad T .   T he Page Rank  Cita t ion R anki ng: B r ingi ng Ord e r t o  the W e b .  Standford Info Lab. Re port nu mber: 199 9-6 6 . 1999.   [16]    G y o n g y i Z ,  Ga rcia-Mol i na  H,  Peders en J.  C o mbati ng W e b  Spa m  w i th T r u s trank .  Proce e d in gs of the  T h irtieth Internation a l Co nfere n ce on Ver y   La r ge Data bas es (VLDB). T o ronto. 2004; 3 0 : 57 6-58 7.  [17]    Cortell e ssa V,  Grassi V. A  Mode lin g Ap pr oac h t o  An al yze the Imp a ct of Error Pro pag atio n o n   Reli ab ilit y of C o mpo nent-B as ed S y stems. In: Schmid t H W , Crnkovic I, Hei nema n  GT, Stafford JA.   Editors . Comp one nt-Base d  Soft w a re En gi neer ing. Ber lin , Heide l b e rg: Sprin ger Ber l i n  Hei del ber g .   200 7: 140- 156.   [18]    Brin S, Page  L. Reprin t of:  T he anatomy of a Larg e - scale H y p e rte x tu al W eb Se arch Eng i ne.   Co mp uter Net w orks . 2012; 56(18): 38 25- 38 33.   [19]    Inoue K, Yoko mori R, Yama moto T ,  Matsushita  M, Kusu moto S. Ranki ng Sig n ific anc e of Soft w a r e   Comp one nts Based o n  Use  Relati ons.  IEEE Transactions on So ftware Engineering . 200 5;  31(3) :   213- 25.   [20]    F a loutsos M,  F a loutsos P,  F a loutsos  C. On Po w e r- La w   R e l a tio n shi p s of the Inter net T opolo g y .   SIGCOMM Comp uter Co mmunic a tion R e vi ew . 1999; 29(4 ) : 251-26 2.  [21]    D H y l a n d -W oo d, D Carringto n , Y Kaplan.  Scale-F r e e  Natu re of Java Softw are Package,  Class an d   Method  Co lla b o ratio n  Grap hs . T he 5th Inter natio nal  S y mp osium  on Em pi rical S o ft w a re  Engi neer in g.  Rio d e  Jan e iro.  2005: 4 39-4 4 6 .   [22]    M y ers  CR. Softw a r e S y stems  as Com p le x  N e t w o r ks:  Structure, Functio n  a nd  Evo l vab ilit y of  Soft w a r e   Coll ab oratio n Graphs.  Physic a l Review E . 2003; 68( 4): 46- 116.   [2 3 ]     D e  N ooy  W, Mrva r  A, Ba ta g e l j  V. Ex pl o r a t o r y  So cia l  Ne tw ork Ana l y s is  w i th  Pa je k. R e vi sed  and  Exp a n d e d  Sec ond Ed itio n. Ne w  Y o rk: Cam b rid ge Un iversi t y  Press. 201 1.  [24]    Pham T T , Xe fago D.  Rel i a b ility Pr edicti o n for C o mpo n ent-Bas e d  Sy stems: Incor p oratin g Error  Propa gati on A nalysis  an d Dif ferent Executi o n Mod e ls . 20 1 2  12th Inter nati ona l Co nfere n c e  on Qu alit y  Soft w a re (QSIC). Xi’ an. 20 12 : 106-11 5.     Evaluation Warning : The document was created with Spire.PDF for Python.