CN103268327B - 面向高维服务数据的混合可视化方法 - Google Patents

面向高维服务数据的混合可视化方法 Download PDF

Info

Publication number
CN103268327B
CN103268327B CN201310157775.5A CN201310157775A CN103268327B CN 103268327 B CN103268327 B CN 103268327B CN 201310157775 A CN201310157775 A CN 201310157775A CN 103268327 B CN103268327 B CN 103268327B
Authority
CN
China
Prior art keywords
service
data
services
bpel
matrix
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.)
Active
Application number
CN201310157775.5A
Other languages
English (en)
Other versions
CN103268327A (zh
Inventor
陆佳炜
徐俊
张元鸣
肖刚
高飞
吴利群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhonghu Information Technology Jiangsu Co ltd
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201310157775.5A priority Critical patent/CN103268327B/zh
Publication of CN103268327A publication Critical patent/CN103268327A/zh
Application granted granted Critical
Publication of CN103268327B publication Critical patent/CN103268327B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

面向高维服务数据的混合可视化方法，包括：从WSDL和BPEL语言层次考察服务组合，对WSDL和BPEL文档提供的信息进行解析；定义服务组合SC的服务集{S1，S2,···,Sn}由若干个服务S组成；对服务组合SC的服务集{S1，S2,···,Sn}中三维以上的维空间，用树结构来对多维空间进行降维；把服务实例Si将作为一个时间轴上某个变量值对应的单个事件；将服务集{S1，S2,···,Sn}的服务实例Si用一系列相互平行的坐标轴来表示；用一种改进型的平行坐标视图来表示服务间的相互关系；通过点阵来可视化服务内部数据及服务间的关联信息，点阵由节点-链接图和矩阵组成。

Description

面向高维服务数据的混合可视化方法
技术领域
本发明涉及到一种面向高维服务数据的混合可视化方法
背景技术
随着Internet平台的快速发展与广泛应用，互联网上数据资源有效利用已经成为信息化社会的重大需求，导致了计算服务化进程不断加快。“服务”作为现代分布式协同计算系统的技术构成单元，通过面向服务的架构（Service-OrientedArchitecture，SOA）、服务计算模式及其实现技术，支持着计算系统的随需演化与动态重组。近年来，与服务计算相关的研究层出不穷，而服务组合一直是服务计算研究的热点之一。通过服务来抽象和封装数据，利用服务组合实现动态地组织和聚合互联网上丰富的服务资源，能高效地开发可以满足复杂、动态业务需求的网络化应用，快速构建出满足用户个性化需要的服务，实现异构系统间数据的共享和利用。
目前，服务组合效率的提高仍然面临着巨大的挑战。现有的SOA所采用的服务组织模式使得服务资源数目呈爆炸式增长，从而出现大量功能相同或相似的服务，服务功能及质量均呈现出持续变化的特点。对于用户来说，在一个大型服务资源库内，通过服务组合来发现和调用关心的数据资源是一个复杂、多变的过程，开发者需要掌握大量服务描述标准、检索技术以及领域相关知识，才能发现合适的可组合服务，尤其数据本身又是一种复杂数据，这更加大了用户对数据资源的利用难度。
可视化技术为处理复杂数据而生，可视化技术将数据映射为视觉符号，允许用户与数据进行快速互动，帮助人们获取海量数据中蕴含的信息,以便更好地验证假设和发现内在联系。可视化技术为人们提供了理解高维度、多层次、时空、动态、关系等复杂数据的手段，研究人员已经提出很多有效的可视化研究方法，如采用树结构、树图、弹性层次图、网络结构图等来直观显示庞大的数据结构，使用ThemeRiver、TIARA等对文本数据的可视化进行研究，运用平行坐标法、放射坐标法和星形坐标法等对高维数据进行处理。这些可视化方法虽然在一定程度上解决了部分复杂数据的可视化问题，但Web服务的数据具有多维、有序、波动的特性，这些方法都还无法很好的与基于Web服务的数据特征相结合进行处理。如网络结构图将服务作为图中的节点存在，一个节点可以和多个节点交互，而连接节点的则是线段或者曲线，代表着两个服务能进行组合，但如果一个网络包含了太多的链接，这些线就会纵横交错，形成非常密集的黑团，视觉效果很差。像主成分分析（PrincipleComponentAnalysis，PCA）、多维尺度分析（Multi-DimensionalScaling，MDS）、自组织图（Self-OrganizationMap，SOM）等可视化方法将高维数据通过数学方法降维，进而在低维屏幕空间中显示。并不能表示数据在每个维度上的信息，也不能表现维度间的关系，同时高维投影图损失了数据在原始维度上的细节信息。如采用树图来描述数据，根节点是最外层的矩形，里面的矩形是根的子层，再往里是子层的子层等等，依此类推。这些矩形的大小和颜色可用来代表树的节点所包含的其他信息。树图能表现出每个节点的数据量大小，但前提是树图中的父节点包含的信息量必须大于子节点，这与服务数据的波动性不符。目前也有一些应用性研究将web服务与可视化进行了结合，如IBM研发了WebLogic软件、Oracle公司设计JDevelop软件，都能基于BPEL进行可视化设计，但其关注的重心是单一服务组合内部流程的可视化设计与实现，并无法对一个大型服务资源库内的各类服务组合进行全局的可视化建模，也无法进一步深入挖掘资源库内服务数据的规律。新西兰奥克兰大学的学者则提出了一种多层树视图的形式对大量服务数据进行建模，但其实现的基础在于服务间互相有父子关系，而在实际情况中绝大部分服务彼此都是互相独立的。
发明内容
本发明提出一种可视化方法，适用于服务计算领域，能够克服现有可视化方法在降维时数据失真和展示效果过于复杂的问题。该方法符合服务数据的多维性、有序性和波动性特征；直观表达出服务组合全过程和数据的流动；降低服务资源库中的高维服务数据信息复杂度。
本发明的构思为：一般而言，任何一种数据结构都可以用不同的可视化形式来表现，但不同的可视化形式往往各有其优缺点。本发明提出了一种混合的可视化形式，它将多种可视化形式有效地结合起来并加以改进，取长补短，即显示了服务资源库内的服务组合过程，又能对每个服务的服务数据进行合理表达，以此来对复杂、异构的大数据信息进行组织和排序，优化服务组合的调用效率。
本发明所采用的技术方案是：
第一步：从WSDL（WebServicesDescriptionLanguage）和BPEL（BusinessProcessExecutionLanguage）语言层次考察服务组合，对WSDL和BPEL文档提供的信息进行解析。
1.1、根据WSDL的Schema，把Web服务抽象划分为一个二元组s=(n,P)，其中，n为服务的名称(即服务在UDDI（UniversalDescriptionDiscoveryandIntegration）注册的服务名)，P为该服务的操作集合。操作是Web服务的基本功能实体，Web服务组合最终体现在服务间操作的组合。操作可以表示为一个二元组P=(I,O)，I表示该操作接收的输入对象集合，O为操作产生的输出对象集合。
1.2、CPU读取场景中服务资源库的WSDL文件基本信息，提取服务名称n、所提供的操作P和相应输入对象I，输出对象O，以及对象的类型E、服务所封装的端口类型信息PT。
1.3、输出对象集合O是执行服务后用户最终得到的数据。作为服务提供的数据资源，输入对象集合I是一种条件数据，作为取得服务数据的先决条件之一。
1.4、解析BPEL文件，所解析的元素构成的xml文件结构如下：
第二步：定义服务组合SC的服务集{S1,S2,···,Sn}由若干个服务S组成，服务S又包含数据集{D1,D2,···,Dn},将每一个服务作为一个维度，通过构造不同的维空间来展示服务组织结构的动态变化。当SC={S1}时，得到单个服务的一维空间分布。当SC={S1,S2}时，代表S1和S2组合后最终产生的服务数据分散在一个二维的平面区域内。当SC={S1,S2,S3}时，该服务组合产生的服务数据散布在立体区域内。每一个服务组合的集合都是步骤1.1-1.4中解析WSDL和BPEL文件后，根据BPEL中调用WSDL的服务映射而来。
第三步：对服务组合SC的服务集{S1,S2,···,Sn}中三维以上的维空间，用树结构来对多维空间进行降维,树结构每一层级对应于每一维度的映射，每一个树节点包含了该节点服务能产生的服务数据，树结构的每一个分支结构代表了一条服务组合路径，以此来实现数据从高维空间到低维空间的映射。
第四步：把服务实例Si将作为一个时间轴上某个变量值对应的单个事件，对应的数据集{Di1,Di2,···,Din}将集中在一个有出发点并定义从过去到将来的数据元素的线性时域内，以有向环结构来表达服务数据，环中的箭头代表服务的流向，服务的流向由服务集{S1,S2,···,Sn}的服务交互顺序决定，每个环内的区域代表服务自身提供数据集{Di1,Di2,···,Din}，环与环之间的交集代表服务间彼此能进行组合。
第五步：将服务集{S1,S2,···,Sn}的服务实例Si用一系列相互平行的坐标轴来表示，每一个坐标轴对应一个服务实例。根据步骤1.4中解析BPEL得到的服务组合顺序，将描述不同维度的数据集{Di1,Di2,···,Din}对应各点连接成折线，代表一个数据的一条折线在平行的坐标轴上的投影就反映了变化趋势和各个变量维度间的相互关系。
第六步：用一种改进型的平行坐标视图来表示服务间的相互关系。
6.1、对服务资源库内提取的BPEL信息进行计算，找出已有的服务组合中最长的路径，设最长路径XM初始值为0，搜索BPEL的<sequenc>元素，计算单个BPEL参与服务的个数为M，XM和M的计算规则如下：
6.1.1、单次搜索过程中
对搜索到的receive子元素，M=M++；
对搜索到的reply子元素，M=M++；
对搜索到的from和to成对子元素，M=M++；
对搜索到的query子元素，M=M--；
6.1.2、单次搜索结束后
如果XM<M，则XM=M；否则进入下一个BPEL文件的搜索
6.2、把服务组合最长的路径设置为平行坐标的最大维度数，维度代表了服务组合的路径深度，维度上的数据用服务来代替，折线代表了一个服务组合的路径。
第七步：通过点阵来可视化服务内部数据及服务间的关联信息，点阵由节点-链接图和矩阵组成。
7.1、将服务实例Si包含的数据集{Di1,Di2,···,Din}中每一种数据的数据类型按照XMLScheme规范划分为简单类型和复杂类型两大类，其中复杂类型则由简单类型和/或其他复杂类型构造而成。
7.2、采用矩阵来表示服务实例Si的数据结构，矩阵的标题行为数据的名称，标题列为数据的类型。另外，一个服务的基本信息也是必须包含的，这些信息包括服务名称、URI、数据所属的操作，该类信息用一个矩形附加在矩阵上表示。
7.3、对服务与服务间的组合关系用节点-链接图进行标识，如果服务与服务之间两两发生组合关系，通过直线连接相应的服务，箭头代表服务的数据流动方法。服务间交互的数据细节则通过矩阵中数据所在的行引出的箭头来表明。
7.4、在点阵中加入弹性层次机制，对于Si中包含的复杂类型数据，在矩阵视图中增加节点“+”，当该节点被点击后，视图会提取出该数据的结构并用一个新的矩阵进行显示。在服务矩阵视图上方增加节点“+”/“-”，使之可以展开或闭合相关服务，来有效利用空间，减少链接之间在可视化时的交叉和覆盖。在节点-链接图上加入节点“+”/“-”，来开启或闭合服务与服务间的交互数据细节。
本发明的有益效果主要表现在要：(1)该混合可视化形式，完全符合服务数据的多维性、有序性和波动性，它能给用户更多的选择，让用户在显示同一组服务数据的不同组成部分的时候根据需要选择相应合理的可视化形式，从而在总体上更有效地平衡不同单一可视化形式的优缺。(2)该可视化形式能提供了抽象层次较高的服务数据可视方式，让业务人员根据需要来获取对复杂情景的更深层的理解。(3)对大数据的形象化展示，使大数据变得简单易懂。
下面结合附图进一步说明本发明。
附图说明
图1示出了基于三维及以下维度的服务数据可视图。
图2示出了基于降维后的树结构可视图。
图3示出了基于有序性的有向环结构可视图。
图4示出了对某一个服务资源库内的服务资源进行总览的平行坐标可视图。
图5示出了单个服务的点阵可视图。
图6示出了组合服务及服务关联展开的点阵可视图。
图7示出了基于某服务的所有服务组合平行坐标可视图。
图8示出了基于某服务的所有服务组合点阵可视图。
具体实施方式
下面结合附图对本发明作进一步描述。
实施例1
第一步：从WSDL（WebServicesDescriptionLanguage）和BPEL（BusinessProcessExecutionLanguage）语言层次考察服务组合，对WSDL和BPEL文档提供的信息进行解析。
1.1、根据WSDL的Schema，把Web服务抽象划分为一个二元组s=(n,P)，其中，n为服务的名称(即服务在UDDI（UniversalDescriptionDiscoveryandIntegration）注册的服务名)，P为该服务的操作集合。操作是Web服务的基本功能实体，Web服务组合最终体现在服务间操作的组合。操作可以表示为一个二元组P=(I,O)，I表示该操作接收的输入对象集合，O为操作产生的输出对象集合。
1.2、CPU读取场景中服务资源库的WSDL文件基本信息，提取服务名称n、所提供的操作P和相应输入对象I，输出对象O，以及对象的类型E、服务所封装的端口类型信息PT。
1.3、输出对象集合O是执行服务后用户最终得到的数据。作为服务提供的数据资源，输入对象集合I是一种条件数据，作为取得服务数据的先决条件之一。一个服务组合的每一个服务节点，都有可能产生服务数据。
1.4、解析BPEL文件，所解析的元素构成的xml文件结构如下：
第二步：将每一个服务作为一个维度，通过构造不同的维空间来展示服务组织结构的动态变化，该空间的每一维都是一个服务，服务所包含的服务数据又可以构成一个子-高维空间。定义服务组合SC的服务集{S1,S2,···,Sn}由若干个服务S组成，服务S又包含数据集{D1,D2,···,Dn}。每一个服务组合的集合都是步骤1.1-1.4中解析WSDL和BPEL文件后，根据BPEL调用WSDL的服务映射而来。
如图1(a)所示，SC={S1}时，得到单个服务的一维空间分布。在运行服务S1后，得到的数据集{D11,D12,···,D1n}以一维线性方式分布数据。
如图1(b)所示，SC={S1,S2}时，代表S1和S2组合后最终产生的服务数据分散在一个二维的平面区域内，此时先执行服务S1，数据集{D11,D12,···,D1n}以一维线性方式分布在S1所在的轴线上，把S1的输出结果作为服务S2输入参数执行，得到的数据集{D21,D22,···,D2n}分布在S1轴和S2轴交互的平面上，表明是S1和S2进行服务组合后得到的服务数据。
如图1(c)所示，SC={S1,S2,S3}时，该服务组合产生的服务数据散布在立体区域内。此时先执行服务S1，数据集{D11,D12,···,D1n}以一维线性方式分布在S1所在的轴线上，把S1的输出结果作为服务S2输入参数执行，得到的数据集{D21,D22,···,D2n}分布在S1轴和S2轴交互的平面上，表明是S1和S2进行服务组合后得到的服务数据。随后该数据作为服务S3的输入参数执行，得到的数据集{D31,D32,···,D3n}分布在S1轴、S2轴、S3轴交互的立体区域内，表明是S1、S2、S3进行服务组合后得到的服务数据。
第三步：对服务组合SC的服务集{S1,S2,···,Sn}中三维以上的维空间，用树结构来对多维空间进行降维,树结构每一层级对应于每一维度的映射，每一个树节点包含了该节点服务能产生的服务数据，树结构的每一个分支结构代表了一条服务组合路径，以此来实现数据从高维空间到低维空间的映射。
如图2所示，从图中可以找到每一条服务组合路径（如{S1,S2,S3,S4,S5}和{S1,S2,S6,S7,S8}），但因为服务与服务间的组合是多对多的关系。如S3不仅和S2组成服务，也完全有可能和S6、S7、S8组成服务，即可以存在不止一个父节点，因此树结构的视图还无法显示出一个资源库中所有的服务组合。
第四步：把服务实例Si将作为一个时间轴上某个变量值对应的单个事件，对应的数据集{Di1,Di2,···,Din}将集中在一个有出发点并定义从过去到将来的数据元素的线性时域内，以有向环结构来表达服务数据，环中的箭头代表服务的流向，服务的流向由服务集{S1，S2,···,Sn}的服务交互顺序决定，每个环内的区域代表服务自身提供数据集{Di1,Di2,···,Din}，环与环之间的交集代表服务间彼此能进行组合。如图3示出了多用户与服务组合的有向环结构关系，用户User1可以调用的服务组合路径有S1→S2→S3→S4→S5；S1→S2→S3→S4→S9→S10→S11；用户User2可以调用的服务组合路径有S8→S2→S3→S6→S7；S8→S2→S3→S4→S9→S10→S11；
第五步：将服务集{S1,S2,···,Sn}的服务实例Si用一系列相互平行的坐标轴来表示，每一个坐标轴对应一个服务实例。根据步骤1.4中解析BPEL得到的服务组合顺序，将描述不同维度的数据集{Di1,Di2,···,Din}对应各点连接成折线，代表一个数据的一条折线在平行的坐标轴上的投影就反映了变化趋势和各个变量维度间的相互关系。
数据密度和维度可以描述可视化在认知上的难易程度，把每一个服务作为一个维度，把服务提供的服务数据表示在每一个维度上，维度间的折线代表相连服务间的关系，将会碰到以下问题：
1）维度数必定等于服务的个数，如果服务库内的服务个数太多，维度与维度间的距离会受到影响，可能造成在折线密度相同的情况下信息的辨识度下降。
2）每个Web服务的服务数据量是不等的，造成每一个维度上数据的不平均分布且数据密度过大，可能会使折线变得密集，从而增加认知复杂度。
3）平行坐标各个维度间的折线是连续的，体现了数据在相邻维度间的变化，即每一个维度与其相邻的维度间关系紧密，但无法表示任意两个维度的直接关系，而服务组合却可能发生在任一服务之间。
第六步：提出一种改进型的平行坐标视图来表示服务间的相互关系
6.1、对服务资源库内提取的BPEL信息进行计算，找出已有的服务组合中最长的路径（路径上的每一个节点代表服务组合需要的一个服务），设最长路径XM初始值为0，搜索BPEL的<sequenc>元素，计算单个BPEL参与服务的个数为M，XM和M的计算规则如下：
6.1.1、单次搜索过程中
对搜索到的receive子元素，M=M++；
对搜索到的reply子元素，M=M++；
对搜索到的from和to成对子元素，M=M++；
对搜索到的query子元素，M=M--；
6.1.2、单次搜索结束后
如果XM<M，则XM=M；否则进入下一个BPEL文件的搜索
6.2、把服务组合最长的路径设置为平行坐标的最大维度数，维度代表了服务组合的路径深度，维度上的数据用服务来代替，折线代表了一个服务组合的路径。
图4示出了对某个SOA框架内的服务资源库使用改进的平行坐标方法进行可视化，其中Si代表了某个服务，在图中用圆点表示，竖线代表了维度，维度与维度间的连接代表了服务组合的路径。该可视化方法用不同颜色显示了不同深度的服务组合。可以看出该资源库包含的服务数（20个），最复杂的服务组合路径{S19—S20—S9—S7—S4—S6}，以及每一个服务组合的起始服务、中间需要协作服务和最后完成任务的服务。
改进的平行坐标还能较好的体现某一个服务与服务库内其他服务的关系，图4中标红的服务节点S4显示了该服务在此资源库中被频繁调用的。这样有利于用户找出服务间的聚类关系，也能对服务库内调用频繁的那些服务并加以优化。
这种改进型的平行坐标视图优点在于：
1）维度数大大降低
2）简明表现了服务与服务间的关系，对用户来讲，资源库内的所有服务组合结构直观可见
3）分工明确，只负责处理服务信息，把服务间的复杂数据流向交给别的可视化形式处理
该方法虽然表现了信息在多个维度之间的关系，展示服务组合的有序性，但也丢失了原始维度的信息，即服务与服务间数据结构与关联性，因此，本发明考虑通过与另一种可视化方法进行结合的方式来对大数据的可视化效果进行细节优化。
第七步：通过点阵来可视化服务内部数据及服务间的关联信息，点阵由节点-链接图和矩阵组成。
7.1、将服务实例Si包含的数据集{Di1,Di2,···,Din}中每一种数据的数据类型按照XMLScheme规范划分为简单类型和复杂类型两大类，其中复杂类型则由简单类型和/或其他复杂类型构造而成。
7.2、采用矩阵来表示服务实例Si的数据结构，矩阵的标题行为数据的名称，标题列为数据的类型。另外，一个服务的基本信息也是必须包含的，这些信息包括服务名称、URI、数据所属的操作，该类信息用一个矩形附加在矩阵上表示。
7.3、对服务与服务间的组合关系用节点-链接图进行标识，如果服务与服务之间两两发生组合关系，通过直线连接相应的服务，箭头代表服务的数据流动方法。服务间交互的数据细节则通过矩阵中数据所在的行引出的箭头来表明。
7.4、在点阵中加入弹性层次机制，对于Si中包含的复杂类型数据，在矩阵视图中增加节点“+”，当该节点被点击后，视图会提取出该数据的结构并用一个新的矩阵进行显示。在服务矩阵视图上方增加节点“+”/“-”，使之可以展开或闭合相关服务，来有效利用空间，减少链接之间在可视化时的交叉和覆盖。在节点-链接图上加入节点“+”/“-”，来开启或闭合服务与服务间的交互数据细节。
图5(a)示出了一个服务的可视化方式，其中矩阵结构中的行代表了数据名称，列代表了数据结构。矩阵内的每一个节点都对应着矩阵的一行和一列（用土黄色标明），表示了数据及其对应的数据结构，节点中的“+”表示该数据是一种复杂类型。可见该服务S5提供的服务数据包括{D51,D52,D53,D54}，其中D51和D52属于XML的简单类型数据string，D53属于XML的简单类型数据integer，而D54是一个XML的复杂类型数据。
图5(b)示出了复杂类型数据的弹性展示，用户只要点击视图中节点的“+”，视图会提取出该数据的结构并用一个新的矩阵进行显示。可见D54包含了string类型的数据D541和D543、double类型的数据D542、date类型的数据D544。
图6(a)示出了组合服务的点阵可视图，其中的黑箭头代表了服务与服务间的组合关系以及数据的流向，点开S2与S4的关联符号“+”后，可以看到图6(b)中用红线标出了每个服务参与的数据，服务S2输出数据集合{D21,D22,D23}中的{D21,D23}都将作为服务S4的输入参数，并且最终服务组合的产生的服务数据为{D41,D42,D43,D44}。
实施例2
参照图7和图8，其余与实施例1相同，所不同的是应用的场合，实施例1对整个服务资源库的服务数据进行可视化。实施例2从单个服务的角度出发，对所有该服务参与的服务组合产生的服务数据进行混合可视化。
图7示出了所有调用服务S4（红色节点）的服务组合路径，包含了{S19—S20—S9—S7—S4—S6}（S4处于第五维度）、{S1—S4}（S4处于第二维度）、{S2—S4}（S4处于第二维度）、{S7—S4—S6—S17}（S4处于第二维度）、{S20—S9—S7—S4—S6}（S4处于第四维度）。图8相对应的通过点阵图给出这些服务的具体数据细节。

Claims (1)

1.面向高维服务数据的混合可视化方法，其技术方案是：
第一步：从WSDL(WebServicesDescriptionLanguage)和BPEL(BusinessProcessExecutionLanguage)语言层次考察服务组合，对WSDL和BPEL文档提供的信息进行解析；
1.1、根据WSDL的Schema，把Web服务抽象划分为一个二元组s＝(n,P)，其中，n为服务的名称，即服务在UDDI(UniversalDescriptionDiscoveryandIntegration)注册的服务名，P为该服务的操作集合；操作可以表示为一个二元组P＝(I,O)，I表示该操作接收的输入对象集合，O为操作产生的输出对象集合；
1.2、CPU读取场景中服务资源库的WSDL文件基本信息，提取服务名称n、所提供的操作P和相应输入对象I，输出对象O，以及对象的类型E、服务所封装的端口类型信息PT；
1.3、输出对象集合O是执行服务后用户最终得到的数据；作为服务提供的数据资源，输入对象集合I是一种条件数据，作为取得服务数据的先决条件之一；
1.4、解析BPEL文件，所解析的元素构成的xml文件结构如下：
第二步：定义服务组合SC的服务集{S1,S2,···,Sn}由若干个服务S组成，服务S又包含数据集{D1,D2,···,Dn},将每一个服务作为一个维度，通过构造不同的维空间来展示服务组织结构的动态变化；当SC＝{S1}时，得到单个服务的一维空间分布；当SC＝{S1,S2}时，代表S1和S2组合后最终产生的服务数据分散在一个二维的平面区域内；当SC＝{S1,S2,S3}时，该服务组合产生的服务数据散布在立体区域内；每一个服务组合的集合都是步骤1.1-1.4中解析WSDL和BPEL文件后，根据BPEL中调用WSDL的服务映射而来；
第三步：对服务组合SC的服务集{S1,S2,···,Sn}中三维以上的维空间，用树结构来对多维空间进行降维，树结构每一层级对应于每一维度的映射，每一个树节点包含了该节点服务能产生的服务数据，树结构的每一个分支结构代表了一条服务组合路径，以此来实现数据从高维空间到低维空间的映射；
第四步：把服务实例Si将作为一个时间轴上某个变量值对应的单个事件，对应的数据集{Di1,Di2,···,Din}将集中在一个有出发点并定义从过去到将来的数据元素的线性时域内，以有向环结构来表达服务数据，环中的箭头代表服务的流向，服务的流向由服务集{S1,S2,···,Sn}的服务交互顺序决定，每个环内的区域代表服务自身提供数据集{Di1,Di2,···,Din}，环与环之间的交集代表服务间彼此能进行组合；
第五步：将服务集{S1,S2,···,Sn}的服务实例Si用一系列相互平行的坐标轴来表示，每一个坐标轴对应一个服务实例；根据步骤1.4中解析BPEL得到的服务组合顺序，将描述不同维度的数据集{Di1,Di2,···,Din}对应各点连接成折线，代表一个数据的一条折线在平行的坐标轴上的投影就反映了变化趋势和各个变量维度间的相互关系；
第六步：用一种改进型的平行坐标视图来表示服务间的相互关系；
6.1、对服务资源库内提取的BPEL信息进行计算，找出已有的服务组合中最长的路径，设最长路径XM初始值为0，搜索BPEL的<sequence>元素，计算单个BPEL参与服务的个数为M，XM和M的计算规则如下：
6.1.1、单次搜索过程中
对搜索到的receive子元素，则M值加1；
对搜索到的reply子元素，则M值加1；
对搜索到的from和to成对子元素，则M值加1；
6.1.2、单次搜索结束后
如果XM<M，则XM＝M；否则进入下一个BPEL文件的搜索；
6.2、把服务组合最长的路径设置为平行坐标的最大维度数，维度代表了服务组合的路径深度，维度上的数据用服务来代替，折线代表了一个服务组合的路径；
第七步：通过点阵来可视化服务内部数据及服务间的关联信息，点阵由节点-链接图和矩阵组成；
7.1、将服务实例Si包含的数据集{Di1,Di2,···,Din}中每一种数据的数据类型按照XMLScheme规范划分为简单类型和复杂类型两大类，其中复杂类型则由简单类型和/或其他复杂类型构造而成；
7.2、采用矩阵来表示服务实例Si的数据结构，矩阵的标题行为数据的名称，标题列为数据的类型；另外，一个服务的基本信息也是必须包含的，这些信息包括服务名称、URI、数据所属的操作，该类信息用一个矩形附加在矩阵上表示；
7.3、对服务与服务间的组合关系用节点-链接图进行标识，如果服务与服务之间两两发生组合关系，通过直线连接相应的服务，箭头代表服务的数据流动方法；服务间交互的数据细节则通过矩阵中数据所在的行引出的箭头来表明；
7.4、在点阵中加入弹性层次机制，对于Si中包含的复杂类型数据，在矩阵视图中增加节点“+”，当该节点被点击后，视图会提取出该数据的结构并用一个新的矩阵进行显示；在服务矩阵视图上方增加节点“+”/“-”，使之可以展开或闭合相关服务，来有效利用空间，减少链接之间在可视化时的交叉和覆盖；在节点-链接图上加入节点“+”/“-”，来开启或闭合服务与服务间的交互数据细节。
CN201310157775.5A 2013-04-28 2013-04-28 面向高维服务数据的混合可视化方法 Active CN103268327B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310157775.5A CN103268327B (zh) 2013-04-28 2013-04-28 面向高维服务数据的混合可视化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310157775.5A CN103268327B (zh) 2013-04-28 2013-04-28 面向高维服务数据的混合可视化方法

Publications (2)

Publication Number Publication Date
CN103268327A CN103268327A (zh) 2013-08-28
CN103268327B true CN103268327B (zh) 2016-06-15

Family

ID=49011956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310157775.5A Active CN103268327B (zh) 2013-04-28 2013-04-28 面向高维服务数据的混合可视化方法

Country Status (1)

Country Link
CN (1) CN103268327B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106960004A (zh) * 2017-02-15 2017-07-18 浙江大学 一种多维数据的分析方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103577613A (zh) * 2013-11-26 2014-02-12 深圳中兴网信科技有限公司 服务交互关系数据的展示方法及其展示装置
CN105022614A (zh) * 2014-04-21 2015-11-04 上海墨盾电脑科技有限公司 一种电子商务的泛架构
CN105630267B (zh) * 2014-10-29 2019-04-12 阿里巴巴集团控股有限公司 视图界面资源管理方法和装置
CN106021529A (zh) * 2016-05-25 2016-10-12 浙江工业大学 一种基于平行坐标系的海量文件流转可视化方法
CN107169089B (zh) * 2017-05-12 2020-09-01 武汉理工大学 一种基于聚类的多维流数据可视分析方法
CN109165359A (zh) * 2017-11-06 2019-01-08 徐海飞 一种基于web服务平台的高维数据降维方法及系统
CN109656662B (zh) * 2018-12-14 2021-09-03 浙江财经大学 基于聚类相关性的平行坐标轴的可视化排列方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101510291A (zh) * 2008-02-15 2009-08-19 国际商业机器公司 多维数据的可视化方法及装置
CN101887590A (zh) * 2010-06-25 2010-11-17 哈尔滨工业大学 一种数字图像可视化组织展示的方法
CN102707917A (zh) * 2012-05-23 2012-10-03 中国科学院对地观测与数字地球科学中心 一种高维数据可视化方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8615511B2 (en) * 2011-01-22 2013-12-24 Operational Transparency LLC Data visualization interface

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101510291A (zh) * 2008-02-15 2009-08-19 国际商业机器公司 多维数据的可视化方法及装置
CN101887590A (zh) * 2010-06-25 2010-11-17 哈尔滨工业大学 一种数字图像可视化组织展示的方法
CN102707917A (zh) * 2012-05-23 2012-10-03 中国科学院对地观测与数字地球科学中心 一种高维数据可视化方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106960004A (zh) * 2017-02-15 2017-07-18 浙江大学 一种多维数据的分析方法

Also Published As

Publication number Publication date
CN103268327A (zh) 2013-08-28

Similar Documents

Publication Publication Date Title
CN103268327B (zh) 面向高维服务数据的混合可视化方法
Yi et al. TimeMatrix: Analyzing temporal social networks using interactive matrix-based visualizations
Chen et al. D-Map: Visual analysis of ego-centric information diffusion patterns in social media
CN106354760A (zh) 基于变形统计地图的多视图时空数据可视化方法与应用
CN105843945A (zh) 一种报表生成方法及系统
Liu et al. EgoNetCloud: Event-based egocentric dynamic network visualization
US9547646B2 (en) User-created members positioning for OLAP databases
CN110019555A (zh) 一种关系数据语义化建模方法
Fernando et al. Towards a large-scale twitter observatory for political events
Smith Catalyzing social media scholarship with open tools and data
CN102360366A (zh) 一种交互型可视化综合集成研讨厅系统
Yue et al. A loosely integrated data configuration strategy for web-based participatory modeling
Ibtisum A Comparative Study on Different Big Data Tools
Liu et al. Load balancing oriented predictive routing algorithm for data center networks
Chen et al. Use of grid computing for modeling virtual geospatial products
Rahman et al. Comparative study of different methods of social network analysis and visualization
Battistoni et al. Living labs and open innovation to support local development policies
Redondo et al. Layer-centered approach for multigraphs visualization
CN103297538B (zh) 资源环境模型的聚合方法
Kahil et al. Towards a new architecture for data multilevels interactive visualization in big data domains
Wong et al. Visual matrix clustering of social networks
CN106294780B (zh) 一种从社交网络抽取msvl模型的方法
Liu Research on Public Management Application Innovation Based on Spark Big Data Framework
CN107656956A (zh) 一种智慧环保大数据可视化方法
Yuhua Research on the Application of the Culture Resource Management Based on Big Data Technology

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20191226

Address after: 510000 unit 2414-2416, building, No. five, No. 371, Tianhe District, Guangdong, China

Patentee after: GUANGDONG GAOHANG INTELLECTUAL PROPERTY OPERATION Co.,Ltd.

Address before: 310014 Hangzhou city in the lower reaches of the city of Zhejiang Wang Road, No. 18

Patentee before: Zhejiang University of Technology

Effective date of registration: 20191226

Address after: 221700 1688 Industrial Park, Huan Kou Town, Fengxian County, Xuzhou, Jiangsu

Patentee after: JIANGSU DUOLAIMI INFORMATION TECHNOLOGY Co.,Ltd.

Address before: 510000 unit 2414-2416, building, No. five, No. 371, Tianhe District, Guangdong, China

Patentee before: GUANGDONG GAOHANG INTELLECTUAL PROPERTY OPERATION Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230106

Address after: No. 688, Huaihai Zhixin Science Park, Huankou Town, Fengxian County, Xuzhou City, Jiangsu Province, 221700

Patentee after: Zhonghu Information Technology (Jiangsu) Co.,Ltd.

Address before: 221700 1688 Industrial Park, Huan Kou Town, Fengxian County, Xuzhou, Jiangsu

Patentee before: JIANGSU DUOLAIMI INFORMATION TECHNOLOGY Co.,Ltd.