CN104468728B - 一种基于信息熵和方差的服务选择方法 - Google Patents
一种基于信息熵和方差的服务选择方法 Download PDFInfo
- Publication number
- CN104468728B CN104468728B CN201410641813.9A CN201410641813A CN104468728B CN 104468728 B CN104468728 B CN 104468728B CN 201410641813 A CN201410641813 A CN 201410641813A CN 104468728 B CN104468728 B CN 104468728B
- Authority
- CN
- China
- Prior art keywords
- web service
- qos
- candidate
- mrow
- section
- 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
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
- H04L67/61—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources taking into account QoS or priority requirements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/30—Definitions, standards or architectural aspects of layered protocol stacks
- H04L69/32—Architecture of open systems interconnection [OSI] 7-layer type protocol stacks, e.g. the interfaces between the data link level and the physical level
- H04L69/322—Intralayer communication protocols among peer entities or protocol data unit [PDU] definitions
- H04L69/329—Intralayer communication protocols among peer entities or protocol data unit [PDU] definitions in the application layer [OSI layer 7]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种基于信息熵和方差的服务选择方法，首先，基于信息熵理论对每个候选Web服务的N个QoS属性历史记录进行建模，求出每个候选Web服务的信息熵值；其中，N为整数；并根据信息熵值的大小筛选符合条件的Web服务；然后，基于方差理论对筛选出的Web服务计算方差值，并根据方差值的大小筛选出符合条件的Web服务；最后，利用混合整数规划模型从筛选出的Web服务中求出最优的服务组合。应用本申请公开的技术方案，能够准确地选择出最可靠的组合服务，并缩短服务选择的时间开销，同时，本发明具有较高的准确性和较强的实用性，具有很好的推广应用价值。
Description
技术领域
本发明属于计算机应用技术领域，尤其涉及一种基于信息熵和方差理论计算QoS的不确定性来进行服务选择的方法。
背景技术
由于现在的网络中存在海量的Web服务，因此在选择Web服务时，用户需要面对越来越多功能相同、QoS属性不同的候选Web服务。通常情况下，仅仅一个Web服务难以满足用户日益增长的需求。因此，如何从众多服务类中选择出最优的组合服务，是成功构建面向Web服务应用的关键。当前，基于QoS的Web服务组合已经成为服务组合的研究热点。QoS属性的具体体现是每个QoS属性用于表征Web服务某一方面的质量信息。
常见的Web服务QoS属性包括：响应时间、可靠性、价格、带宽和吞吐率等等。由于存在多个服务类，每个服务类存在大量的候选Web服务，用户不可能对各个服务类中的每个Web服务进行逐一组合，以选择最佳组合服务。这就需要综合考虑候选的Web服务在各自QoS属性上的表现以及用户自身的全局QoS约束，通过建立模型来选择最优的组合服务。因此，准确的基于QoS的服务选择方法是成功构建面向Web服务应用的重要技术保障。
当前基于QoS的服务选择方法的研究情况是：
Zeng等人提出了动态、质量驱动的Web服务选择方法，该方法非常重视基于多属性QoS和全局约束条件的服务选择，并且首次将用户权重加入到服务选择的QoS聚合函数中。该方法取得了良好的实验效果，但是该方法考虑所有的候选服务，时间开销非常大。
Alrifai等人提出了一种基于QoS的Web服务组合方法，该方法通过结合全局优化和局部选择的方法来选出组合服务。该方法首先将用户的全局QoS约束转换为局部QoS约束建模成一个最优化过程，并通过混合整数规划模型来求出最优的约束分解，然后通过局部约束分别求出每个服务的最优服务，最终得到最优的组合服务。
Baraka等人提出的感知的服务选择方法解决了服务选择中的QoS依赖关系并且提高了服务组合的质量保障。该方法首先对服务中的QoS依赖关系进行建模，然后过滤掉无意义的候选Web服务，最终进行服务组合。
目前已有的基于QoS的服务选择方法大都存在以下缺点:
(1)Web服务的强烈的、不稳定的QoS波动不能够为服务选择提供可靠性保障。
(2)通过枚举所有Web服务组合选择出最优的服务组合会导致一个NP(non-deterministic polynomial,非确定性多项式)难的问题。
目前，Web服务的各种应用发展非常迅速，Web服务的数量越来越多，用户的需求越来越广，准确的为用户选择出最优的服务组合是服务选择的关键。但是，目前已有的基于QoS服务选择的各种方法都在可靠性上存在各种形式的不足。为此，本领域技术人员对此进行了大量的探索与研究。
发明内容
有鉴于此，本发明的目的是提供一种基于信息熵和方差的服务选择方法，该方法基于信息熵理论和方差理论计算QoS的不确定性来进行服务选择，以准确地把握Web服务的整体可靠性，缩短服务选择的时间开销。
为实现上述发明目的，本申请提供了一种基于信息熵和方差的服务选择方法，包括：
A、基于信息熵理论对每个候选Web服务的N个QoS属性历史记录进行建模，求出每个候选Web服务的信息熵值；其中，N为整数；
B、根据信息熵值的大小筛选符合条件的Web服务；
C、基于方差理论对筛选出的Web服务计算方差值，并根据方差值的大小筛选出符合条件的Web服务；
D、利用混合整数规划模型从步骤C筛选出的Web服务中求出最优的服务组合。
较佳地，在所述A之前进一步包括：
A0、对每个候选Web服务的N个QoS属性历史记录中的QoS属性进行数据归一化处理，将每个候选Web服务在各个QoS属性上的取值转化为[0,1]区间的数值。
较佳地，所述A0包括：
A01、设置所有候选的Web服务类组成Web服务类集合WS＝{WS1,WS2,...,WSi,...,WSn}；
其中，集合中的每个WS代表一个Web服务类，下标i为自然数，是Web服务类的序号，i的最大值为所述WS集合中WS服务类的总数n；
WSi＝{wsi1,wsi2,...,wsij,...,wsil}，其中，每个ws代表该WSi中的一个Web服务，下标j为自然数，是Web服务的序号，j的最大值为WSi中Web服务的总数l；
A02、设Web服务的所有QoS属性组成集合P＝{p1,p2,...,pk,...,pr}，其中，p为各个QoS属性，下标k为自然数，是Web服务QoS属性的序号，k的最大值为集合P中QoS属性的总数r；
A03、对每个wsij在QoS属性pk上执行取值的归一化处理：
若pk为正向属性，采用公式：
执行归一化处理；
若pk为负向属性，采用公式：
执行归一化处理；
其中，ak(wsij)为wsij在QoS属性pk上的取值；
qk(wsij)为wsij在QoS属性pk上的归一化的QoS属性值；
和分别为{ak(wsi1),ak(wsi2),...,ak(wsil)}中的最大值和最小值。
较佳地，每个Web服务类提供一种类型的Web服务，同一Web服务类中各个Web服务的QoS属性各不相同。
较佳地，所述A包括：
A1、设每个候选Web服务的QoS历史记录组成离散随机变量X＝{x1,x2,...,xo,...,xt}，其中，每个x代表候选Web服务的一个QoS历史记录，每个QoS历史记录为一个多属性向量，下标o为自然数，是候选Web服务QoS历史记录的序号，o的最大值为所述随机变量中QoS历史记录的总数t；
A2、计算每个QoS历史记录的QoS效用值，得到实数形式的X＝{x1,x2,...,xo,...,xt}；
A3、根据实数形式的X＝{x1,x2,...,xo,...,xt}，将[0,1]区间等分为100份，分别统计各个区间中QoS历史记录的个数，求出各区间的概率大小，并采用公式计算每个候选Web服务的信息熵值，其中，H(X)为求出的候选Web服务的信息熵值，x为各个区间的平均值，p(x)为各个区间的概率大小。
较佳地，所述A2包括：
采用QoS效应函数公式执行映射处理，将X＝{x1,x2,...,xo,...,xt}中的各个多属性向量分别映射为相应的实数；其中：
ho,k为wsij在pk上的第o个QoS历史记录值；
xo为映射完成后的QoS历史记录值；
和分别为{h1,k,h2,k,...,ho,k,...,ht,k}中的最大值和最小值；
ωk为第k个QoS属性的用户权重。
较佳地，所述B包括：根据信息熵值的大小对Web服务进行排序，将信息熵值最小的前percent1个Web服务保留，并过滤其他的Web服务；
其中，percent1为预设的筛选Web服务的比例，根据percent1和候选Web服务的个数计算需要保留的Web服务的个数；或者percent1为预设的整数。
较佳地，所述C包括：
C1、根据实数形式的X＝{x1,x2,...,xo,...,xt}，将[0,1]区间等分为100份，分别统计各个区间中QoS历史记录的个数，求出各区间的概率大小，并采用公式计算步骤B筛选出的每个Web服务的方差值；
其中，D(X)为求出的候选Web服务的方差值；
E(X)为随机变量X的均值；
xo为各个区间的平均值；
p(xo)为各个区间的概率大小；
C2、根据方差值的大小对步骤B筛选出的Web服务进行排序，将方差值最小的前percent1个Web服务保留，并过滤其他的Web服务；
其中，percent2为预设的筛选Web服务的比例，根据percent2和步骤B筛选出的Web服务的个数计算需要保留的Web服务的个数；或者percent2为预设的整数。
较佳地，所述D包括：
D1、设用户的全局QoS约束条件组成集合C＝{C1,C2,...,Cs,...,Cm}，其中，C为各个QoS属性，下标s为自然数，是Web服务QoS属性的序号，s的最大值为集合C中全局QoS约束条件的总数m；
D2、基于筛选出的Web服务，利用如下混合整数规划模型进行计算：
其中：
其中，qk(wsij)为wsij在pk上的取值，是对应候选Web服务各个历史记录的平均值；
和为第i个Web服务类中最大的和最小的qk(wsij)；
和为n个服务类的和之和；
xij为二元决策变量，代表候选Web服务是否被选中，候选Web服务选中置为1，否则置为0；
n为Web服务类的总数；
j为Web服务类最终的候选服务总数；
r为候选Web服务QoS属性的总数；
Cm为第m个约束条件；
ωk为第k个QoS属性的用户权重；
计算出所述混合整数规划模型的最大值，得到最优的Web服务组合。
本发明上述基于信息熵和方差理论计算QoS的不确定性来进行服务选择的方法的关键技术是候选服务的不确定性计算。由于候选服务的不确定性计算全面体现了候选Web服务的可靠性程度，只有保证候选服务的可靠性，才能准确地选择出最可靠的组合服务。此外，本发明方法的创造性还体现在以下方面：
首次提出了用信息熵和方差理论来进行QoS的不确定性计算。信息熵信息熵用来衡量一个随机变量的期望值，是对信源不确定性的度量；方差用来度量随机变量和期望之间的偏离程度，是对一个随机变量的离散程度的度量；信息熵和方差都是度量一个随机变量稳定程度的统计量。信息熵或方差越大，随机变量稳定性越差；相反，信息熵或方差越小，随机变量稳定性越好。因此信息熵和方差结合能够更好的度量候选Web服务之间的稳定性和可靠性，提高服务选择的可靠性，提高服务选择的可靠性，同时缩短服务选择的时间开销。
本发明方法的有益效果包括：基于信息熵和方差理论进行QoS不确定性计算来求出可靠性较高的Web服务，能够提高整个服务组合流程的可靠性，避免了外部因素对服务选择的消极影响。同时能够适应各种不同类型的用户QoS需求及各种不同的外部条件，真正保障了Web服务组合的可靠性，并且能够获得准确的服务组合结果。此外，本发明方法适用性能强，能够用于各种外部条件下基于QoS的Web服务组合。因此，本发明具有较高的准确性和较强的实用性，具有很好的推广应用价值。
附图说明
图1是本发明一种基于信息熵和方差理论计算QoS的不确定性来进行服务选择方法的流程示意图。
具体实施方式
为使本申请的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本申请作进一步详细说明。
本发明提供一种基于信息熵和方差理论计算QoS的不确定性来进行服务选择的方法，该方法首先基于信息熵理论对每个候选Web服务的多个QoS属性历史记录进行建模，求出每个候选Web服务的信息熵值，并根据信息熵值进行粗粒度的Web服务过滤，筛选出可靠性较高的候选Web服务；然后在此基础上，基于方差理论对筛选出来的Web服务的多个QoS属性进行建模并计算方差值，从而进行细粒度的Web服务过滤，选择出高可靠性的Web服务；最后，在满足用户QoS约束的同时，利用混合整数规划模型在筛选出的Web服务中进行可靠的Web服务组合。本发明能够为合理地选择Web服务提供关键的参考因素，从而为Web服务的推广应用做出贡献。
下面参见图1，对本发明方法的具体操作步骤进行详细说明。
步骤101：对每个候选Web服务的N个QoS属性历史记录中的QoS属性进行数据归一化处理，将每个候选Web服务在各个QoS属性上的取值转化为[0,1]区间的数值。
由于QoS属性有的为正向属性(例如可靠性)，取值越大越好；有的为负向属性(例如响应时间)，取值越小越好；且各属性的度量单位不同，导致QoS计算的不便，因此，在QoS不确定性计算之前，需要对各QoS属性进行归一化处理：将每个Web服务在各个QoS属性上的取值都转化为[0,1]区间的数值。
该步骤101具体包括下列操作内容：
A01、设置所有候选的Web服务类组成Web服务类集合WS＝{WS1,WS2,...,WSi,...,WSn}；
其中，集合中的每个WS代表该服务类集合中的一个Web服务类，下标i为自然数，是Web服务类的序号，i的最大值为所述WS集合中WS服务类的总数n；
每个Web服务类WSi＝{wsi1,wsi2,...,wsij,...,wsil}，式中，每个ws代表该WS服务类WSi中的一个Web服务，下标j为自然数，是Web服务的序号，j的最大值为WSi中Web服务的总数l。
每个Web服务类WS提供一种类型的Web服务，但同一Web服务类中各个Web服务ws的QoS属性各不相同。
A02、设Web服务的所有QoS属性组成集合P＝{p1,p2,...,pk,...,pr}，其中，p为各个QoS属性，下标k为自然数，是Web服务QoS属性的序号，k的最大值为集合P中QoS属性的总数r。
A03、对每个wsij在QoS属性pk上执行取值的归一化处理：
若pk为正向属性，采用如下公式：
执行归一化处理；
若pk为负向属性，采用如下公式：
执行归一化处理；
其中，ak(wsij)为wsij在pk上的取值；
qk(wsij)为wsij在QoS属性pk上归一化的QoS属性值；
和分别为{ak(wsi1),ak(wsi2),...,ak(wsil)}中的最大值和最小值。
步骤102：基于信息熵理论对每个候选Web服务的N个QoS属性历史记录进行建模，求出每个候选Web服务的信息熵值。
信息熵用来衡量一个随机变量的期望值，是对信源不确定性的度量。本发明将每个候选Web服务的真实QoS历史记录作为一个离散的信源，计算出每个候选Web服务的信息熵值，信息熵值的大小代表候选Web服务的可靠性高低，然后根据信息熵值的大小选出较高可靠的候选Web服务。
该步骤102可以包括下列操作：
A1、设每个候选Web服务的QoS历史记录组成离散随机变量X＝{x1,x2,...,xo,...,xt}，其中，每个x代表候选Web服务的一个QoS历史记录，每个QoS历史记录为一个多属性向量，下标o为自然数，是候选Web服务QoS历史记录的序号，o的最大值为所述随机变量中QoS历史记录的总数t。
A2、计算每个QoS历史记录向量的QoS效用值，得到实数形式的X＝{x1,x2,...,xo,...,xt}。
由于每个候选Web服务有多个QoS属性，因此，每个QoS历史记录值为一个多属性向量，这样将导致其QoS属性值的单位或范围不相同，不利于从全局QoS最优的角度上对每个候选服务进行计算或评估。因此，本发明用QoS效用函数将多属性向量映射为一个相应的实数。较佳地，可以采用如下QoS效应函数公式：
执行映射处理；
其中，ho,k为wsij在pk上的第o个QoS历史记录值；
xo为映射完成后的QoS历史记录值；
和分别为{h1,k,h2,k,...,ho,k,...,ht,k}中的最大值和最小值；
ωk为第k个QoS属性的用户权重。
A3、根据实数形式的X＝{x1,x2,...,xo,...,xt}计算每个候选Web服务的信息熵值。
在计算出每个QoS历史记录的QoS效应值后，就可以得到离散的随机变量X＝{x1,x2,...,xo,...,xt}，然后将[0,1]区间等分为100份，分别统计各个区间中QoS历史记录的个数，求出各区间的概率大小，进而求出每个候选Web服务的信息熵值。较佳地，可以采用如下公式：
执行信息熵求值；
其中，H(X)为求出的候选Web服务的信息熵值，x为各个区间的平均值，p(x)为各个区间的概率大小。
步骤103：根据信息熵值的大小筛选符合条件的Web服务。
如前所述，信息熵用来衡量一个随机变量的期望值，是对信源不确定性的度量。本步骤主要是根据信息熵值过滤掉信息熵值较大的候选Web服务。
设每个Web服务类计算出的全部信息熵值组成集合HX＝{HX1,HX2,...,HXj,...,HXl}，其中，HX为各个信息熵值，自然数下标j是候选Web服务的序号，其最大值、即该集合中候选Web服务总数为l。然后对集合中的元素进行排序，选择出信息熵值较小的前percent1个候选服务，并过滤其他的Web服务。其中，percent1为预设的筛选候选Web服务的比例，根据percent1和候选Web服务的个数计算需要保留的Web服务的个数；或者percent1为预设的整数。并且，每个Web服务类都选出前percent1个候选服务。
步骤104：对步骤103筛选出的候选Web服务计算方差值，并根据方差值的大小过滤掉方差值较大的候选Web服务。
方差用来度量随机变量和期望之间的偏离程度，是对一个随机变量的离散程度的度量。本步骤主要是在步骤103的基础上，根据方差值进一步过滤掉方差值较大(即：可靠性较差)的候选Web服务。本步骤将每个候选Web服务的真实QoS历史记录作为一个离散的随机变量，计算出每个候选Web服务的方差值，方差值的大小代表候选Web服务的可靠性高低，然后根据信息熵和方差值的大小选出高可靠的候选Web服务。
步骤104具体可包含以下操作：
C1、本步骤与上述步骤A3类似，基于步骤A2实数形式的离散的随机变量X＝{x1,x2,...,xo,...,xt}，同样将[0,1]区间等分为100份，分别统计各个区间中QoS历史记录的个数，求出各区间的概率大小，进而求出每个候选Web服务的方差值。较佳地，可以采用如下公式：
执行求方差值；
其中，D(X)为求出的候选Web服务的方差值；
E(X)为随机变量X的均值；
xo为各个区间的平均值；
p(xo)为各个区间的概率大小。
C2、设每个Web服务类计算出的全部方差值组成集合DX＝{DX1,DX2,...,DXj,...,DXl·percent1}，其中，DX为各个方差值，自然数下标j是候选Web服务的序号，其最大值、即该集合中候选Web服务的总数为l*percent1。然后对集合中的元素进行排序，选择出方差值较小的前percent2个候选服务。其中，percent2为预设的筛选候选Web服务的比例，根据percent2和候选Web服务的个数计算需要保留的Web服务的个数；或者percent2为预设的整数。并且，每个Web服务类都选出前percent2个候选服务。
步骤105：利用混合整数规划模型从筛选出的Web服务中求出最优的服务组合。
较佳地，本步骤可以包括以下内容：
D1、设用户的全局QoS约束条件组成集合C＝{C1,C2,...,Cs,...,Cm}，其中，C为各个QoS属性，下标s为自然数，是Web服务QoS属性的序号，s的最大值为集合C中全局QoS约束条件的总数m。
D2、基于步骤104筛选出来的候选Web服务，满足用户的QoS全局约束，利用混合整数规划模型计算出最可靠的Web服务组合。基于简单考虑，本次Web服务组合只考虑消极QoS属性。具体模型如下：
其中：
其中，qk(wsij)为wsij在pk上的取值，是对应候选Web服务各个历史记录的平均值；
和为第i个服务类中最大的和最小的qk(wsij)；
和为n个服务类的和之和；
xij为二元决策变量，代表候选服务是否被选中，候选服务选中置为1，否则置为0；
n为Web服务类的总数；
j为Web服务类最终的候选服务总数；
r为候选Web服务QoS属性的总数；
Cm为第m个约束条件；
ωk为第k个QoS属性的用户权重。
计算出该混合整数规划模型的最大值，就可以选择出最可靠的服务组合，同时缩短了服务选择的时间开销。
本发明已经进行了多次实例试验，仿真试验的结果是成功的，实现了发明目的。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。
Claims (7)
1.一种基于信息熵和方差的服务选择方法，其特征在于，包括：
A0、对每个候选Web服务的N个QoS属性历史记录中的QoS属性进行数据归一化处理，将每个候选Web服务在各个QoS属性上的取值转化为[0,1]区间的数值；
A、基于信息熵理论将每个候选Web服务的N个QoS属性历史记录作为一个离散的信源进行建模，求出每个候选Web服务的信息熵值；其中，N为整数；
B、根据信息熵值的大小筛选符合条件的Web服务；
C、基于方差理论对筛选出的Web服务计算方差值，并根据方差值的大小筛选出符合条件的Web服务；
D、利用混合整数规划模型从步骤C筛选出的Web服务中求出最优的服务组合；所述D包括：
D1、设用户的全局QoS约束条件组成集合C＝{C1,C2,...,Cs,...,Cm}，其中，C为各个QoS属性，下标s为自然数，是Web服务QoS属性的序号，s的最大值为集合C中全局QoS约束条件的总数m；
D2、基于筛选出的Web服务，利用如下混合整数规划模型进行计算：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>M</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>r</mi>
</munderover>
<mfrac>
<mrow>
<msubsup>
<mi>Q</mi>
<mi>k</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msubsup>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>q</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>ws</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>(</mo>
<msubsup>
<mi>Q</mi>
<mi>k</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>Q</mi>
<mi>k</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
</mfrac>
<mo>.</mo>
<msub>
<mi>&omega;</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中：
其中，qk(wsij)为wsij在pk上的取值，是对应候选Web服务各个历史记录的平均值；
和为第i个Web服务类中最大的和最小的qk(wsij)；
和为n个服务类的和之和；
xij为二元决策变量，代表候选Web服务是否被选中，候选Web服务选中置为1，否则置为0；
n为Web服务类的总数；
j为Web服务类最终的候选服务总数；
r为候选Web服务QoS属性的总数；
Cm为第m个约束条件；
ωk为第k个QoS属性的用户权重；
计算出所述混合整数规划模型的最大值，得到最优的Web服务组合。
2.根据权利要求1所述的方法，其特征在于，所述A0包括：
A01、设置所有候选的Web服务类组成Web服务类集合WS＝{WS1,WS2,...,WSi,...,WSn}；
其中，集合中的每个WS代表一个Web服务类，下标i为自然数，是Web服务类的序号，i的最大值为所述WS集合中WS服务类的总数n；
WSi＝{wsi1,wsi2,...,wsij,...,wsil}，其中，每个ws代表该WSi中的一个Web服务，下标j为自然数，是Web服务的序号，j的最大值为WSi中Web服务的总数l；
A02、设Web服务的所有QoS属性组成集合P＝{p1,p2,...,pk,...,pr}，其中，p为各个QoS属性，下标k为自然数，是Web服务QoS属性的序号，k的最大值为集合P中QoS属性的总数r；
A03、对每个wsij在QoS属性pk上执行取值的归一化处理：
若pk为正向属性，采用公式：
执行归一化处理；
若pk为负向属性，采用公式：
执行归一化处理；
其中，ak(wsij)为wsij在QoS属性pk上的取值；
qk(wsij)为wsij在QoS属性pk上的归一化的QoS属性值；
和分别为{ak(wsi1),ak(wsi2),...,ak(wsil)}中的最大值和最小值。
3.根据权利要求2所述的方法，其特征在于：
每个Web服务类提供一种类型的Web服务，同一Web服务类中各个Web服务的QoS属性各不相同。
4.根据权利要求2所述的方法，其特征在于，所述A包括：
A1、设每个候选Web服务的QoS历史记录组成离散随机变量X＝{x1,x2,...,xo,...,xt}，其中，每个x代表候选Web服务的一个QoS历史记录，每个QoS历史记录为一个多属性向量，下标o为自然数，是候选Web服务QoS历史记录的序号，o的最大值为所述随机变量中QoS历史记录的总数t；
A2、计算每个QoS历史记录的QoS效用值，得到实数形式的X＝{x1,x2,...,xo,...,xt}；
A3、根据实数形式的X＝{x1,x2,...,xo,...,xt}，将[0,1]区间等分为100份，分别统计各个区间中QoS历史记录的个数，求出各区间的概率大小，并采用公式计算每个候选Web服务的信息熵值，其中，H(X)为求出的候选Web服务的信息熵值，x为各个区间的平均值，p(x)为各个区间的概率大小。
5.根据权利要求4所述的方法，其特征在于，所述A2包括：
采用QoS效应函数公式执行映射处理，将X＝{x1,x2,...,xo,...,xt}中的各个多属性向量分别映射为相应的实数；其中：
ho,k为wsij在pk上的第o个QoS历史记录值；
xo为映射完成后的QoS历史记录值；
和分别为{h1,k,h2,k,...,ho,k,...,ht,k}中的最大值和最小值；
ωk为第k个QoS属性的用户权重。
6.根据权利要求4或5所述的方法，其特征在于：
所述B包括：根据信息熵值的大小对Web服务进行排序，将信息熵值最小的前percent1个Web服务保留，并过滤其他的Web服务；
其中，percent1为预设的筛选Web服务的比例，根据percent1和候选Web服务的个数计算需要保留的Web服务的个数；或者percent1为预设的整数。
7.根据权利要求6所述的方法，其特征在于，所述C包括：
C1、根据实数形式的X＝{x1,x2,...,xo,...,xt}，将[0,1]区间等分为100份，分别统计各个区间中QoS历史记录的个数，求出各区间的概率大小，并采用公式计算步骤B筛选出的每个Web服务的方差值；
其中，D(X)为求出的候选Web服务的方差值；
E(X)为随机变量X的均值；
xo为各个区间的平均值；
p(xo)为各个区间的概率大小；
C2、根据方差值的大小对步骤B筛选出的Web服务进行排序，将方差值最小的前percent1个Web服务保留，并过滤其他的Web服务；
其中，percent2为预设的筛选Web服务的比例，根据percent2和步骤B筛选出的Web服务的个数计算需要保留的Web服务的个数；或者percent2为预设的整数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410641813.9A CN104468728B (zh) | 2014-11-06 | 2014-11-06 | 一种基于信息熵和方差的服务选择方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410641813.9A CN104468728B (zh) | 2014-11-06 | 2014-11-06 | 一种基于信息熵和方差的服务选择方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104468728A CN104468728A (zh) | 2015-03-25 |
| CN104468728B true CN104468728B (zh) | 2017-12-08 |
Family
ID=52914081
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410641813.9A Active CN104468728B (zh) | 2014-11-06 | 2014-11-06 | 一种基于信息熵和方差的服务选择方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104468728B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107633444B (zh) * | 2017-08-29 | 2021-03-19 | 南京理工大学紫金学院 | 基于信息熵与模糊c均值聚类的推荐系统噪声过滤方法 |
| CN108735003B (zh) * | 2018-05-28 | 2020-10-30 | 中科编程(广州)教育科技有限公司 | 一种基于信息熵的教学系统 |
| CN108961889A (zh) * | 2018-08-06 | 2018-12-07 | 苏州承儒信息科技有限公司 | 一种基于信息熵改变度的教育系统 |
| CN111464943B (zh) * | 2020-03-31 | 2021-10-12 | 上海大学 | 一种用于附近的人应用中的新型虚拟位置生成方法 |
| CN112215534A (zh) * | 2020-08-19 | 2021-01-12 | 北京沃东天骏信息技术有限公司 | 一种订单处理方法、装置、设备及存储介质 |
| CN113098945A (zh) * | 2021-03-26 | 2021-07-09 | 江西省能源大数据有限公司 | 一种基于压缩感知理论的5g能源物联网通讯方法 |
| CN115356109B (zh) * | 2022-10-18 | 2023-12-26 | 沃图水泵(上海)有限公司江苏分公司 | 一种滚动轴承故障识别方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101404589A (zh) * | 2008-11-14 | 2009-04-08 | 北京邮电大学 | 基于用户需求的WEB服务单个Qos属性评价方法 |
| CN101645934A (zh) * | 2009-08-31 | 2010-02-10 | 东软集团股份有限公司 | 基于加权的Web服务评价方法、Web服务查找方法及其装置 |
| CN103268523A (zh) * | 2013-05-28 | 2013-08-28 | 北京邮电大学 | 一种实现多个性能指标要求同时满足的服务组合方法 |
| CN103473291A (zh) * | 2013-09-02 | 2013-12-25 | 中国科学院软件研究所 | 一种基于隐语义概率模型的个性化服务推荐系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7386620B2 (en) * | 2004-08-12 | 2008-06-10 | International Business Machines Corporation | System for web service QoS observation and dynamic selection |
-
2014
- 2014-11-06 CN CN201410641813.9A patent/CN104468728B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101404589A (zh) * | 2008-11-14 | 2009-04-08 | 北京邮电大学 | 基于用户需求的WEB服务单个Qos属性评价方法 |
| CN101645934A (zh) * | 2009-08-31 | 2010-02-10 | 东软集团股份有限公司 | 基于加权的Web服务评价方法、Web服务查找方法及其装置 |
| CN103268523A (zh) * | 2013-05-28 | 2013-08-28 | 北京邮电大学 | 一种实现多个性能指标要求同时满足的服务组合方法 |
| CN103473291A (zh) * | 2013-09-02 | 2013-12-25 | 中国科学院软件研究所 | 一种基于隐语义概率模型的个性化服务推荐系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于未确知理论的Web服务QoS评价方法研究;何洋;《中国优秀硕士学位论文全文数据库（信息科技辑）》;20140715(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104468728A (zh) | 2015-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104468728B (zh) | 一种基于信息熵和方差的服务选择方法 | |
| Davò et al. | Post-processing techniques and principal component analysis for regional wind power and solar irradiance forecasting | |
| US9287713B2 (en) | Topology identification in distribution network with limited measurements | |
| CN104021264B (zh) | 一种缺陷预测方法及装置 | |
| CN104835103A (zh) | 基于神经网络和模糊综合评价的移动网络健康评价方法 | |
| CN109376924A (zh) | 一种物资需求预测的方法、装置、设备及可读存储介质 | |
| CN105893757B (zh) | 一种用于电压暂降严重程度的综合评估方法 | |
| CN107133652A (zh) | 基于K‑means聚类算法的用电客户价值评估方法及系统 | |
| KR101965309B1 (ko) | 의사결정 지원 기반의 상수관망최적관리시스템 | |
| CN106899448A (zh) | 适用于网络状态及性能测量的一体化动态赋权评估方法 | |
| CN104427505B (zh) | 一种小区场景划分的方法及装置 | |
| CN109377034A (zh) | 基于智能电网信息通信系统的风险态势评估方法 | |
| CN104794544A (zh) | 基于智能算法的分布式光伏发电防窃电监测方法 | |
| CN107766254A (zh) | 一种基于层次分析的软件质量评估方法及系统 | |
| CN106295911A (zh) | 一种基于层析分析法的电网支路参数评价方法 | |
| CN106296019A (zh) | 区域电能质量综合评估方法及系统 | |
| CN106709823A (zh) | 一种电力用户用电信息采集系统的运行性能评价方法 | |
| CN107292502A (zh) | 一种配电网可靠性评估方法 | |
| CN105930645A (zh) | 基于主元分析的通信台站装备维修保障能力评估方法 | |
| CN108876076A (zh) | 基于指令数据的个人信用评分方法及装置 | |
| CN107295537A (zh) | 一种测评无线传感器网络可靠性的方法及系统 | |
| CN105867341A (zh) | 一种烟草加工设备的在线设备健康状态自检方法及系统 | |
| Barber Jr et al. | Economic performance assessment for the construction industry in the southeastern United States | |
| CN106651024A (zh) | 一种电费回收预测模型的构建方法 | |
| CN108921425A (zh) | 一种资产项目投资分类的方法、系统及服务器 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wang Shangguang Inventor after: Zhou Ao Inventor after: Sun Lei Inventor after: Ma You Inventor after: Sun Qibo Inventor after: Li Jinglin Inventor after: Liu Zhihan Inventor after: Yang Fangchun Inventor before: Wang Shangguang Inventor before: Sun Lei Inventor before: Zhou Ao Inventor before: Ma You Inventor before: Sun Qibo Inventor before: Li Jinglin Inventor before: Liu Zhihan Inventor before: Yang Fangchun |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |