CN104601643B - 一种面向移动环境下的服务组合选择方法 - Google Patents
一种面向移动环境下的服务组合选择方法 Download PDFInfo
- Publication number
- CN104601643B CN104601643B CN201410340260.3A CN201410340260A CN104601643B CN 104601643 B CN104601643 B CN 104601643B CN 201410340260 A CN201410340260 A CN 201410340260A CN 104601643 B CN104601643 B CN 104601643B
- Authority
- CN
- China
- Prior art keywords
- service
- mobile
- learning
- user
- time
- 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
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种面向移动环境下的服务组合选择方法，提供的面向移动环境的服务组合方法，针对用户移动特性以及随着用户位置变化而变化的移动网络质量，建立了一个可计算的移动模型；基于移动模型，提出了新的移动感知的服务质量计算规则；提出了基于“教”与“学”优化方法的服务组合选择方法，以获取近似最优的服务组合结果；从而克服了现有技术中的方法仅仅针对传统互联网中的服务进行组合导致无法直接应用于移动环境的问题，也克服了现有技术中的方法在规划服务组合方案时没有考虑用户的移动特性导致服务组合实际性能变化的问题，进而提高移动环境下服务组合执行效率。
Description
技术领域
本发明涉移动环境下的服务组合选择问题，尤其涉及一种面向移动环境下的服务组合选择方法。
背景技术
近年来，随着Web2.0、云计算、移动互联网等新一代信息技术的发展。移动互联网用户数量迅猛增加，逐步超越固定互联网用户规模，国内互联网规模日益壮大，移动互联网成为当前全球信息产业竞争的焦点。移动互联网业务的发展为移动网络带来了无尽的应用空间，促进了移动网络宽带化的深入发展。它体现了“无处不在的网络、无所不能的业务”的思想，正在改变着人们的生活方式和工作方式.移动互联网使得人们可以通过随身携带的移动终端(智能手机、PDA、平板电脑等)随时随地乃至在移动过程中获取互联网服。
与此同时，移动互联网的飞速发展也产生了相应的难题与挑战。移动用户会利用移动终端调用更为复杂的服务应用，即多个服务有机地组合在一起共同完成一个复杂的任务。同时，用户在调用服务的过程中会处在移动的状态中，不断变化的地理位置也会对移动终端通信的网络状况产生变化。因此，没有考虑这些移动特性的传统服务组合选择方法很难保证在移动环境下获取到最有的服务组合结果。因为它们仅仅针对服务自身的服务质量进行选择，而没有考虑到用户的移动以及网络环境的变化。
发明内容
针对上述技术缺陷，本发明针对移动网络环境下用户的移动特性和网络信号的变化，提出了一个可计算的移动模型，并基于此模型提出了服务组合选择方法以得到近似最优服务组合结果。
为了解决上述技术问题，本发明的技术方案如下：
一种面向移动环境下的服务组合选择方法，包括如下步骤：
11)针对用户移动特性，以及随着用户位置变化而变化的移动网络质量，建立了一个可计算的移动模型；
12)基于移动模型，获得移动感知服务质量；
13)基于“教”与“学”的服务组合选择方法，获取近似最优的服务组合结果。
进一步的，包括如下步骤：所述步骤11)中的移动模型包括用户移动轨迹和移动网络质量两部分；
将用户移动轨迹设计建模为一个三元组，mp＝(Time,Location,M)，其中：Time是一个从t0到tn的连续时间点的集合，t0是用户发起服务组合请求的时间点，tn是结束服务组合调用的时间点；Location是用户的位置集合，每个位置点对应重Time中的一个时间点；M是时间点到地理位置的映射函数，M:Time→Location。
进一步的，包括如下步骤：当为单个服务时，其移动感知服务质量根据如下公式进行计算：
其中是传输服务所需的输入数据所消耗的时间，Qs是服务s的执行时间，是传输服务所产生的输出数据所消耗的时间，和通过如下公式进行计算
其中di是输入数据的数据量，QoMNi是用户传输输入数据时所处位置对应的移动网络质量，do是输出数据的数据量，QoMNo是用户传输输出数据时所处位置对应的移动网络质量；
计算一个服务的移动感知服务质量的流程如下：1)获取用户开始传输输入/输出数据的时间点tp；2)根据函数M得到tp对应的地理位置；3)根据函数L得到对应的移动网络质量；4)计算数据传输开销。
进一步的，包括如下步骤：当为服务组合时，其移动感知服务质量根据如下公式进行计算：
其中ψ表示集成操作符，根据组合的结构进行集成，首先找出服务组合中所有的执行路径，利用求和得到每条路径的响应时间，然后对多条路径取最大值得到最终结果。
进一步的，将一个服务组合结果对应为一个学员，则组合结果的集合称为班级，组合服务中的组件服务对应为科目，评估一个学员的适应度则是根据计算该服务组合的移动感知服务质量得到，该服务组合选择方法主要包含三个阶段：
51)初始化阶段
在初始化阶段，需要确定班级的学员数量P，以及最大迭代次数I，然后随机生成P个学员：
其中i＝(1,2,3....,P)，d是服务组合中任务的数量，表示Xi中对于第j个任务选择的备选服务；
52)“教”阶段
首先挑选出班级中适应度最低的学员作为老师Xteacher，每一个学员Xi(i＝1,2,3....,P)都向老师进行学习，学习的过程通过以下公式进行：
difference＝ri×(Xteacher-TFi×Mean) (5)
其中和表示第i个学员在学习前和学习后的向量表示，ri＝rand(0,1)表示学习步长，TFi＝round[1+rand(0,1)]表示学习因子，Mean是所有学员的平均向量，
在服务组合选择问题中，每个结果向量X中的变量都应该是一个整数，因此，在每次向量计算结束后增加一个refine操作：
def refine(Xi):
for xj in Xi:
xj＝round(xj) (7)
if xj>up:xj＝up
if xj<low:xj＝low
其中up和low表示服务组合中每个任务的备选服务的上边界和下边界,在向老师学习结束后，所有学员对他们自己进行更新：
其中F是根据公式(3)计算出学员的适应度,
53)“学”阶段
对于每个学员随机挑选另一个学员作为学习目标，通过分析它们之间的差异性进行学习：
在学习之后，根据公式(8)进行更新操作，在“学”阶段结束后，如果迭代次数没有达到终止条件，则重新进入“教”阶段，进行新一轮的学习，直到满足终止条件为止。
本发明的有益效果在于：本发明提供的面向移动环境的服务组合方法，针对用户移动特性以及随着用户位置变化而变化的移动网络质量，建立了一个可计算的移动模型；基于移动模型，提出了新的移动感知的服务质量计算规则；提出了基于“教”与“学”优化方法的服务组合选择方法，以获取近似最优的服务组合结果；从而克服了现有技术中的方法仅仅针对传统互联网中的服务进行组合导致无法直接应用于移动环境的问题，也克服了现有技术中的方法在规划服务组合方案时没有考虑用户的移动特性导致服务组合实际性能变化的问题，进而提高移动环境下服务组合执行效率。
附图说明
图1是本发明实施例1提供的面向移动环境的服务组合选择方法的流程示意图；
图2是本发明实施例1提供的面向移动环境下的服务组合选择方法的应用场景的示意图；
图3是基于“教”与“学”优化方法的服务组合选择方法流程图。
具体实施方式
下面将结合附图和具体实施例对本发明做进一步的说明。
实施例1：
如图1～图3所示，本发明实施例1提供的面向移动环境的服务组合选择方法包括：收集移动终端以及移动网络的实时信息；根据实时信息建立可计算的移动模型；根据移动感知服务质量计算规则确定组合目标函数；根据实时信息“教”与“学”方法的多目标方法进行组合优化，得到服务组合的选择策略；根据服务组合选择策略选择服务组合中的具体服务进行调用。
在本发明实施例1提供的面向移动环境的服务组合方法中，建立针对计算卸载的移动模型的方法包括：
用户移动轨迹被建模为一个三元组，mp＝(Time,Location,M)，其中：
(1)Time是一个从t0到tn的连续时间点的集合，t0是用户发起服务组合请求的时间点，tn是结束服务组合调用的时间点；
(2)Location是用户的位置集合，每个位置点对应重Time中的一个时间点。
(3)M是时间点到地理位置的映射函数，M:Time→Location。
移动网络质量(QoMN)用来描述某一地理位置的移动网络信号强弱，也就是数据传输率。L是地理位置到移动网络质量的映射函数，L:Location→QoMN。
本发明实施例1根据该移动模型，针对用户发起的服务组合请求，选择出每个任务的组件服务，以获取到响应时间最优的服务组合结果。
根据该移动模型及本发明提出的移动感知服务质量计算规则，可以得到本发明的目标函数，其取值越低越好：
其中，
1)ψ表示集成操作符，组合服务的响应时间不是简单的对单个服务的响应时间进行求和，而是根据组合的结构进行集成。首先找出服务组合中所有的执行路径，利用求和得到每条路径的响应时间，然后对多条路径取最大值得到最终结果。
2)MQoSs表示单个服务的移动感知服务质量(响应时间)可以根据如下公式进行计算：
其中是传输服务所需的输入数据所消耗的时间，Qs是服务s的执行时间，是传输服务所产生的输出数据所消耗的时间。和可以通过如下公式进行计算
其中di是输入数据的数据量，QoMNi是用户传输输入数据时所处位置对应的移动网络质量。do是输出数据的数据量，QoMNo是用户传输输出数据时所处位置对应的移动网络质量。
计算一个服务的移动感知服务质量的流程如下：1)获取用户开始传输输入/输出数据的时间点tp；2)根据函数M得到tp对应的地理位置；3)根据函数L得到对应的移动网络质量；4)计算数据传输开销。
在本发明实施例1提供的面向服务组合选择方法中，采用基于“教”与“学”方法的多目标方法进行组合优化的方法包括：
1)初始化阶段
在初始化阶段，需要确定班级的学员数量P，以及方法的最大迭代次数I。然后随机生成P个学员：
其中i＝(1,2,3....,P)，d是服务组合中任务的数量，表示Xi中对于第j个任务选择的备选服务。
2)“教”阶段
首先挑选出班级中适应度最低的学员作为老师Xteacher，每一个学员Xi(i＝1,2,3....,P)都向老师进行学习，学习的过程通过以下公式进行：
difference＝ri×(Xteacher-TFi×Mean) (e)
其中和表示第i个学员在学习前和学习后的向量表示。ri＝rand(0,1)表示学习步长，TFi＝round[1+rand(0,1)]表示学习因子，Mean是所有学员的平均向量。
在服务组合选择问题中，每个结果向量X中的变量都应该是一个整数，因此，在每次向量计算结束后增加一个refine操作：
def refine(Xi):
for xj in Xi:
xj＝round(xj) (g)
if xj>up:xj＝up
if xj<low:xj＝low
其中up和low表示服务组合中每个任务的备选服务的上边界和下边界。
在向老师学习结束后，所有学员对他们自己进行更新：
其中F是根据公式(c)计算出学员的适应度。
3)“学”阶段
在“学”阶段，每个学员之间互相进行学习，而不是像老师进行学习，从而保证结果的多样性。
对于每个学员随机挑选另一个学员作为学习目标，通过分析它们之间的差异性进行学习：
在学习之后，根据公式(h)进行更新操作。
4)重复2)-3)步骤，直到终止条件达成；该终止条件为：初始化阶段中设定的最大循环次数，选取适应度最低的学员对应的服务组合方案作为最终结果。
举例如图3：某移动用户在其坐地铁上班途中，想要安排他到北京的一个商务旅行，因此他需要完成4个任务，了解出行天气，预定航班，预定酒店，完成支付。每一个任务都有若干备选服务，不同备选服务的服务质量存在着差异，需要考虑用户的移动特性选择出最合适的服务构成最优的服务组合。本实施方法包括：
1)初始化过程，包括：
将移动环境下的服务组合选择问题映射到“教”与“学”优化方法中，将服务组合方案表示成学员，例如(2，3，1，2)表示一个学员，表示该服务组合中第1个任务天气预报选择2号备选服务，以此类推。在初始化过程中随机生成P个学员，同时确定最大迭代次数I。
2)“教”过程：选择班级中适应度最低的学员作为老师，每个学员根据公式(d)-(g)向老师进行学习，并根据学习结果更新自己的向量表示；
3)“学”过程：每个学员随机挑选一名其他学员作为学习目标，根据公式(i)进行学习，同时更新自己的向量表示；
4)循环进行步骤2)～3)直至设定的最大循环次数，选取适应度最低的学员对应的组合方案作为所述的服务组合选择结果。
所以，本发明实施例1提供的面向移动环境的服务组合选择方法，通过收集移动终端以及移动网络的实时信息；根据实时信息建立可计算的移动模型；根据移动感知服务质量计算规则确定组合目标函数；根据实时信息“教”与“学”方法的多目标方法进行组合优化，得到服务组合的选择策略；最后根据服务组合选择策略选择服务组合中的具体服务进行调用。从而克服了现有技术中的方法仅仅针对传统互联网中的服务进行组合导致无法直接应用于移动环境的问题，也克服了现有技术中的方法在规划服务组合方案时没有考虑用户的移动特性导致服务组合实际性能变化的问题，进而提高移动环境下服务组合执行效率。
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，在不脱离本发明构思的前提下，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保护范围内。
Claims (3)
1.一种面向移动环境下的服务组合选择方法，其特征在于，包括如下步骤：
11)针对用户移动特性，以及随着用户位置变化而变化的移动网络质量，建立了一个可计算的移动模型；所述移动模型包括用户移动轨迹和移动网络质量两部分；将用户移动轨迹设计建模为一个三元组，mp＝(Time,Location,M)，其中：Time是一个从t0到tn的连续时间点的集合，t0是用户发起服务组合请求的时间点，tn是结束服务组合调用的时间点；Location是用户的位置集合，每个位置点对应重Time中的一个时间点；M是时间点到地理位置的映射函数，M:Time→Location；
12)基于移动模型，获得移动感知服务质量；
13)基于“教”与“学”的服务组合选择方法，获取近似最优的服务组合结果；将一个服务组合结果对应为一个学员，则组合结果的集合称为班级，组合服务中的组件服务对应为科目，评估一个学员的适应度则是根据计算该服务组合的移动感知服务质量得到，该服务组合选择方法主要包含三个阶段：
51)初始化阶段
在初始化阶段，需要确定班级的学员数量P，以及最大迭代次数I，然后随机生成P个学员：
<mrow>
<msup>
<mi>X</mi>
<mi>i</mi>
</msup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mn>1</mn>
<mi>i</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mn>2</mn>
<mi>i</mi>
</msubsup>
<mn>...</mn>
<msubsup>
<mi>x</mi>
<mi>d</mi>
<mi>i</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
其中i＝(1,2,3….,P)，d是服务组合中任务的数量，表示Xi中对于第j个任务选择的备选服务；
52)“教”阶段
首先挑选出班级中适应度最低的学员作为老师Xteacher，每一个学员Xi(i＝1,2,3….,P)都向老师进行学习，学习的过程通过以下公式进行：
<mrow>
<msubsup>
<mi>X</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mi>o</mi>
<mi>l</mi>
<mi>d</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>+</mo>
<mi>d</mi>
<mi>i</mi>
<mi>f</mi>
<mi>f</mi>
<mi>e</mi>
<mi>r</mi>
<mi>e</mi>
<mi>n</mi>
<mi>c</mi>
<mi>e</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
difference＝ri×(Xteacher-TFi×Mean) (5)
其中和表示第i个学员在学习前和学习后的向量表示，ri＝rand(0,1)表示学习步长，TFi＝round[1+rand(0,1)]表示学习因子，Mean是所有学员的平均向量，
<mrow>
<mi>M</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>P</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>P</mi>
</munderover>
<msup>
<mi>X</mi>
<mi>i</mi>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
在服务组合选择问题中，每个结果向量X中的变量都应该是一个整数，因此，在每次向量计算结束后增加一个refine操作：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>d</mi>
<mi>e</mi>
<mi>f</mi>
<mi> </mi>
<mi>r</mi>
<mi>e</mi>
<mi>f</mi>
<mi>i</mi>
<mi>n</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>X</mi>
<mi>i</mi>
</msup>
<mo>)</mo>
</mrow>
<mo>:</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>f</mi>
<mi>o</mi>
<mi>r</mi>
<mi> </mi>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<msup>
<mi>inX</mi>
<mi>i</mi>
</msup>
<mo>:</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mi>r</mi>
<mi>o</mi>
<mi>u</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>></mo>
<mi>u</mi>
<mi>p</mi>
<mo>:</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mi>u</mi>
<mi>p</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo><</mo>
<mi>l</mi>
<mi>o</mi>
<mi>w</mi>
<mo>:</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mi>l</mi>
<mi>o</mi>
<mi>w</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
其中up和low表示服务组合中每个任务的备选服务的上边界和下边界,在向老师学习结束后，所有学员对他们自己进行更新：
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo><</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mi>o</mi>
<mi>l</mi>
<mi>d</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>:</mo>
</mrow>
<mrow>
<msubsup>
<mi>X</mi>
<mrow>
<mi>o</mi>
<mi>l</mi>
<mi>d</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中F是根据公式(3)计算出学员的适应度,
53)“学”阶段
对于每个学员随机挑选另一个学员作为学习目标，通过分析它们之间的差异性进行学习：
<mrow>
<msubsup>
<mi>X</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>X</mi>
<mrow>
<mi>o</mi>
<mi>l</mi>
<mi>d</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<msup>
<mi>X</mi>
<mi>i</mi>
</msup>
<mo>-</mo>
<msup>
<mi>X</mi>
<mi>j</mi>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>X</mi>
<mi>j</mi>
</msup>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>X</mi>
<mi>j</mi>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>X</mi>
<mrow>
<mi>o</mi>
<mi>l</mi>
<mi>d</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<msup>
<mi>X</mi>
<mi>j</mi>
</msup>
<mo>-</mo>
<msup>
<mi>X</mi>
<mi>i</mi>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>X</mi>
<mi>j</mi>
</msup>
<mo>)</mo>
</mrow>
<mo><</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>X</mi>
<mi>j</mi>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
在学习之后，根据公式(8)进行更新操作，在“学”阶段结束后，如果迭代次数没有达到终止条件，则重新进入“教”阶段，进行新一轮的学习，直到满足终止条件为止。
2.根据权利要求1所述的一种面向移动环境下的服务组合选择方法，其特征在于，包括如下步骤：当为单个服务时，其移动感知服务质量根据如下公式进行计算：
<mrow>
<msub>
<mi>MQoS</mi>
<mi>s</mi>
</msub>
<mo>=</mo>
<msub>
<mi>t</mi>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
</msub>
<mo>+</mo>
<msub>
<mi>Q</mi>
<mi>s</mi>
</msub>
<mo>+</mo>
<msub>
<mi>t</mi>
<msub>
<mi>d</mi>
<mi>o</mi>
</msub>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中是传输服务所需的输入数据所消耗的时间，Qs是服务s的执行时间，是传输服务所产生的输出数据所消耗的时间，和通过如下公式进行计算
<mrow>
<msub>
<mi>t</mi>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mrow>
<msub>
<mi>QoMN</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>t</mi>
<msub>
<mi>d</mi>
<mi>o</mi>
</msub>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>d</mi>
<mi>o</mi>
</msub>
<mrow>
<msub>
<mi>QoMN</mi>
<mi>o</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中di是输入数据的数据量，QoMNi是用户传输输入数据时所处位置对应的移动网络质量，do是输出数据的数据量，QoMNo是用户传输输出数据时所处位置对应的移动网络质量；
计算一个服务的移动感知服务质量的流程如下：1)获取用户开始传输输入/输出数据的时间点tp；2)根据函数M得到tp对应的地理位置；3)根据函数L得到对应的移动网络质量；4)计算数据传输开销。
3.根据权利要求1所述的一种面向移动环境下的服务组合选择方法，其特征在于，包括如下步骤：当为服务组合时，其移动感知服务质量根据如下公式进行计算：
<mrow>
<mi>G</mi>
<mi>Q</mi>
<mi>o</mi>
<mi>S</mi>
<mo>=</mo>
<munder>
<mi>&psi;</mi>
<mrow>
<mi>s</mi>
<mo>&Element;</mo>
<mi>s</mi>
<mi>o</mi>
</mrow>
</munder>
<msub>
<mi>MQoS</mi>
<mi>s</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中ψ表示集成操作符，根据组合的结构进行集成，首先找出服务组合中所有的执行路径，利用求和得到每条路径的响应时间，然后对多条路径取最大值得到最终结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410340260.3A CN104601643B (zh) | 2014-07-17 | 2014-07-17 | 一种面向移动环境下的服务组合选择方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410340260.3A CN104601643B (zh) | 2014-07-17 | 2014-07-17 | 一种面向移动环境下的服务组合选择方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104601643A CN104601643A (zh) | 2015-05-06 |
| CN104601643B true CN104601643B (zh) | 2018-04-13 |
Family
ID=53127141
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410340260.3A Active CN104601643B (zh) | 2014-07-17 | 2014-07-17 | 一种面向移动环境下的服务组合选择方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104601643B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106385702B (zh) * | 2016-09-08 | 2019-08-06 | 哈尔滨工程大学 | 量子教与学搜索机制的中继选择方法 |
| CN113992743A (zh) * | 2021-10-22 | 2022-01-28 | 湖南科技大学 | 一种面向服务组合的移动服务选择优化方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103248693A (zh) * | 2013-05-03 | 2013-08-14 | 东南大学 | 基于多智能体强化学习的大规模服务组合优化方法 |
-
2014
- 2014-07-17 CN CN201410340260.3A patent/CN104601643B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103248693A (zh) * | 2013-05-03 | 2013-08-14 | 东南大学 | 基于多智能体强化学习的大规模服务组合优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| Service Selection for Mobile Service Orchestration;Longtao Huang and Shuiguang Deng;《 2014 IEEE International Conference on Mobile Services》;20140702;第147页至第148页 * |
| Web服务组合方法综述;邓水光;《中国科技论文在线》;20080229;第3卷(第2期);全文 * |
| 一种QoS最优的语义Web服务自动组合方法;邓水光;《计算机学报》;20130531;第36卷(第5期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104601643A (zh) | 2015-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | DNNOff: offloading DNN-based intelligent IoT applications in mobile edge computing | |
| JP7265003B2 (ja) | ターゲット検出方法、モデル訓練方法、装置、機器及びコンピュータプログラム | |
| CN108875007A (zh) | 兴趣点的确定方法和装置、存储介质、电子装置 | |
| CN110245301A (zh) | 一种推荐方法、装置及存储介质 | |
| CN108962238A (zh) | 基于结构化神经网络的对话方法、系统、设备及存储介质 | |
| CN109409612B (zh) | 一种路径规划方法、服务器及计算机存储介质 | |
| CN110263938A (zh) | 用于生成信息的方法和装置 | |
| CN110363286A (zh) | 神经网络模型的生成方法及装置 | |
| CN102945263B (zh) | 一种用于确定多个访问对象之间的访问相关性信息的方法 | |
| CN110222880A (zh) | 业务风险的确定方法、模型训练方法和数据处理方法 | |
| CN106850289B (zh) | 结合高斯过程与强化学习的服务组合方法 | |
| CN104050205A (zh) | 地址信息输入方法、获取方法、装置、设备和系统 | |
| CN105574708A (zh) | 一种行程规划的方法及装置 | |
| CN109155005A (zh) | 使用伪计数的增强学习 | |
| CN102945273B (zh) | 一种用于提供搜索结果的方法和设备 | |
| CN113869528B (zh) | 共识表征提取和多样性传播的解纠缠个性化联邦学习方法 | |
| CN113377030B (zh) | 一种路口信号控制模型的确定方法和相关装置 | |
| CN104750716A (zh) | 一种社交网站好友推荐方法及装置 | |
| CN112985413A (zh) | 基于改进a*算法的景区路径规划方法及装置 | |
| CN105430615A (zh) | 一种连续位置服务请求下基于假位置的位置隐私保护方法 | |
| CN110399445A (zh) | 一种兴趣点的处理方法、装置及设备 | |
| CN105955715A (zh) | 一种信息处理方法、装置和智能终端 | |
| CN110378737A (zh) | 一种网点布局评估方法及装置 | |
| CN104601643B (zh) | 一种面向移动环境下的服务组合选择方法 | |
| CN113886721B (zh) | 个性化兴趣点推荐方法、装置、计算机设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |