CN104519112A - 一种分阶段的云制造服务智能选择架构 - Google Patents

Abstract

本发明提出一种分阶段的云制造服务智能选择架构和算法。在架构中仅需设定一个参数，即语义相似度阈值ε，算法客观性和自适应性较强，符合云服务动态性、多样性等特征需求。相对于已有服务选择方法，本文算法具有更高的服务查准率和查全率。

Description

一种分阶段的云制造服务智能选择架构

技术领域

本发明涉及大数据和云计算领域，尤其一种分阶段的云制造服务智能选择架构。

背景技术

云制造是一种利用网络化平台，按用户需求组织各类制造资源，为用户提供各类按需制造服务的一种网络化制造新模式。云制造模式下，所有能封装和虚拟化的都作为制造云服务，如：制造资源即服务、制造能力及服务、制造知识即服务等。如何实时、动态、准确地发现现有的和潜在的大规模分布式云服务，是云制造模式成功实施的重要基础和保障。

然而，在这全新的网络化协同制造模式下，其低门槛资源自由接入和云端灵活访问模式，愿意并能够注册和发布云服务的企业将会越来越多，使得对云服务的选择、评价和动态绑定等变得更为复杂，对新形势下的服务选择提出了严峻挑战：（1）如何对多源异构的海量制造资源和制造能力进行统一有效的管理；（2）如何高效智能地发现现有的和潜在的云服务；（3）如何提高云服务选择的查全率和查准率。

现有的服务选择方法基本上是围绕计算资源和Web服务展开。OWL-S（Ontology Web Language for Services）是一种专门用来描述Web服务的高层本体语言，通过IOPE（Input，Output，Precondition，Effect）来说明Web服务的功能与运行条件。WSMO（Web Service Modeling Ontology）是描述语义Web服务的一个概念模型，通过个体、目标、Web服务和中介器四个顶层概念来 支持Web服务的发现、组合以及交互。但两者都是仅从服务功能的角度对服务进行描述，缺乏对服务质量（Quality of Service，QoS）的明确刻画。TAO Fei等人基于OWL-S和制造网格本体，从文字匹配、句子匹配、数值匹配和实体类匹配四个角度提出了一种综合的服务匹配算法。尹胜等人从理论上提出了云制造环境下外协加工资源WSMO语义描述实现框架、本体建模方法以及外协加工资源Web服务交互和组合机制，但尚未给出云制造环境下资源服务与需求的匹配方法。李慧芳等人提出了一种制造云服务搜索和匹配算法，根据服务状态信息描述进行服务初选，然后综合计算服务功能相似度和服务QoS相似度对服务进行选择，从一定程度上提高了云服务匹配的准确性，但缺乏对功能属性的统一描述和建模，而且在服务匹配过程中主观设定参数（如：阈值、权重）过多，很大程度上影响了服务选择的客观性。由于制造资源和制造能力的多样性、不确定性等特点，已有的服务选择方法不能直接应用于云服务的选择。本文在对云服务进行规范化的语义描述基础上，对云服务进行本体建模，设计了云服务的智能选择算法，为云制造模式下云服务高效智能选择提供理论和实践支持。

基于以上分析，给出一种基于本体的制造云服务管理体系架构和相应的云服务选择算法，该管理体系架构如图5所示。

该架构包括制造云运营者、资源提供者和资源使用者三个主体。资源提供者将自身的制造资源和能力封装成云服务，通过虚拟化接入方式发布到第三方云运营平台，创造更多的合作机会；资源使用者根据制造任务的需求，动态按需向制造云运营者申请使用其提供的各类应用所需的云服务；制造云运营者实现对云服务的注册、管理、服务计费、运营等，并根据资源使用者全生命制造周期的应用请求，动态、灵活的为资源使用者按需提供相应的云服务，并支持 企业制造任务合作全过程的协同与交互。QoS监控系统基于QoS本体对QoS属性进行实时动态监管和标准量化、更新等操作，为云服务选择提供必要的非功能属性决策信息（如加工成本、服务质量、信誉度等）。同时，发挥云服务领域功能本体语义优势，建立MC和领域本体间的语义映射关系，实现云服务分类管理，从而提高云服务发现准确性，以实现对海量异构制造资源和能力的高效管理和精确匹配。

发明内容

本发明提出一种分阶段的云制造服务智能选择架构（如图1）和算法。在架构中仅需设定一个参数，即语义相似度阈值ε，算法客观性和自适应性较强，符合云服务动态性、多样性等特征需求。相对于已有服务选择方法，本文算法具有更高的服务查准率和查全率。具体内容如下：

一种分阶段的云制造服务智能选择架构，包括三个阶段：初步选择、功能性选择和QoS非功能性选择。

进一步的，其中，所述的初步选择阶段，根据云服务描述的类别信息，将云服务平台中所有云服务类别和请求云服务类别进行语义相似度计算，若满足用户设定的语义相似度阈值，则将该云服务作为满足请求的云服务加入到候选云服务集合。然后根据云服务状态描述对候选云服务集进一步进行筛选，得到初步的候选云服务集合。算法描述如图2所示。

进一步的，根据上步算法，其算法中的CS={CS^Desc，CS^Cate，CS^Stat，CS^Func，CS^Func_Prop，CS^QoS}，CS^Desc是服务的名称和发布者等描述信息，CS^Cate为云服务的类别描述，CS^Stat是对云服务状态描述，CS^Func是云服务功能性描述，CS^Func_Prop为功能属性集合（包括制造资源属性集和制造能力属性集等），CS^QoS是对云服务质量描述。

进一步的，根据第一步，所述的功能性选择，功能性选择包括云服务功能输入/输出的匹配和云服务功能属性的匹配两个过程。云服务功能匹配要求侯选云服务功能输入应被语义包含于请求云服务功能输入，而侯选云服务功能输出应语义包含请求云服务的功能输出。云服务功能属性匹配要求侯选云服务拥有的制造资源属性应满足请求云服务的制造资源属性需求，并且候选云服务拥有的制造能力属性应满足请求云服务的制造能力属性需求。功能性选择算法描述如图3所示。

进一步的，根据上步所述的一种分阶段的云服务智能选择架构中的功能性选择。其中 $f^{\mathrm{MCMD}}({\mathrm{cs}}_{\mathrm{req}}^C,{\mathrm{cs}}_i^C)=\left\{\begin{array}{cc}\mathrm{true}& \∀j(j=\mathrm{1,2}...,k),\\ \∃l(l=\mathrm{1,2},...n),\mathrm{meet}& r_{\mathrm{il}}>r_j\\ \mathrm{false}& \mathrm{other}\end{array}\right.$ 表示制造能力匹配度公式（Manufacturing Capability Matching Degree，MCMD）指候选云服务拥有的制造能力属性是否满足子任务请求的制造能力属性需求。

进一步的，根据上步所述的制造能力匹配度公式。其中为云服务cs_i所拥有的制造能力属性的描述集合，是云服务请求制造能力属性的需求描述集合。

进一步的，根据第一步所述的一种分阶段的云服务智能选择架构，其中，所述的云服务非功能性选择，包括（1）QoS评价指标标准化（2）QoS指标权重的确定（3）非功能性选择算法。

进一步的，其定义为云服务QoS本体（Cloud Service QoS Ontology）O_QoS=(C,A,R,QC,W)。其中，C表示QoS本体中概念集合；A是概念属性集合；R为概念间关系集合；QC是概念属性约束集合，这里，QC是一个三元组QC=(type,value,conv()),type代表属性的类型如：数字、布尔值或者字符串，value是QoS属 性的取值，conv()是一个映射函数，实现同一类QoS属性值的转换如：时间属性的单位有小时、分钟、秒；W表示QoS属性的权重集合;QoS指标权重的确定，其算法如图4所示,其中，所述的QoS指标权重的确定算法，其中信息熵设(X₁,X₂,...,X_n)是在U上的一个划分，记为K，则K的信息熵定义为其中，i=1,2,…,n，|X|代表集合X的势；权利要求7中，（3）非功能性选择算法，其算法如图5所示。

进一步的，根据上上步所述的（1）QoS评价指标标准化。不同的类型的指标具有不同的量纲，为了消除量纲和量纲单位不同所带来的不可公度性，首先利用云服务领域功能本体（Cloud Service Domain Function Ontology,CSDFO）中映射函数conv()实现同一类QoS属性值的量纲单位转换，然后将所有指标按效用函数归一化到[0,1]无量纲区间。其中效用函数为

其中，m为QoS指标个数，和分别为第j个QoS指标的最大值和最小值。

进一步的，根据上步中所述的云服务领域功能本体（Cloud Service Domain Function Ontology,CSDFO），其表示方法为O_csfo=(C,A,R,I,F)。其中C表示概念的集合，C={C_sr，C_sc}，C_sr是服务资源概念集合，C_sc是服务能力概念集合；A表示概念C属性特征集合；R为概念间关系集合，描述概念间逻辑关系；I是概念的实例集合；F是实例与概念间映射关系的集合。

附图说明

图1是云制造服务智能选择架构图。

图2是云服务初步选择算法流程图。

图3是云服务功能性选择算法流程图。

图4是云服务非功能性选择算法流程图。

图5是制造云服务管理体系架构图。

具体实施方式

下面首先通过一个实例来说明算法的应用。由于篇幅有限，只列出部分云服务进行说明。设语义相似度阈ε＝0.8。

阶段一：由算法1可知四个候选服务的服务类别和状态均满足请求云服务的类别和语义状态需求，所以，CS′_cand={cs_cand(1),cs_cand(2),cs_cand(3),cs_cand(4)}。

阶段二：由算法2可知四个候选云服务功能输出都满足请求云服务的功能输出需求，请求云服务的功能输入都满足四个候选云服务的功能输入，即语义包含关系为真。但cs_cand(3)的设备资源空闲台数不能满足请求云服务的资源需求， 删去cs_cand(3)，而cs_cand(4)可达表面粗糙度不能达到要求， 所以删去cs_cand(4)，CS″_cand={cs_cand(1),cs_cand(2)}。

阶段三：从云制造服务平台大量成功合作案例中获取云服务QoS数据，求得各候选云服务的指标权重。

对于语言型指标信誉和协同性按照（5,4,3,2,1）来进行量化，如：很强取值5，高和强取值4，较强取值3。设候选云服务集中各指标的正理想点为{8,6,5,5}，负理想点为{12,10,1,1}，利用conv()函数对指标预处理后得到规范化决策矩阵Q如下：

$Q=\left|\begin{array}{cccc}0.5& 0.25& 0.75& 0.75\\ 0.25& 0.5& 0.75& 0.5\\ 0.75& 0.25& 0.75& 0.75\\ 0.5& 0.25& 1& 0.75\end{array}\right|$

由于实例中候选云服务较少，这里就按照Q的取值进行信息划分（当样本较多时可先设定各指标的离散化规则后再进行信息划分），结果为：U/IND(成本)={{1,4},{2},{3}},U/IND(时间)={{1,3,4},{2}},U/IND(信誉)={{1,2,3},{4}},U/IND(协同性)={{1,3,4},{2}}。

由此，计算得到各指标的信息熵分别为：H(成本)=1.5；

H(时间)=H(信誉)=H(协同性)=0.812。因此，可计算出相应指标权重向量为（0.4,0.2.0.2.0.2）。

算法4执行时CS″_cand中候选云服务均满足请求云服务QoS约束，可求得f(cs_cand(1))=0.45，f(cs_cand(2))=0.55，所以cs_cand(1)＞cs_cand(2)。因此，CS″′_cand={cs_cand(1),cs_cand(2)}，最优云服务为cs_cand(1)。

另外，从查全率和查准率两个性能上，对本文方法随机产生候选云服务数规模从100变化到500，分别在相应规模候选云服务数情况下随机产生请求云服务10次并计算其平均查全率和查准率(文中对于请求云服务服务能力参数区间[a,b]的取值规则为:效益型不低于a+(b-a+1)*0.3，成本型不高于a+(b-a+1)*0.7)。无论是从上述实例分析还是从随机产生的大规模候选云服务测试的情况下，相对于传统关键字方法而言本文方法在平均查全率和平均查准率上均具有明显优势，本文方法在平均查全率和平均查准率上均具有明显优势。因此，本文云服务选择算法是有效的和可行的。

Claims (10)

1.一种分阶段的云制造服务智能选择架构，包括三个阶段：初步选择、功能性选择和QoS非功能性选择。

2.根据权利要求1所述的一种分阶段的云制造服务智能选择架构，其中，所述的初步选择阶段，根据云服务描述的类别信息，将云服务平台中所有云服务类别和请求云服务类别进行语义相似度计算，若满足用户设定的语义相似度阈值，则将该云服务作为满足请求的云服务加入到候选云服务集合。然后根据云服务状态描述对候选云服务集进一步进行筛选，得到初步的候选云服务集合。

3.根据权利要求2所述的初步选择阶段，其算法中的CS={CS^Desc，CS^Cate，CS^Stat，CS^Func，CS^Func_Prop，CS^QoS}，CS^Desc是服务的名称和发布者等描述信息，CS^Cate为云服务的类别描述，CS^Stat是对云服务状态描述，CS^Func是云服务功能性描述，CS^Func_Prop为功能属性集合（包括制造资源属性集和制造能力属性集等），CS^QoS是对云服务质量描述。

4.根据权利要求1所述的一种分阶段的云服务智能选择架构，其中，所述的功能性选择，功能性选择包括云服务功能输入/输出的匹配和云服务功能属性的匹配两个过程。云服务功能匹配要求侯选云服务功能输入应被语义包含于请求云服务功能输入，而侯选云服务功能输出应语义包含请求云服务的功能输出。云服务功能属性匹配要求侯选云服务拥有的制造资源属性应满足请求云服务的制造资源属性需求，并且候选云服务拥有的制造能力属性应满足请求云服务的制造能力属性需求。

5.根据权利要求4所述的一种分阶段的云服务智能选择架构中的功能性选择。其中表示制造能力匹配度公式 （Manufacturing Capability Matching Degree，MCMD）指候选云服务拥有的制造能力属性是否满足子任务请求的制造能力属性需求。

6.根据权利要求5所述的制造能力匹配度公式。其中为云服务cs_i所拥有的制造能力属性的描述集合，是云服务请求制造能力属性的需求描述集合。

7.根据权利要求1所述的一种分阶段的云服务智能选择架构，其中，所述的云服务非功能性选择，包括（1）QoS评价指标标准化（2）QoS指标权重的确定（3）非功能性选择算法。

8.根据权利要求7中所述的QoS，其定义为云服务QoS本体(Cloud Service QoS Ontology)O_QoS＝(C,A,R,QC,W)。其中，C表示QoS本体中概念集合；A是概念属性集合；R为概念间关系集合；QC是概念属性约束集合，这里，QC是一个三元组QC＝(type,value,conv()),type代表属性的类型如：数字、布尔值或者字符串，value是QoS属性的取值，conv()是一个映射函数，实现同一类QoS属性值的转换如：时间属性的单位有小时、分钟、秒；W表示QoS属性的权重集合；QoS指标权重的确定，其算法如图4所示,其中，所述的QoS指标权重的确定算法，其中信息熵设(X₁,X₂,...,X_n)是在U上的一个划分，记为K，则K的信息熵定义为其中，i＝1,2,…,n，|X|代表集合X的势。

9.根据权利要求7所述的（1）QoS评价指标标准化。不同的类型的指标具有不同的量纲，为了消除量纲和量纲单位不同所带来的不可公度性，首先利用云服务领域功能本体（Cloud Service Domain Function Ontology,CSDFO）中映射函数conv()实现同一类QoS属性值的量纲单位转换，然后将所有指标按效用函数归一化到[0,1]无量纲区间。其中效用函数为

其中，m为QoS指标个数，和分别为第j个QoS指标的最大值和最小值。

10.根据权利要求9中所述的云服务领域功能本体（Cloud Service Domain Function Ontology,CSDFO），其表示方法为O_csfo=(C,A,R,I,F)。其中C表示概念的集合，C={C_sr，C_sc}，C_sr是服务资源概念集合，C_sc是服务能力概念集合；A表示概念C属性特征集合；R为概念间关系集合，描述概念间逻辑关系；I是概念的实例集合；F是实例与概念间映射关系的集合。