CN102654871B - 一种基于QoS历史记录的服务组合优化方法 - Google Patents

Abstract

本发明公开了一种基于QoS历史记录的服务组合优化方法，包括以下步骤：获取数据集，所述数据集由各个web服务的QoS历史记录组成；求解前N个最优的基于历史记录的组合方案；计算服务贡献度，利用上步中产生的前N个最优的基于QoS历史记录的组合方案，计算各个服务的贡献度值，从而为服务组合中的每个任务选择符合要求的web服务；且对每个任务的候选服务而言，拥有最高贡献度值的那个服务将被选出，参加最优服务组合方案的执行。本发明的优点在于利用了服务的QoS历史记录做决策，更加客观，可信，提出了贡献度的变量参数，根据服务贡献度值的大小，来决定哪些服务参与最终的最优组合方案，从而使得最后的组合方案的可信度更高。

Description

一种基于QoS历史记录的服务组合优化方法

技术领域

本发明涉及计算机软件技术领域，特别是一种基于QoS(Quality of Service，QoS)历史记录的服务组合优化方法，用于评估服务质量以及进行服务组合优化方案的选择。

背景技术

Web应用在过去的几年发展中，面向服务的计算得到了学术界和工业界的广泛重视，并获得了一个又一个的成功。在软件工程和商业应用领域里，面向服务计算技术显示出无处不在和显著的优势。Web服务技术已经在很多新产品和新应用软件中得到了广泛和深入的应用。

从技术上讲，web服务结合了面向组件的方法和web技术的优势。它是通过URI(Uniform Resource Identifier，URI)标识的自制的软件系统，封装了应用程序的功能和信息资源，，并使得可以通过编程接口实现对这些功能和资源的利用。通过基于XML(Extensible Markup Language，XML)的消息的封装，web服务可以被发布，定位，访问或者在网络传输。为了能够方便的被其他web上的应用程序发现和利用，应该给予web服务明确的描述，使得它们的功能属性和QoS属性便于理解。

随着web服务的发展，具有相同功能的服务越来越多，为了能在数量众多，性能各异的服务中找到符合用户要求的服务，需要确定服务质量标准并根据此标准进行服务匹配和选择。一般来讲，QoS在区分功能属性相同但非功能属性不同的服务时，扮演了重要的角色。在实际应用中，QoS的属性包括：价格、执行时间、可用性、可信性和信誉度等等。

为了获得符合用户QoS约束的服务，工业界和学术界从不同的角度对web服务选择及服务组合进行了大量研究。例如，Anton Michilayr等在“End-to-end support forQoS-aware service selection，binding，and mediation in VRESCo(IEEE Transactions onServices Computing，Vol.3，No.3，pp.193-205，2010)”中研究了在VRESCo环境下端到端QoS感知的服务选择，绑定和调节。Mohammad Alrifai等人在“Combining globaloptimization with local selection for efficient QoS-aware service composition(Proceedingsof the International World Wide Web Conference，pp.881-890，2009)”中提出了一个启发式的服务组合方法，通过结合全局优化和局部选择，来实现基于QoS感知的服务组合。类似的，Lianyong Qi等人在“Combining local optimization and enumeration for QoS-awareweb service composition(Proceedings of the International Conference on Web Services，pp.31-41，2010)”中，提出了一个叫做启发式的服务组合方法，通过一个QoS感知的服务过滤器，来选择一个接近最优的服务组合方案。Dimitrios Skoutas在“A ranking mechanismfor semantic web service discovery(IEEE Congress on Services，Vol.3，No.3，pp.41-48，2007)”中研究了如何使用多属性的支配关系来对web服务进行排序和聚类。他们的方法通过提高web搜索引擎的能力来帮助基于QoS感知的服务检索和选择。Qi Yu等人在“Computing service skyline from uncertain QoWS(IEEE Transactions on ServicesComputing，Vol.3，No.1，pp.16-29，2010)”中研究了基于不确定的QoS属性值进行服务选择的方法。

随着互联网以及服务计算技术的飞速发展，个人或企业都希望能够对已有资源进行动态组合以实现增值服务。目前的服务优化方法经常假设服务提供者发布的服务质量是确定的。然而，由于web服务环境的动态性，服务内部的改变或执行环境的变化，尤其是当某些故意欺骗的行为发生时，服务在执行时的质量经常是不确定的。因此，我们认为，利用服务发布者提供的服务质量数据来评估服务质量是值得怀疑的。在这种情况下，我们提出了一个基于历史记录的服务优化方法，通过使用服务的QoS历史记录来评估服务的质量，进行服务组合方案的规划，从而增强服务组合的可信度。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于QoS历史记录的服务组合优化方法。

本发明公开了一种基于QoS历史记录的服务组合优化方法，包括以下步骤：

步骤1，获取数据集，所述数据集由各个web服务的QoS历史记录组成；

步骤2，求解前N个最优的基于历史记录的组合方案，从所有基于QoS历史记录的组合方案中，计算出前N个最优的基于历史记录的组合方案，并作为计算各个服务可信度的依据；

步骤3：计算服务贡献度，利用步骤2中产生的前N个最优的基于QoS历史记录的组合方案，计算各个服务的贡献度值，从而为服务组合中的每个任务选择符合要求的web服务；且对每个任务的候选服务而言，拥有最高贡献度值的那个服务将被选出，参加最优服务组合方案的执行。

本发明中，所述web服务的QoS是指服务非功能属性方面的特性；非功能属性方面的特性是相对于功能属性而言的，包括价格、执行时间、信誉度、可用性等等。所述的web服务的QoS历史记录具体描述为WS_ij.R_k＝(Q₁，Q₂，...Q_i，...，Q_m)，其中，WS_ij表示第i个任务的第j个候选服务，WS_ij.R_k表示服务WS_ij的k条历史记录，Q_i表示第i维QoS属性值，m表示QoS属性的维数。

本发明中，服务组合中各个任务之间组合的逻辑关系包括顺序逻辑关系；

组合服务的QoS不仅是由各个构件服务决定的，也是由组合的模型决定的。服务组合的模型包括：顺序、并行、条件和循环。在这里，我们只着重关注顺序组合模型。其他的模型可以简化或者转化成顺序模型。将多种模型转化为顺序模型，及展开循环的方法在文献“Quality of service for workflows and web service processes(Journal of WebSemantics，pp.281-308，2004)”中讨论过，可以用在这里。

所述顺序逻辑关系表示的web服务组合的抽象描述为{T₁，T₂，...，T_i，...，T_n}，其中，T_i表示第i个服务种类，即第i个任务，n表示服务组合中任务的个数。

本领域中，所述的web服务组合方案的具体描述为：

其中，

表示第i个任务的第j个候选服务，

WS-Pool_i表示第i个任务所对应的服务资源池。

本发明中，所述基于服务QoS历史记录的组合方案表示为：

其中，表示第i个服务资源池中第j个服务的第k条记录。

本发明中，步骤2中求解前N个最优的基于历史记录的组合方案，包括以下步骤：

将步骤1中服务的QoS历史记录转化为线性规划问题的变量，约束；

列出线性规划的目标函数；

使用线性规划求解器产生前N个最优的基于历史记录的组合方案；(例如lp_solve，可以免费下载，见http://lpsolve.sourceforge.net/5.5/)，便可以不需要生成所有的可能执行方案，从而产生前N个最优的基于历史记录的组合方案。

所述目标函数为：

$\underset{r=1}{\overset{h_1}{\mathrm{\Σ}}}\frac{Q_{\max }\left(r\right)-{\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=1}^{m_i}{\mathrm{\Σ}}_{k=1}^{l_{\mathrm{ij}}}q({\mathrm{WS}}_{\mathrm{ij}}.R_k,r)\×x_{\mathrm{ij}-k}}{Q_{\max }\left(r\right)-Q_{\min }\left(r\right)}\×w_r+\underset{r=h_1+1}{\overset{h_1+h_2}{\mathrm{\Σ}}}\frac{{\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=1}^{m_i}{\mathrm{\Σ}}_{k=1}^{l_{\mathrm{ij}}}q({\mathrm{WS}}_{\mathrm{ij}}.R_k,r)\×x_{\mathrm{ij}-k}-Q_{\max }\left(r\right)}{Q_{\max }\left(r\right)-Q_{\min }\left(r\right)}\×w_r,$

其中，q(WS_ij.R_k，r)表示WS_ij的第k条记录在第r维QoS的属性值；Q_max(r)和Q_min(r)分别表示各个任务中的各个服务的历史记录在第r维最大属性值和最小属性值的和；h₁和h₂分别表示正负QoS属性的个数，正属性指的是属性值越高，其代表的属性的性能越好，负属性则相反，属性值越低，其代表的属性的性能越好；w_r代表第r维属性在所有属性中占的权重，且w_r∈[0，1]；x_ij-k作为二进制变量，当x_ij-k＝1时，表示WS_ij的第k条记录参与了基于历史记录的组合方案，当x_ij-k＝0时，表示其没有参与组合方案。

本发明中，所述服务的QoS历史记录通过QoS监督机制从交易日志集合中获取。

本发明中，N的大小决定所有可能的组合方案中的标准，即根据采用服务组合方案所对应的线性规划问题的目标函数值的大小，由大到小，选取所有组合方案中的函数值较大的部分，作为优秀的服务组合方案，作为服务贡献度计算的依据。

本发明中，所述的贡献度为一个服务的历史记录在前N个最优的组合方案中出现的次数，与由它所在服务的历史记录构成的的所有可能组合方案个数的商，反映了该服务对前N个最优的组合方案的贡献度，在每个服务池中，拥有最大贡献度值的服务将被选择作为最优的服务，参与最终最优的服务组合方案的执行。服务池WS-Pool_i中QoS历史记录的条数为：

其中m_i表示第i个服务池中服务的个数。那么，所有可能的基于历史记录的组合方案的数目为M＝M₁×M₂×...×M_i×...×M_n。N_ij的值是通过枚举WS_ij中的记录在前N个最优的基于记录的组合方案中出现的次数得到的，根据N_ij’的定义，它的值为：N_ij’＝M₁×...×M_i-1×l_ij×M_i+1×...×M_n。由此可以计算WS_ij的贡献度，为Score_ij＝N_ij/N_ij’。

本发明中，一个服务的贡献度值越高，它对生成的前N个最优历史记录组合方案的贡献也就最大。因此，在一个服务池中，拥有最高贡献度值的那个服务将被选择参加最优服务组合方案。举个例子来说，在服务池WS-Pool_i中，有两个候选服务

和

即

如果

的贡献度值大于

的贡献度值，即

那么

比

更优秀。如果在该服务池中，相对于其他所有服务而言，

拥有最大的贡献度值，那么将作为最优秀的服务被选作参与最终的最优服务组合方案。

与现有技术相比，本发明的优点包括：(1)利用了服务的QoS历史记录做决策，更加客观，可信；(2)提出了贡献度的变量参数，根据选出的前N个最优的基于历史记录的组合方案，来计算各个服务的贡献度。根据服务贡献度值的大小，来决定哪些服务参与最终的最优组合方案，从而使得最后的组合方案的可信度更高。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1本发明的基于历史记录进行服务组合优化方法的应用逻辑图；

图2为本发明实施例的服务组合场景图。

具体实施方式：

如图1所示，本发明公开了一种基于QoS历史记录的服务组合优化方法，包括以下步骤：步骤1，获取数据集，所述数据集由各个web服务的QoS历史记录组成；步骤2，求解前N个最优的基于QoS历史记录的组合方案，从所有基于QoS历史记录的组合方案中，计算出前N个最优的基于历史记录的组合方案，并作为计算各个服务可信度的依据；步骤3：计算服务贡献度，利用步骤2中产生的前N个最优的基于QoS历史记录的组合方案，计算各个服务的贡献度值，从而为服务组合中的每个任务选择符合要求的web服务；且对每个任务的候选服务而言，拥有最高贡献度值的那个服务将被选出，参加最优服务组合方案的执行。

本发明中，所述web服务的QoS是指服务非功能属性方面的特性；所述的web服务的QoS历史记录具体描述为WS_ij.R_k＝(Q₁，Q₂，...Q_i，...，Q_m)，其中，WS_ij表示第i个任务的第j个候选服务，WS_ij.R_k表示服务WS_ij的k条历史记录，Q_i表示第i维QoS属性值，m表示QoS属性的维数。

本发明中，服务组合中各个任务之间组合的逻辑关系包括顺序逻辑关系；所述顺序逻辑关系表示的web服务组合的抽象描述为{T₁，T₂，...，T_i，...，T_n}，其中，T_i表示第i个服务种类，即第i个任务，n表示服务组合中任务的个数。

本发明中，所述基于QoS历史记录的组合方案表示为：

其中，

表示第i个服务资源池中第j个服务的第k条记录。

本发明中，步骤2中求解前N个最优的基于历史记录的组合方案，包括以下步骤：

将步骤1中服务的QoS历史记录转化为线性规划问题的变量，约束；

列出线性规划的目标函数；

使用线性规划求解器产生前N个最优的基于历史记录的组合方案；

所述目标函数为：

$\underset{r=1}{\overset{h_1}{\mathrm{\Σ}}}\frac{Q_{\max }\left(r\right)-{\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=1}^{m_i}{\mathrm{\Σ}}_{k=1}^{l_{\mathrm{ij}}}q({\mathrm{WS}}_{\mathrm{ij}}.R_k,r)\×x_{\mathrm{ij}-k}}{Q_{\max }\left(r\right)-Q_{\min }\left(r\right)}\×w_r+\underset{r=h_1+1}{\overset{h_1+h_2}{\mathrm{\Σ}}}\frac{{\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=1}^{m_i}{\mathrm{\Σ}}_{k=1}^{l_{\mathrm{ij}}}q({\mathrm{WS}}_{\mathrm{ij}}.R_k,r)\×r_{\mathrm{ij}-k}-Q_{\max }\left(r\right)}{Q_{\max }\left(r\right)-Q_{\min }\left(r\right)}\×w_r,$

其中，q(WS_ij.R_k，r)表示WS_ij的第k条记录在第r维QoS的属性值；Q_max(r)和Q_min(r)分别表示各个任务中的各个服务的历史记录在第r维最大属性值和最小属性值的和；h₁和h₂分别表示正负QoS属性的个数，正属性指的是属性值越高，其代表的属性的性能越好，负属性则相反，属性值越低，其代表的属性的性能越好；w_r代表第r维属性在所有属性中占的权重，且

w_r∈[0，1]；x_ij-k作为二进制变量，当x_ij-k＝1时，表示WS_ij的第k条记录参与了基于历史记录的组合方案，当x_ij-k＝0时，表示其没有参与组合方案。

本发明中，所述服务的QoS历史记录通过QoS监督机制从交易日志集合中获取。

本发明中，N的大小决定所有可能的组合方案中的标准，即根据采用服务组合方案所对应的线性规划问题的目标函数值的大小，由大到小，选取所有组合方案中的函数值较大的部分，作为优秀的服务组合方案，作为服务贡献度计算的依据。

本发明中，所述的贡献度为一个服务的历史记录在N个最优的组合方案中出现的次数反映了该服务对前N个最优的组合方案的贡献度，在每个服务池中，拥有最大贡献度值的服务将被选择作为最优的服务，参与最终最优的服务组合方案的执行。

实施例

假设一个智能手机用户向一个服务提供商请求最及时的新闻，而当前直接可用的多媒体内容只有滚动文字新闻和一些MPEG2格式的时事影像。新闻提供者没有调整多媒体内容的能力，所以需要一些附加的服务来完成用户的请求：一个编码转换服务来将多媒体内容转换成合适的格式，一个文本翻译服务来翻译文字新闻，以及一个压缩服务来把文字和视频流媒体结合并压缩成能在智能手机上播放的新闻。具体参见M.Wagner和W.Kellerer的“Web services selection for distributed composition ofmultimedia content(Proceedings of the ACM International Conference on Multimedia，pp.104-107，2004)”中出现的一个多媒体传输的应用。

图2展示了这个服务组合应用的开发流程。下面说明如何使用该方法来为图2所示的服务组合选择最优的组合方案。

在本发明的方法中，N的值是不确定的。这里，二八定律(或者称为Pareto定律)是一个很有用的方法，可以用来帮助决定N的值。二八定律是由Vilfredo Pareto在1897年发现的，可以形式化为：在任何一组东西中，最重要的只占其中一小部分，约20％，其余80％的尽管是多数，却是次要的，因此又称为“二八法则”。“二八定律”将对象分为两类：重要的和次要的。该定律在现实生活中普遍存在，如在商业中(商家80％的销售额来自20％的商品)，在软件中(计算机80％的时间用于执行20％的操作代码)，路况中(20％的驾车导致80％的事故)，以及在社会上(在离婚统计中，80％的离婚是由20％重复离婚的人导致的)。这里，对于我们要解决的问题，“二八定律”可以用来决定N的值。因此，我们只要选取所有可能基于历史记录的组合方案数目的20％作为优秀的方案，那些次要的基于历史记录的服务组合计划可以被过滤掉，从而大大降低了基于线性规划的计算复杂度。

表1：

在这个场景中，表1(为候选服务的QoS历史记录)给出了一个用于说明本发明的方法所使用的例子。在表1中，“WS-编码”服务是对视频和文本进行编码的web服务，“WS-压缩”服务是对编码进行压缩，使其能在网络上进行高效传输的web服务，“WS-支付”服务是用于用户付款的web服务。需指出的是，在图中，所有可能的历史记录的组合方案个数为(7+5+6)×(8+7)×(5+8+4+3)＝5400，那么前20％的历史记录的组合方案的个数为5400×20％＝1080。下面说明表中各个变量的含义：以WS₁₁为例，R₁-R₇代表WS₁₁的7条QoS历史记录，R₁＝(0.55，1.49)表示R₁在价格和执行时间属性上的值分别为0.55美分和1.49秒。N₁₁表示WS₁₁中的历史记录在前20％最优的历史记录组合方案中出现的次数可以通过枚举得出，为N₁₁＝476。N₁₁’表示WS₁₁中的历史记录所有可能的历史记录组合方案的个数，即N₁₁’＝7×(8+7)×(5+8+4+3)＝2100。Score₁₁表示WS₁₁的贡献度，计算公式为：Score₁₁＝N₁₁/N₁₁’＝476/2100＝0.227。采用该方法，可以计算出每个服务的贡献度，如表1中各个服务的Score值所示。其中，对于每一服务池而言，拥有最大贡献度值的服务用“*”标出。例如，在第一个服务池中，WS₁₁的贡献度最大，为0.277。类似的，第二个和第三个服务池中，由表中可知，WS₂₂和WS₃₄分别拥有最大的贡献度值，因此，最优的服务组合方案为{WS₁₁，WS₂₂，WS₃₄}。

本发明提供了一种基于QoS历史记录的服务组合优化方法的思路，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (4)

1.一种基于QoS历史记录的服务组合优化方法，其特征在于，包括以下步骤：

步骤1，获取数据集，所述数据集由各个web服务的QoS历史记录组成；

步骤2，求解前N个最优的基于QoS历史记录的组合方案，从所有基于QoS历史记录的组合方案中，计算出前N个最优的基于历史记录的组合方案，并作为计算各个服务可信度的依据；

步骤3：计算服务贡献度，利用步骤2中产生的前N个最优的基于QoS历史记录的组合方案，计算各个服务的贡献度值，从而为服务组合中的每个任务选择符合要求的web服务；且对每个任务的候选服务而言，拥有最高贡献度值的那个服务将被选出，参加最优服务组合方案的执行；

所述web服务的QoS是指服务非功能属性方面的特性；所述的web服务的QoS历史记录具体描述为WS_ij.R_k=(Q₁,Q₂,…Q_i,…,Q_m)，其中，WS_ij表示第i个任务的第j个候选服务，WS_ij.R_k表示服务WS_ij的k条历史记录，Q_i表示第i维QoS属性值，m表示QoS属性的维数；

服务组合中各个任务之间组合的逻辑关系包括顺序逻辑关系；所述顺序逻辑关系表示的web服务组合的抽象描述为{T₁,T₂,…,T_i,…,T_n}，其中，T_i表示第i个服务种类，即第i个任务，n表示服务组合中任务的个数；

所述基于QoS历史记录的组合方案表示为：

$\mathrm{SCPLAN}-R=\{{\mathrm{WS}}_{{1j}_1}.R_{k_{{1j}_1}},W{S}_{{2j}_2}.R_{k_{{2j}_2}},...,{\mathrm{WS}}_{{\mathrm{ij}}_i}.R_{k_{{\mathrm{ij}}_i}},...,{\mathrm{WS}}_{{\mathrm{nj}}_n}.R_{k_{{\mathrm{nj}}_n}}\},$ 其中，

表示第i个服务资源池中第j个服务的第k条记录；

步骤2中求解前N个最优的基于历史记录的组合方案，包括以下步骤：

将步骤1中服务的QoS历史记录转化为线性规划问题的变量约束；

列出线性规划的目标函数；

使用线性规划求解器产生前N个最优的基于历史记录的组合方案；

所述目标函数为：

$\underset{r=1}{\overset{h_1}{\mathrm{\Σ}}}\frac{Q_{\max }\left(r\right)-{\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=1}^{m_i}{\stackrel{l}{\mathrm{\Σ}}}_{k=1}^{\mathrm{ij}}q(W{S}_{\mathrm{ij}}.R_k,r)\×x_{\mathrm{ij}-k}}{Q_{\max }\left(r\right)-Q_{\min }\left(r\right)}\×w_r+\underset{r=h_1+1}{\overset{h_1+h_2}{\mathrm{\Σ}}}\frac{{\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=1}^{m_i}{\stackrel{l}{\mathrm{\Σ}}}_{k=1}^{\mathrm{ij}}q(W{S}_{\mathrm{ij}}.R_k,r)\×x_{\mathrm{ij}-k}-Q_{\max }\left(r\right)}{Q_{\max }\left(r\right)-Q_{\min }\left(r\right)}\×w_r,$

其中，q(WS_ij.R_k,r)表示WS_ij的第k条记录在第r维QoS的属性值；Q_max(r)和Q_min(r)分别表示各个任务中的各个服务的历史记录在第r维最大属性值和最小属性值的和；h₁和h₂分别表示正负QoS属性的个数，正属性指的是属性值越高，其代表的属性的性能越好，负属性则相反，属性值越低，其代表的属性的性能越好；w_r代表第r维属性在所有属性中占的权重，且

x_ij-k作为二进制变量，当x_ij-k=1时，表示WS_ij的第k条记录参与了基于历史记录的组合方案，当x_ij-k=0时，表示其没有参与组合方案。

2.根据权利要求1所述的一种基于QoS历史记录的服务组合优化方法，其特征在于，所述服务的QoS历史记录通过QoS监督机制从交易日志集合中获取。

3.根据权利要求1所述的一种基于QoS历史记录的服务组合优化方法，其特征在于，通过N的大小决定所有可能的组合方案中的标准，即根据采用服务组合方案所对应的线性规划问题的目标函数值的大小，由大到小，选取所有组合方案中的函数值较大的部分，作为优秀的服务组合方案，作为服务贡献度计算的依据。

4.根据权利要求1所述的一种基于QoS历史记录的服务组合优化方法，其特征在于，所述的贡献度为一个服务的历史记录在N个最优的组合方案中出现的次数反映了该服务对前N个最优的组合方案的贡献度，在每个服务池中，拥有最大贡献度值的服务将被选择作为最优的服务，参与最终最优的服务组合方案的执行。

Images