CN101741650B - 基于QoS预测的服务组合方法及装置 - Google Patents
基于QoS预测的服务组合方法及装置 Download PDFInfo
- Publication number
- CN101741650B CN101741650B CN 201010033675 CN201010033675A CN101741650B CN 101741650 B CN101741650 B CN 101741650B CN 201010033675 CN201010033675 CN 201010033675 CN 201010033675 A CN201010033675 A CN 201010033675A CN 101741650 B CN101741650 B CN 101741650B
- Authority
- CN
- China
- Prior art keywords
- qos
- alternative services
- service
- execution
- services
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于QoS预测的服务组合方法及装置。该方法包括:获取满足用户功能性需求和非功能性需求的工作流模型,对所述工作流模型进行拆解获得各结构体,所述结构体包括至少一个的备选服务;获得各结构体对应的备选服务在预设执行时刻的QoS预测值,并将QoS预测值最优的备选服务作为相应结构体的执行服务,所述执行服务为结构体被执行所要时所选择执行的备选服务;在所述预设执行时刻到达时,由服务执行引擎执行工作流模型中各结构体的执行服务。本发明技术方案基于QoS预测进行服务组合,以使得在未来执行时刻可根据预测后的服务组合执行,以减少服务组合的执行时间,提高服务组合的执行效率。
Description
技术领域
本发明涉及计算机网络技术领域,特别是涉及基于QoS预测的服务组合方法及装置。
背景技术
随着互联网技术的广泛应用和发展,网络上的资源越来越多,各种服务也越来越多,服务供应商希望将现有的服务组合起来构成更强大功能的增值服务,将组合后的服务提供给用户,以满足业务多样化的需求。
其中,Web服务技术是一种分布式软件开发、部署和集成的技术,其可以为网络上的各种软件应用提供统一的功能表示、共享、集成和信息交换处理,因此,基于Web可以实现分布、动态、异构环境下的数据、应用和系统的集成,使得面向服务的软件结构(SOA)成为可能,便于服务的组合。同时,随着SOAP、WSDL、UDDI和BPEL等标准开发的服务更加规范和易于集成,各种服务具有更好的松散耦合性和更高的可复用性,从而基于这些标准的服务组合可以更加灵活和高效。此外,语义网技术的出现,也进一步地推动了Web服务的发展,由于语义描述方法在web服务技术中的引入,使得web服务过程能够被智能主体自治的执行,便于web服务的组合。
web服务组合技术主要分为:基于编制的工作流模式的半自动组合方法、基于编排的交互协议/会话模式的半自动组合方法和基于语义的自动化组合方法。组合过程可分为任务规划、服务发现和QoS感知的服务选择等过程,其中,任务规划是使用服务组合技术生成组合服务的工作流模型;服务发现是通过语义匹配技术为工作流模型中的每个抽象服务找到满足功能性的服务实例;QoS感知的服务选择是综合评估候选服务的QoS,在满足用户QoS限制的前提下,找到最优的解决方案并执行。
F.Casati、H.Sun和D.Mennie等人提出了动态服务组合的方法,其主要特点是组合服务定义态,定义构件服务所需要的功能;在组合服务实例化运行时再完成物理服务的绑定;在组合服务执行时,动态地和服务注册库通信,按照事先确定的策略查找所需构件的服务,其中可能的策略包括基于QoS选择服务和基于语义选择服务。服务的动态组合可以提高组合服务的灵活性和动态适应性,但是,其在服务执行过程中需要动态地查找、绑定服务,而且随着服务规模的增大,搜索效率将会大幅下降,导致组合服务执行时刻较长,从而导致提供服务的实时性较差,影响用户的使用。
在实现本发明的过程中发明人发现现有技术至少存在以下问题:现有基于Web服务的动态组合方法是在执行服务时,对服务进行动态地查询、选择和组合服务,从而获得当前活动被执行时所要执行的服务,即,服务执行时需要动态的和服务注册库通信,并按照事先确定的策略查找所需的服务,查找服务以及进行服务组合需要耗费大量的时间,服务执行的时间较长,服务执行效率较差,提供服务的实时性较差,影响用户使用服务的效果。
发明内容
本发明实施例提供一种基于QoS预测的服务组合方法及装置,可基于QoS感知预测,选择未来执行时刻的服务,在预设执行时刻到达时,可直接执行事先选择好的服务,执行服务所需的时间较短,可有效提高服务的执行效率,使得提供服务的实时性较强。
本发明实施例提供一种基于QoS预测的服务组合方法,包括:
获取满足用户功能性需求和非功能性需求的工作流模型,对所述工作流模型进行拆解获得各结构体,所述结构体包括至少一个的备选服务;
获得各结构体对应的备选服务在预设执行时刻的QoS预测值,并将QoS预测值最优的备选服务作为相应结构体的执行服务,所述执行服务为结构体被执行所要时所选择执行的备选服务;
在所述预设执行时刻到达时,由服务执行引擎执行工作流模型中各结构体的执行服务。
其中,所述获得各结构体对应的备选服务在预设执行时刻的QoS预测值包括:
对拆解后得到的各结构体对应的备选服务的QoS进行标准化计算,获得具有统一量纲的QoS数据;
基于标准化计算后得到的结构体对应的备选服务的QoS数据,进行预测计算,获得结构体对应的备选服务的QoS预测值;
将获得的QoS预测值最优的备选服务作为相应结构体的执行服务,以便服务执行引擎执行工作流模型时,执行各结构体的执行服务。
所述对拆解后得到的各结构体对应的备选服务的QoS进行标准化计算包括:
若结构体的备选服务的QoS属性是效益型数据时,通过公式1对结构体对应的备选服务的QoS数据进行标准化计算,所述公式1为:
若结构体的备选服务的QoS属性是成本型数据时,通过公式2对结构体对应的备选服务的QoS进行标准化计算,所述公式2为:
其中,M是系统收集得到结构体的各备选服务的非功能属性矩阵,所述非功能属性矩阵即为QoS矩阵,所述非功能属性包括:时间、可用度、信誉度和成本;j为各非功能属性的标号,且0<j<5;i是结构体上的备选服务的编号;Q为M进行标准化计算后,得到结构体的备选服务的QOS标准化矩阵。
所述基于标准化计算后得到的结构体对应的备选服务的QoS数据,进行预测计算,获得结构体对应的备选服务的QoS预测值包括:
基于Qt估算所述预设执行时刻t1时结构体的备选服务的QoS标准化矩阵Qt1,其中,所述t为当前时刻,所述Qt为直到当前时刻t为止结构体的备选服务的QoS标准化矩阵集合;
所述基于Qt估算所述预设执行时刻t1时结构体的备选服务的QoS标准化矩阵Qt1包括:
计算得到Qt的样本协方差矩阵S,并利用正交变换法将所述t时刻的样本协方差矩阵S唯一分解成如下形式:St1=GtΛt(Gt)′,其中,G是单位正交变换矩阵,所述G的列向量是由S的单位正交特征向量组成;Λt是t1时刻St1的特征值矩阵,所述Λt对角线上的元素分别为St1的特征值,其它元素为0;
将正交变换矩阵Gt的每个分量Gt ij对应一个角度θt ij,对所述正交变换矩阵Gt的各分量对应的角度的时间序列做一个回归方程测得到所述预设执行时刻t1时的正交变换矩阵Gt1的各分量对应的角度θt1 ij=fij(t)+εt ij;
根据θt1 ij,获得所述预设执行时刻t1时的结构体的备选服务的标准化矩阵Qt1的协方差矩阵St1;
利用极大似然估计法ML,构造出所述协方差矩阵St1与标准化协方差矩阵∑(θ)tRt的拟合函数FML,所述拟合函数FML为:
FML()=(1/2)n[tr(Rt(St)-1)+ln|St|-ln|Rt|-(p+q)]
其中,Rt为Qt1的标准协方差矩阵;
通过对所述拟合函数FML进行迭代,获得所述预设执行时刻t1时结构体的备选服务的QoS的标准化矩阵Qt1,所述标准化矩阵Qt1即为结构体的备选服务的QoS预测值。
此外,所述将QoS预测值最优的备选服务作为相应结构体的执行服务之后,还可包括:
判断是否存在需要局部优化类型的结构体,是,则通过帕雷托占优算法计算得到局部最优的服务执行规划序列,否则,直接执行服务。
本发明实施例还提供了一种基于QoS预测的服务组合装置,包括:
拆解模块,用于获取满足用户功能性需求和非功能性需求的工作流模型,对所述工作流模型进行拆解获得各结构体,所述结构体包括至少一个的备选服务;
执行服务获取模块,用于获得各结构体对应的备选服务在预设执行时刻的QoS预测值,并将QoS预测值最优的备选服务作为相应结构体的执行服务,所述执行服务为结构体被执行所要时所选择执行的备选服务;
执行模块,用于在所述预设执行时刻到达时,由服务执行引擎执行工作流模型中各结构体的执行服务。
其中,所述执行服务获取模块可包括:
标准化计算单元,用于对拆解后得到的各结构体对应的备选服务的QoS进行标准化计算,获得具有统一量纲的QoS数据;
预测值计算单元,用于基于标准化计算后得到的结构体对应的备选服务的QoS数据,进行预测计算,获得结构体对应的备选服务的QoS预测值;
获取单元,用于将获得的QoS预测值最优的备选服务作为相应结构体的执行服务,以便服务执行引擎执行工作流模型时,执行各结构体的执行服务。
本发明实施例通过对满足用户的工作流模型进行拆解,将工作流模型拆解获得各结构体,并对结构体的备选服务进行QoS预测,基于预测得到的备选服务的QoS预测值,选择工作流预设执行时刻的各结构体的最优服务,使得在预设执行时刻需要执行该工作流时,可快速有效地执行服务,减少执行服务的时间,提高服务执行效率,可有效提高为用户提供服务的实时性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于QoS预测的服务组合方法实施例的流程示意图;
图2为本发明实施例中对备选服务的QoS进行预测计算的流程示意图;
图3为本发明实施例中对QoS进行预测计算的流程图;
图4为本发明基于QoS预测的服务组合装置实施例的结构示意图;
图5为本发明实施例中执行服务获取模块的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明基于QoS预测的服务组合方法实施例的流程示意图。具体地,如图1所示,本实施例方法可包括以下步骤:
步骤101、获取满足用户功能性需求和非功能性需求的工作流模型,对所述工作流模型进行拆解获得各结构体,所述结构体包括至少一个的备选服务;
步骤102、获得各结构体对应的备选服务在预设执行时刻的QoS预测值,并将QoS预测值最优的备选服务作为相应结构体的执行服务,所述执行服务为结构体被执行所要时所选择执行的备选服务;
步骤103、在所述预设执行时刻到达时,由服务执行引擎执行工作流模型中各结构体的执行服务。
本实施例可应用于web服务组合中,且可基于服务组合技术中的任务规划和服务发现过程,获得满足用户需求的工作流模型,并对获取的工作流模型进行拆解,获得各结构体,对各结构体的备选服务进行预测选择,选择最优的服务作为未来时刻执行用户的工作流模型时,执行各结构体的最优服务。
本实施例中,可通过用户智能主题获取用户提供的功能性需求和非功能性需求,并获得满足用户功能性需求和非功能性需求的工作流模型,该工作流模型包括了满足用户功能性需求的结构体,每个结构体可包含多种备选服务,在工作流模型被执行时,需要从各结构体中选择合适的备选服务进行执行,从而获得相应的服务。由于每个备选服务是否能被成功的执行,主要取决于用户的非功能性需求,即备选服务的QoS属性是否满足用户的非功能性需求,因此,选择满足用户非功能性需求的合适的备选服务,可有效保证服务执行的成功率。
当获得满足用户功能性需求和非功能性需求的工作流模型后,即可对工作流模型进行拆解,获得作为服务执行引擎的最小执行模块的结构体,由于各结构体是由各种备选服务组成的,每种备选服务的功能是相同的,因此,需要从结构体的多种备选服务中选择需要执行的服务,本实施例中,对于对拆解后的各结构体,通过选择满足用户非功能性需求的备选服务作为结构体被执行时的执行服务,即通过备选服务的QoS属性确定需要选择作为被执行时的服务。
具体地,本实施例中,对拆分后的各结构体的备选服务的QoS进行预测,以获得未来预设执行时刻各备选服务的QoS预测值,并可基于获得的备选服务的QoS预测值,确定满足用户非功能性需求的最优服务,并将满足用户非功能性需求的最优服务作为执行服务,在服务执行引擎执行工作流模型时,执行各结构体的执行服务,为用户提供满足用户需求的最优的服务。可以看出,本实施例中,通过对服务的QoS进行预测,获得满足用户需求的未来预设时刻时的要执行的服务,使得服务执行引擎在执行工作流模型时,直接执行相应的服务即可,服务执行时不需要再对服务进行查询及选择,服务执行的时间短,为用户提供服务的实时性高,可有效提高用户的使用的效果。
图2为本发明实施例中对备选服务的QoS进行预测计算的流程示意图。如图2所示,获得各结构体对应的备选服务在预设执行时刻的QoS预测值具体可包括如下步骤:
步骤201、对拆解后的各结构体对应的备选服务的QoS进行标准化计算,获得具有统一量纲的QoS数据;
步骤202、基于标准化计算后得到的结构体对应的备选服务的QoS数据,进行预测计算,获得结构体对应的备选服务的QoS预测值;
步骤203、将获得的QoS预测值最优的备选服务作为相应结构体的执行服务,以便服务执行引擎执行工作流模型时,执行结构体的执行服务。
其中,步骤201中,对拆解后的各结构体对应的备选服务的QoS进行标准化计算具体可包括:
若结构体的备选服务的QoS属性是效益型数据时,通过公式1对结构体对应的备选服务的QoS数据进行标准化计算,所述公式1为:
若结构体的备选服务的QoS属性是成本型数据时,通过公式2对结构体对应的备选服务的QoS进行标准化计算,所述公式2为:
其中,M是系统收集得到结构体的各备选服务的非功能属性矩阵,所述非功能属性矩阵即为QoS矩阵,所述非功能属性包括:时间、可用度、信誉度和成本;j为各非功能属性的标号,其中0<j<5;i是结构体上的备选服务的编号;Q为M进行标准化计算后,得到结构体的备选服务的QOS标准化矩阵。
实际应用中,由于各备选服务的QoS属性可能包括价格(Price)、可用性(Available)、响应时间(Response time)和信誉度(Reputation)等,因此,结构体的备选服务矩阵中的QoS数据往往是处于不同的量纲的,如价格单位可能是几十欧元,而信誉度仅为[1,10]之间的整数,若不对不同量纲的QoS进行标准化计算,统一QoS数据的量纲,则对备选服务的QoS进行评估,预测预设执行时刻QoS预测值过程中,会带来大量的额外的计算开销,因此,为便于QoS数据间的比较,将M中的数据进行标准化计算,将所有的QoS数据标准化至一个相同的量纲。其中,当备选服务的QoS属性是效益型数据时通过公式1进行标准化计算,当备选服务的QoS属性是成本型数据时通过公式2进行标准化计算,公式中,Mi,j=0是QoS属性缺失的情况,此时,令Qi,j为-1,可最终得到M的标准化矩阵Q,标准化矩阵Q的行代表时间点,列代表QoS属性。
图3为本发明实施例中对QoS进行预测计算的流程图。上述图2所示的步骤202,基于标准化计算后得到的结构体对应的备选服务的QoS数据,进行预测计算,获得结构体对应的备选服务的QoS预测值具体可以为基于Qt估算所述预设执行时刻t1时结构体的备选服务的QoS标准化矩阵Qt1,其中,所述t为当前时刻,所述Qt为直到当前时刻t为止结构体的备选服务的QoS标准化矩阵集合,具体地,如图3所示,其具体计算过程可包括如下步骤:
步骤2021、计算得到Qt的样本协方差矩阵S,并利用正交变换法将所述t时刻的样本协方差矩阵S唯一分解成如下形式:St1=GtΛt(Gt)′,其中,G是单位正交变换矩阵,所述G的列向量是由S的单位正交特征向量组成;Λt是t1时刻St1的特征值矩阵,所述Λt对角线上的元素分别为St1的特征值,其它元素为0;
步骤2022、将正交变换矩阵Gt的每个分量Gt ij对应一个角度θt ij,对所述正交变换矩阵Gt的各分量对应的角度的时间序列做一个回归方程预测得到所述预设执行时刻t1时的正交变换矩阵Gt1的各分量对应的角度θt1 ij=fij(t)+εt ij;
步骤2023、根据θt1 ij,获得所述预设执行时刻t1时的结构体的备选服务的标准化矩阵Qt1的协方差矩阵St1;
步骤2024、利用极大似然估计法ML,构造出所述协方差矩阵St1与标准化协方差矩阵∑(θ)tRt的拟合函数FML;
其中,所述拟合函数FML具体为:
FML()=(1/2)n[tr(Rt(St)-1)+ln|St|-ln|Rt|-(p+q)]
其中,Rt为Qt1的标准协方差矩阵。
步骤2025、通过对所述拟合函数FML进行迭代,获得所述预设执行时刻t1时结构体的备选服务的QoS的标准化矩阵Qt1,所述标准化矩阵Qt1即为结构体的备选服务的QoS预测值。
此外,本实施例中,在将QoS预测值最优的备选服务作为相应结构体的执行服务之后,还可包括如下步骤:判断是否存在需要局部优化类型的结构体,是,则通过帕雷托占优算法计算得到局部最优的服务执行规划序列,否则,直接执行服务。具体地,若分解后的结构体是并行结构体,即分解后的结构体中,有若干结构体为并行结构,则在工作流模型执行时,就需要执行并行结构体中的一个结构体的执行服务,因此,本实施例中,利用帕雷托占优算法对该种并行结构类型的结构体进行局部优化,得到局部最优的服务执行规划序列,服务执行引擎根据该服务执行规划序列可获得最好的执行结果。
组合服务的执行路径主要是基于工作流模型进行生成,而组合的结构主要包括如下四种:顺序结构(Sequence,S)、循环结构(Loop,L)、选择结构(Choice,C)和并行结构(Parallel,P)。由于活动是组合服务描述的最小模块,因此,顺序结构表示其中的n个任务按照顺序依次执行;而循环结构中的一个任务按照需求重复执行k次;排他选择结构中可包含m条任务分支,只是执行任务时,只能选择一条分支,且该分支依靠响应的条件为真触发;并行结构中也可包括m条分支,只是在执行任务时,需要m个分支同步执行。实际应用中,可将上述四种工作流的组合结构定义为结构体:Block={Type:t1,t2,…,tn},组合结构中的任务由定义的结构体串联,即Type∈{S,L,EC,P},同时,这些结构体还可以组合和嵌套,从而形成整个服务组合的逻辑。通过上述的定义,我们可以用一个递归结构来表示组合服务,Block={Type:Block}。而不同结构的QoS聚合算法可见表1。
表1
其中,表中c是分支执行的概率;k是循环总数;N是活动总数。
本实施例通过对满足用户的工作流模型进行拆解,将工作流模型拆解获得各结构体,并对结构体的备选服务进行QoS预测,基于预测得到的备选服务的QoS预测值,选择工作流预设执行时刻的各结构体的最优服务,使得在预设执行时刻需要执行该工作流时,可快速有效地执行服务,减少执行服务的时间,提高服务执行效率,可有效提高为用户提供服务的实时性。
图4为本发明基于QoS预测的服务组合装置实施例的结构示意图;图5为本发明实施例中执行服务获取模块的结构示意图。如图4所示,该装置包括拆解模块1、执行服务获取模块2和执行模块3,其中:
拆解模块1,用于获取满足用户功能性需求和非功能性需求的工作流模型,对所述工作流模型进行拆解获得各结构体,所述结构体包括至少一个的备选服务;
执行服务获取模块2,用于获得各结构体对应的备选服务在预设执行时刻的QoS预测值,并将QoS预测值最优的备选服务作为相应结构体的执行服务,所述执行服务为结构体被执行所要时所选择执行的备选服务;
执行模块3,用于在所述预设执行时刻到达时,由服务执行引擎执行工作流模型中各结构体的执行服务。
如图5所示,所述执行服务获取模块2可包括标准化计算单元21、预测值计算单元22和获取单元23,其中:
标准化计算单元21,用于对拆解后得到的各结构体对应的备选服务的QoS进行标准化计算,获得具有统一量纲的QoS数据;
预测值计算单元22,用于基于标准化计算后得到的结构体对应的备选服务的QoS数据,进行预测计算,获得结构体对应的备选服务的QoS预测值;
获取单元23,用于将获得的QoS预测值最优的备选服务作为相应结构体的执行服务,以便服务执行引擎执行工作流模型时,执行各结构体的执行服务。
具体地,所述标准化计算单元21具体可用于若结构体的备选服务的QoS属性是效益型数据时,通过公式1对结构体对应的备选服务的QoS数据进行标准化计算,所述公式1为:
以及用于若结构体的备选服务的QoS属性是成本型数据时,通过公式2对结构体对应的备选服务的QoS进行标准化计算,所述公式2为:
其中,M是系统收集得到结构体的各备选服务的非功能属性矩阵,所述非功能属性矩阵即为QoS矩阵,所述非功能属性包括:时间、可用度、信誉度和成本;j为各非功能属性的标号,且0<j<5;i是结构体上的备选服务的编号;Q为M进行标准化计算后,得到结构体的备选服务的QOS标准化矩阵。
所述预测值计算单元22具体可用于基于Qt估算所述预设执行时刻t1时结构体的备选服务的QoS标准化矩阵Qt1,其中,所述t为当前时刻,所述Qt为直到当前时刻t为止结构体的备选服务的QoS标准化矩阵集合。
本实施例可应用于web服务组合中,获得未来预设执行时刻的组合服务,其具体实现过程可参考上述本发明基于QoS预测的服务组合方法实施例的步骤,在此不再赘述。
本发明实施例通过对满足用户的工作流模型进行拆解,将工作流模型拆解获得各结构体,并对结构体的备选服务进行QoS预测,基于预测得到的备选服务的QoS预测值,选择工作流预设执行时刻的各结构体的最优服务,使得在预设执行时刻需要执行该工作流时,可快速有效地执行服务,减少执行服务的时间,提高服务执行效率,可有效提高为用户提供服务的实时性。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (4)
1.一种基于QoS预测的服务组合方法,其特征在于,包括:
获取满足用户功能性需求和非功能性需求的工作流模型,对所述工作流模型进行拆解获得各结构体,所述结构体包括至少一个的备选服务;
获得各结构体对应的备选服务在预设执行时刻的QoS预测值,并将QoS预测值最优的备选服务作为相应结构体的执行服务,所述执行服务为结构体被执行所要时所选择执行的备选服务;
在所述预设执行时刻到达时,由服务执行引擎执行工作流模型中各结构体的执行服务;
所述结构体包括顺序结构、循环结构、选择结构和并行结构;
所述获得各结构体对应的备选服务在预设执行时刻的QoS预测值包括:
对拆解后得到的各结构体对应的备选服务的QoS进行标准化计算,获得具有统一量纲的QoS数据;
基于标准化计算后得到的结构体对应的备选服务的QoS数据,进行预测计算,获得结构体对应的备选服务的QoS预测值;
将获得的QoS预测值最优的备选服务作为相应结构体的执行服务,以便服务执行引擎执行工作流模型时,执行各结构体的执行服务;
所述对拆解后得到的各结构体对应的备选服务的QoS进行标准化计算包括:
若结构体的备选服务的QoS属性是效益型数据时,通过公式1对结构体对应的备选服务的QoS数据进行标准化计算,所述公式1为:
若结构体的备选服务的QoS属性是成本型数据时,通过公式2对结构体对应的备选服务的QoS进行标准化计算,所述公式2为:
其中,M是系统收集得到结构体的各备选服务的非功能属性矩阵,所述非功能属性矩阵即为QoS矩阵,所述非功能属性包括:时间、可用度、信誉度和成本;j为各非功能属性的标号,且0<j<5;i是结构体上的备选服务的编号;Q为M进行标准化计算后,得到结构体的备选服务的QOS标准化矩阵;
所述将获得的QoS预测值最优的备选服务作为相应结构体的执行服务之后,还包括:
判断是否存在需要局部优化类型的结构体,是,则通过帕雷托占优算法计算得到局部最优的服务执行规划序列,否则,直接执行服务。
2.根据权利要求1所述的基于QoS预测的服务组合方法,其特征在于,所述基于标准化计算后得到的结构体对应的备选服务的QoS数据,进行预测计算,获得结构体对应的备选服务的QoS预测值包括:
基于Qt估算所述预设执行时刻t1时结构体的备选服务的QoS标准化矩阵Qt1,其中,所述t为当前时刻,所述Qt为直到当前时刻t为止结构体的备选服务的QoS标准化矩阵集合;
所述基于Qt估算所述预设执行时刻t1时结构体的备选服务的QoS标准化矩阵Qt1包括:
计算得到Qt的样本协方差矩阵S,并利用正交变换法将所述t时刻的样本协方差矩阵S唯一分解成如下形式:St1=GtΛt(Gt)’,其中,G是单位正交变换矩阵,所述G的列向量是由S的单位正交特征向量组成;Λt是t1时刻St1的特征值矩阵,所述Λt对角线上的元素分别为St1的特征值,其它元素为0;
将正交变换矩阵Gt的每个分量Gt ij对应一个角度θt ij,对所述正交变换矩阵Gt的各分量对应的角度的时间序列做一个回归方程预测得到所述预设执行时刻t1时的正交变换矩阵Gt1的各分量对应的角度θt1 ij=fij(t)+εt ij;
根据θt1 ij,获得所述预设执行时刻t1时的结构体的备选服务的标准化矩阵Qt1的协方差矩阵St1;
利用极大似然估计法ML,构造出所述协方差矩阵St1与标准化协方差矩阵∑(θ)tRt的拟合函数FML,所述拟合函数FML为:
FML()=(1/2)n[tr(Rt(St)-1)+ln|St|-ln|Rt|-(p+q)]
其中,Rt为Qt1的标准协方差矩阵;
通过对所述拟合函数FML进行迭代,获得所述预设执行时刻t1时结构体的备选服务的QoS的标准化矩阵Qt1,所述标准化矩阵Qt1即为结构体的备选服务的QoS预测值。
3.一种基于QoS预测的服务组合装置,其特征在于,包括:
拆解模块,用于获取满足用户功能性需求和非功能性需求的工作流模型,对所述工作流模型进行拆解获得各结构体,所述结构体包括至少一个的备选服务,所述结构体包括顺序结构、循环结构、选择结构和并行结构;
执行服务获取模块,用于获得各结构体对应的备选服务在预设执行时刻的QoS预测值,并将QoS预测值最优的备选服务作为相应结构体的执行服务,所述执行服务为结构体被执行所要时所选择执行的备选服务;
执行模块,用于在所述预设执行时刻到达时,由服务执行引擎执行工作流模型中各结构体的执行服务;
所述执行服务获取模块包括:
标准化计算单元,用于对拆解后得到的各结构体对应的备选服务的QoS进行标准化计算,获得具有统一量纲的QoS数据;
预测值计算单元,用于基于标准化计算后得到的结构体对应的备选服务的QoS数据,进行预测计算,获得结构体对应的备选服务的QoS预测值;
获取单元,用于将获得的QoS预测值最优的备选服务作为相应结构体的执行服务,以便服务执行引擎执行工作流模型时,执行各结构体的执行服务;
所述标准化计算单元具体用于若结构体的备选服务的QoS属性是效益型数据时,通过公式1对结构体对应的备选服务的QoS数据进行标准化计算,所述公式1为:
以及用于若结构体的备选服务的QoS属性是成本型数据时,通过公式2对结构体对应的备选服务的QoS进行标准化计算,所述公式2为:
其中,M是系统收集得到结构体的各备选服务的非功能属性矩阵,所述非功能属性矩阵即为QoS矩阵,所述非功能属性包括:时间、可用度、信誉度和成本;j为各非功能属性的标号,且0<j<5;i是结构体上的备选服务的编号;Q为M进行标准化计算后,得到结构体的备选服务的QOS标准化矩阵。
4.根据权利要求3所述的基于QoS预测的服务组合装置,其特征在于,所述预测值计算单元具体用于基于Qt估算所述预设执行时刻t1时结构体的备选服务的QoS标准化矩阵Qt1,其中,所述t为当前时刻,所述Qt为直到当前时刻t为止结构体的备选服务的QoS标准化矩阵集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010033675 CN101741650B (zh) | 2010-01-04 | 2010-01-04 | 基于QoS预测的服务组合方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010033675 CN101741650B (zh) | 2010-01-04 | 2010-01-04 | 基于QoS预测的服务组合方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101741650A CN101741650A (zh) | 2010-06-16 |
CN101741650B true CN101741650B (zh) | 2013-01-09 |
Family
ID=42464582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010033675 Expired - Fee Related CN101741650B (zh) | 2010-01-04 | 2010-01-04 | 基于QoS预测的服务组合方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101741650B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101977213B (zh) * | 2010-10-18 | 2012-11-28 | 南京大学 | 网络系统中soa架构下基于服务质量的服务组合方法 |
CN102143087B (zh) * | 2011-04-29 | 2014-07-16 | 北京交通大学 | 一种资源导向服务组合选择方法 |
CN102306336A (zh) * | 2011-06-10 | 2012-01-04 | 浙江大学 | 基于协同过滤和QoS感知的服务选择框架 |
CN102523269B (zh) * | 2011-12-08 | 2014-07-09 | 杭州电子科技大学 | 动态网络环境下高可靠性服务组合方法 |
CN102685195B (zh) * | 2011-12-20 | 2016-07-06 | 中兴通讯股份有限公司 | 应用服务组合方法、装置及系统 |
US9038025B1 (en) | 2012-05-24 | 2015-05-19 | Allstate Insurance Company | Technical interaction model |
CN104809059B (zh) * | 2015-04-01 | 2018-02-02 | 百度在线网络技术(北京)有限公司 | 应用上线指标的检测方法及装置 |
US20190205792A1 (en) * | 2016-11-02 | 2019-07-04 | Intel Corporation | Automated generation of workflows |
CN110971683B (zh) * | 2019-11-28 | 2021-06-15 | 海南大学 | 基于强化学习的服务组合方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1805345A (zh) * | 2005-01-12 | 2006-07-19 | 北京航空航天大学 | Web服务工作流处理器 |
-
2010
- 2010-01-04 CN CN 201010033675 patent/CN101741650B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1805345A (zh) * | 2005-01-12 | 2006-07-19 | 北京航空航天大学 | Web服务工作流处理器 |
Non-Patent Citations (2)
Title |
---|
Mu Li et.al.An Adaptive Web Services Selection Method Based on the QoS Prediction Mechanism.《Web Intelligence and Intelligent Agent Technologies, 2009. WI-IAT "09. IEEE/WIC/ACM International Joint Conferences on》.2009,第1卷第395-402页. * |
Yang Li et.al.QoS-aware Service Composition in Service Overlay Networks.《Web Services, 2007. ICWS 2007. IEEE International Conference on》.2007,第703-710页. * |
Also Published As
Publication number | Publication date |
---|---|
CN101741650A (zh) | 2010-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101741650B (zh) | 基于QoS预测的服务组合方法及装置 | |
Winkelhake et al. | Digital transformation of the automotive industry | |
Li et al. | Subtask scheduling for distributed robots in cloud manufacturing | |
Bouazza et al. | A distributed approach solving partially flexible job-shop scheduling problem with a Q-learning effect | |
Jia et al. | An intelligent cloud workflow scheduling system with time estimation and adaptive ant colony optimization | |
Kliewer et al. | Multiple depot vehicle and crew scheduling with time windows for scheduled trips | |
Wang et al. | Application of reinforcement learning for agent-based production scheduling | |
Winkelhake | The digital transformation of the automotive industry: Catalysts, roadmap, practice | |
Mourtzis et al. | Smart mobile apps for supporting product design and decision-making in the era of mass customisation | |
Kuki et al. | A contribution to modeling two-way communication with retrial queueing systems | |
Nodehi et al. | ICIF: an inter-cloud interoperability framework for computing resource cloud providers in factories of the future | |
Manupati et al. | Optimal process plan selection in networked based manufacturing using game-theoretic approach | |
Kerga et al. | Set-based concurrent engineering innovation roadmap (SBCE IR): a case on adiabatic humidification system | |
Goswami et al. | Analysis of renewal input batch service queue with impatient customers and multiple working vacations | |
Fernandes et al. | Improving materials flow through autonomous production control | |
Li et al. | A production scheduling problem with sequence-dependent changeover costs | |
Rambau et al. | Solving a vehicle routing problem with resource conflicts and makespan objective with an application in car body manufacturing | |
CN103902374B (zh) | 基于元胞自动机和赋权有向超图的云计算任务调度方法 | |
Kück et al. | Potentials and risks of resource sharing in production and logistics | |
Hsieh et al. | A multiagent approach for managing collaborative workflows in supply chains | |
Jung et al. | A workflow scheduling technique for task distribution in spot instance-based cloud | |
Zhou | Interne in the | |
Ke et al. | An optimal selection approach for a multi-tenancy service based on a SLA utility | |
Guo et al. | Coordinated Optimization of Production and Delivery Operations in Apparel Supply Chains Using a Hybrid Intelligent Algorithm | |
Zimmermann et al. | Tactical Production Planning for Customer Individual Products in Changeable Production Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130109 Termination date: 20170104 |
|
CF01 | Termination of patent right due to non-payment of annual fee |