CN105243080B - 基于esb架构的资源感知自适应适配系统 - Google Patents
基于esb架构的资源感知自适应适配系统 Download PDFInfo
- Publication number
- CN105243080B CN105243080B CN201510547358.0A CN201510547358A CN105243080B CN 105243080 B CN105243080 B CN 105243080B CN 201510547358 A CN201510547358 A CN 201510547358A CN 105243080 B CN105243080 B CN 105243080B
- Authority
- CN
- China
- Prior art keywords
- context
- workflow
- module
- service
- user
- 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
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 27
- 230000008447 perception Effects 0.000 title claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 52
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 abstract description 11
- 230000006855 networking Effects 0.000 description 19
- 230000006978 adaptation Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003139 buffering effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 229920000638 styrene acrylonitrile Polymers 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 108091081062 Repeated sequence (DNA) Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/957—Browsing optimisation, e.g. caching or content distillation
- G06F16/9574—Browsing optimisation, e.g. caching or content distillation of access to content, e.g. by caching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明提供一种基于ESB架构的资源感知自适应适配系统，包括近程移动P2P网络、通用互联网和私有云，设置云服务主机，所述云服务主机设置有请求处理模块，用于在用户端提交请求时，处理请求，选择一个相应的工作流模式，并将选定的工作流模式传递到工作流引擎模块；工作流引擎模块，用于通过消息路由控制，按照选定的工作流模式执行任务工作流；预取模块，用于根据预测进行预取。本发明还提供了根据上下文进行预期的策略和工作流模型选择策略，可以利用上下文感知用户偏好预测方案，减少等待时间，并利用资源意识的工作流机制支持动态调整。
Description
技术领域
本发明涉及移动网络技术领域，特别涉及一种基于ESB架构的资源感知自适应适配系统。
背景技术
近程移动社交网络(MSNP)是社交网络的一个新形式，用户能够在基于公共移动端对端网络(MP2P)的环境中，通过用户的移动设备与它们的周围环境进行交互。它为人们带来机会结识新朋友、分享设备上下文，或是进行各种社会活动。然而，由于它的基本拓扑结构是基于公共移动端对端网络的，现有的相关工作使公共移动端对端网络社交网络只能在特定的平台和协议中实现。
图1展现了一种没有集中管理服务的近程移动社交网络环境。为了提高交互操作性，Web服务已被用作公用通信接口。
每个移动设备都是一个移动Web服务消费者，并且也是一个(信息)提供商。当两个终端加入到同一个无线网络，他们利用标准的通信技术，如关于网络设备的一个Web服务协议精简子集DPWS，或者零配置，来交换他们的服务描述元数据(SDM)。当一个终端(例如，图1的P2和P4)从当前网络(WIFI)移出(Moved)，其先前网络中的其他终端(例如，图1中的P1和P3)仍然可以通过移动互联网(3G/4G)与它交互。
由于P1、P3预先与P2、P4交换了它们的服务描述元数据(SDM)，他们已经在本地存储器中或同步其云存储缓存了P2和P4的SDM。当P1和P3接收到同一网络中正在执行服务发现的其他终端的请求时，P1和P3也可以向这些终端提供P2和P4的服务描述元数据(SDM)。P1和P3可以把服务描述元数据同步缓存到自己的云存储器上，并简单地为其他终端提供网址链接，而不必通过P1和P3来给终端发送服务描述元数据。
类似的概念被应用在网络信息上下文共享和聚合上，例如，P1通过P2和P3所提供的上下文进行聚合。当P1调用P2和P3为上下文，P2和P3将简单地以相应包含可以在互联网的相应位置检索到上下文描述的元数据文件答复。例如，P2上传上下文到社交网络网站(SNS)，作为公共可访问的上下文。因此，在P2的反馈元数据中，包含了上载上下文的URL链路。
考虑到移动设备的处理能力通常有限，所以一个近程移动社交网络终端把它的一些流程委托给后端公有云服务(CloudUtil)是合理的，例如阿里云等。例如图1中，P1利用其后端CloudUtil进行语义服务发现。此外，后端公有云服务(CloudUtil)可用于直接访问社交网络服务(SNS、微博、flicker、facebook、twitter等)中其他MSNP终端上载的上下文，以便为P1进行聚合(如果该上下文已经在真正简单整合(RSS)提要格式中进行了描述)发现有用的上下文。
在MSNP中，上下文提供者也可以基于参与者的服务喜好，主动为其他参与者进行推送。由于涉及到隐私，MSNP终端用户可能不愿分享他们的私人信息；当一系列可用服务(语义描述)提供给参与者，参与者的服务请求已经转换为只需简单回复其感兴趣的服务类型。
目前，现有技术面临的挑战如下：
1.服务发现延迟
在执行服务发现，当环境中存在大量的移动网络服务提供者时，这样的过程就可能会导致高延迟。移动端对端网络的动态特性要求服务发现过程必须满足时效要求，以保证更多的互动过程，保证服务的先决条件是，该服务描述元数据必须被传播。否则通信就不能被建立。
2.预测资源管理
现实中，用户的偏好在运行时可能由于其他因素而动态改变。预定义的静态用户偏好的配置文件和规则难以满足看不见的情况，除非用户愿意手动定义所有可能的情况下不同的偏好。在大多数情况下，用户自己也无法准确地确定他或她对于事件偏好的概率。
发明内容
为克服上述技术问题，本发明的目的是提供一种基于ESB架构的资源感知自适应适配系统。
本发明技术方案提供一种基于ESB架构的资源感知自适应适配系统，所述ESB为企业服务总线，包括近程移动P2P网络、通用互联网和私有云，设置云服务主机，所述云服务主机设置以下模块，
请求处理模块，用于在用户端提交请求时，处理请求，选择一个相应的工作流模式，并将选定的工作流模式传递到工作流引擎模块；
工作流引擎模块，用于通过消息路由控制，按照选定的工作流模式执行任务工作流；
预取模块，用于根据预测进行预取，包括以下子模块，
记录器子模块，用于每次用户端发送一个请求查询时，记录请求的详细信息和一组当前上下文；
提取子模块，用于管理预取的数据项并支持检索；
预测子模块，用于在当前上下文信息基础上预测移动用户的查询；
上下文管理器子模块，用于从上下文提供者检索最新原始上下文数据，并在预定义的匹配规则的基础上解释收集的原始上下文数据。
而且，云服务主机还包括以下模块，
资源状态管理模块，用于持续监控资源的使用；
服务池模块，用于负责管理内部服务、私有云服务和通过外部MSNP终端提供服务的信息。
而且，预取模块根据预测进行预取的实现方式为，当预测组件接收一组上下文，根据当前上下文和每个查询记录的上下文之间的比较结果，预测用户的查询如下，
设是一组原始上下文，其中，表示输出的第j组上下文信息集合，是集合中的上下文信息集合组数的数目；设Q为原始候选查询集，Q＝{ql：1≤l≤NQ}，ql为第l个原始候选查询，NQ是集合Q中的原始候选查询个数；
通过应用贝叶斯定理，针对ql∈Q和相关上下文的概率计算如下，
其中，是当ql被限定时的概率，P(ql)是先前查询记录中ql发生的概率，是随机选择查询的概率，
设G为上下文权重性规则集，其中每个规则gm包括相应的上下文和相应查询 为规则gm的权重值，得到ql的概率如下，
其中，是各权重值的和， 是一个定义的规则，其中
而且，请求处理模块选择相应的工作流模式实现方式如下，
设任一任务的工作流模式包括一组串行或并行的抽象任务所构成集合T，集合T中每个抽象任务tp相应的算法构成的算法集其中任一算法ah的性价比值被细分如下，
其中，为成本细化之后的理论值，
其中，为算法ah的性能值。
而且，成本细化之后的理论值求取如下，
设抽象任务tp的算法ah包含一个成本要素集其中某成本要素ez的值由表示，相应标准化值为
其中，表示成本要素ez的权重。
本发明的优点在于：
1.提供自适应的工作流控制调解适配框架，支持MSNP参与者的主动服务发现和资源意识行为，该框架利用上下文感知用户偏好预测方案，减少等待时间。
2.发布者可以发送Web服务业务流程执行语言(WS-BPEL)元数据到其他MSNP终端，让他们无需手动输入而自动执行上下文匹配。
3.解决资源约束问题，调解适配框架利用企业服务总线架构来支持运行时资源的变化，并利用资源意识的工作流机制使执行行为在运行时根据模糊集、成本和性能索引图的组合而进行动态调整。
4.该系统可以识别用户当前的上下文和在用户的以前查询记录中出现的上下文相似度。再基于所述上下文信息，能够预测什么服务是用户潜在感兴趣的。
附图说明
图1为现有技术中MSNP系统架构结构图。
图2是本发明实施例的近程移动社交网络自适应适配框架示意图。
图3是本发明实施例的基于时间跨度的工作流程路径选择示意图。
具体实施方式
以下结合附图和实施例详细说明本发明的技术方案。
本发明提出了一种自适应的工作流控制调解适配框架，来支持近程移动社交网络(MSNP)参与者的主动服务发现和资源意识行为。该框架利用上下文感知用户偏好预测方案，支持主动服务发现机制，减少的等待时间。
服务发现的方法预取服务描述元数据(SDM)对方案的整体性能影响较大。由于移动端对端网络(MP2P)环境的动态特性，一个移动主机需要支持各种不同的方法，以实现SDM预取的成功。本文提出的框架支持移动主机在运行时改变它的方式，来解决这类问题。在近程移动社交网络(MSNP)移动主机中，应用标准WS-BPEL流程机制也使移动端对端网络(MP2P)的互动产生新的形式。虽然每个MSNP参与者都能执行WS-BPEL流程，但是本发明的方案能够实现自动执行更复杂的互动过程。发布者发生WS-BPEL元数据到其他近程移动社交网络(MSNP)终端后，它们自动执行上下文匹配，无需手动输入。
本发明提出了近程移动社交网络的自适应适配框架。该框架的设计是基于企业服务总线(ESB)架构。ESB是一种软件架构，可以轻松地通过合并和装配服务来连接资源，以实现面向服务的架构(SOA)。因此，本发明的主要改进点在于：上下文感知预测方案和基于CPI模型的自适应方法选择。
本发明实施例提供一个基于企业服务总线(ESB)架构和WSBPEL的资源感知自适应适配框架，主要技术包括预测策略和自适应策略。
1预测策略
预测策略是基于各种因素来预测用户的请求。Web浏览预取方法的因素包括用户的浏览历史、兴趣、导航行为、以及可获取的可用的普遍的上下文/资源。通过分析这些因素，将它们与呈现的上下文进行比较。用户对一个上下文感兴趣程度的概率是可以计算的。在移动和普适计算环境中，还需要考虑更多的因素；基于用户的当前位置、移动方向、硬件资源、网络带宽和其他因素。因此，有必要设计对应策略或规则并应用于决策方案，从而更准确地预测一个移动用户的需求。
现有技术中，部分研究人员提出的基于位置和基于运动的缓存预取预测方案中，这些方案通过分析用户的现在和将来位置(基于他/她的移动预测)、相应的查询历史记录和预定义的用户参考轮廓线来预测用户的未来查询的概率。在实际情况中，用户的偏好在运行时可能由于其他因素而动态改变。另外，预定义的静态用户偏好的配置文件和规则并不准确，用户自己也无法准确地确定他或她对于事件偏好的概率。
1.1用户偏好和上下文
用户喜好分析是提高缓存预取策略准确性的主要方式之一。当精度提高，整体适应性会随着资源成本的降低而改善。但是，现有的方案中多没有考虑用户偏好的动态性。大多数普通用户通过手动来预先定义所有可能情况下的各种偏好，是不可能并且不方便的。系统在运行时，不仅要根据历史查询记录，还要根据用户的当前上下文，来计算用户的偏好。为了克服这一挑战，本发明提出的上下文感知缓存重新获取策略，实现系统运行时的动态情况下，通过上下文感知机制来预测用户偏好。
早期的研究者多通过枚举方式来定义上下文，后来,李蕊[7]给出了更通用的定义：“上下文是环境本身以及环境中各实体所明示或隐含的可用于描述其状态(含历史状态)的任何信息，其中，实体既可以是人，地点等物理实体，也可以是诸如软件，程序，网络连接等虚拟实体。在本发明中，使用李蕊的定义为系统中表示上下文的基础。
1.2移动服务的自适应工作流程
在最近几年，出现了一些工作来实现基于近程的MP2P社交网络。然而，目前分散的移动社交网络(MSNs)仍处于起步阶段。《情景感知的P2P移动社交网络构造及发现算法》[8]关注于如何通过情景感知，获得用户的行为特征，从而自动发现潜在的社会关系，该文提出了情景感知的移动P2P社交网络系统架构、聚合模型及发现算法，将用户的位置信息、环境特征、运动轨迹等引入到聚合算法中，智能地聚合成潜在的P2P社交网络，根据用户需求自主发现匹配的社会关系,避免了社交活动的盲目性和随意性。张朝旭.2013《移动社交网络中上下文感知推荐机制的研究与设计》[9]一文为了更准确和迅速地从海量的服务和应用中找到用户感兴趣的上下文,实现个性化服务推荐的目的，针对移动社交网络上下文感知推荐机制做了一定研究。
工作流管理系统(WFMS)帮助实现自适的进程，它可以大大降低上下文混杂和上下文广告情况下用户的干扰。在MP2P领域的研究人员通常将工作流管理系统应用于专门需要流程控制的用途情况下，如销售控制流程、现场作业、救援行动或灾难事件。其中所涉及的移动节点是可管理的，并为了同一个目标而协作。在这些方案中的工作流程适应计划都集中在失败恢复或资源分配上。这是可以理解的，因为MP2P系统(特别是：移动ad hoc网络——MANET)是用来处理特殊用途的情况，而不是像MSNP中所提供的商业通用环境的情况。提出的MP2P上下文编排工作流系统的一些工作已经完成。(高磊,曾广周,2010)《SAN-EBON:一种基于结构化对等网的P2P工作流系统节点定位网络》[10]的作者们提出一种新的基于结构化P2P网络的工作流系统节点定位网络——SAN-EBON.该系统采用分层逐步求精的节点发现策略，外层在服务聚类的基础上首次在工作流系统中引入服务定位网络组织服务联合,构建一种新的多层结构化P2P网络SAN，快速实现服务；内层构建一种新的负载均衡网络EBON，使用基于随机图的增强算法实现服务联盟内部实时的去中心化负载均衡，与SAN结合，从而达到提高发现效率和精度、降低通信带宽的目的。然而，他们并没有解决本发明提出的问题。在本发明中，工作流适应性主要集中在如何选择最可行的办法来完成基于性能(例如，方法的时间跨度)和成本(带宽、电力、交易负载等)的上下文编排过程的任务。
2自适应策略
自适应策略是对预取方案进行优化来提高预取策略的效率。适应性与高速预取缓存方法相关性很大，尤其是在网络带宽、硬件资源(即，高速缓存大小、功耗)等移动计算环境中受限的资源。若预取机制的设计不合理，可能会导致资源成本过高。
在预取方案的不同方面进行适应性的改进。《基于用户访问路径》[3]提出了网页预取技术,用于降低用户的访问延迟，提高Web服务器的服务质量，提出一种基于用户访问路径分析的服务器端网页预取模型。模型通过对用户访问序列进行语义分析，提取路径中携带的信息需求,依此进行网页预取决策。朱鸿宇[4]提出一个自适应的数据预取与缓冲算法，该算法是通过使用人工智能中的技术来分析用户的查询习惯，从而实现动态的预取策略并对预取的数据进行缓冲，提升查询速度。预取精度的提高也是适应性提高的一个重要的方面。
2.1近程移动社交网络自适应适配框架
本发明实施例提出了近程移动社交网络的自适应适配框架。该框架的设计是基于企业服务总线(ESB)架构。ESB是一种软件架构，可以轻松地通过合并和装配服务来连接资源，实现面向服务的架构(SOA)。
图2展示了近程移动社交网络自适应适配框架的结构和主要组件。该架构由四个部分组成：一、近程移动P2P网络。二、通用互联网。三、私有云。四、云服务主机。
一、近程移动P2P网络。它代表同一个网络中其他的MSNP终端，一般有MWS(模块化网络服务)提供者和静态服务提供者。根据开发者的偏好，一个AMSNP主机可以支持多种网络通信协议，如蓝牙、XMPP、UPnP、Bonjour等协议。
二、通用互联网。即一般互联网，提供OSN(对象名解析)服务和云存储。基本上，由MSNP终端生成的上下文是被更新到自己的SNS(例如，Facebook、微博)或它们的云存储上。在我们的设计中，云存储服务在MSNP起到了重要的作用。如前面提到的，为了解决移动P2P网络的动态IP问题，每个MSNP终端将其当前的IP地址同步更新到它的云存储上，方便提供位置服务(LBS)。
三、私有云。MSNP终端可以利用若干后端云公用服务来分配任务，以减少设备的资源使用，同时能够提高整体性能，通常为语义推论和同步数据服务。例如，语义服务发现过程需要MSNP终端来处理一些语义元数据和联系。这样的任务可被分配给它的云公用事业服务。此外，一个MSNP终端也可以将部分数据以可能是缓存服务描述元数据文件的形式同步到其私有云。
四、云服务主机。嵌入式近程移动社交网络自适应适配框架的MSNP终端。每个云服务主机基于ESB架构建立。近程移动社交网络自适应适配框架的各部分是一种服务，并且在运行时可以发起/终止，可视为模块或组件。函数可以通过本地服务在近程移动社交网络自适应适配框架主机内进行，也可以由外部服务来执行，例如一个依赖于相应的工作流图的私有云服务(组件)。系统由WS-BPEL工作流引擎控制。当用户端的应用程序向近程移动社交网络自适应适配框架提交请求，该请求将被请求处理组件处理，并且会选择一个相应的工作流模式。该选定的工作流程的模式将被传递到工作流引擎中，通过消息路由控制方式执行，具体实施时可采用规范化消息路由控制组件。每个任务工作流由任务代理管理。任务代理在分析成本绩效后将决定如何执行任务。
云服务主机还包括以下重要组件：
(1)资源状态管理
服务负责持续监控资源的使用，如CPU使用率，网络带宽的使用，公用云服务的使用等等。这些资源的使用是高度密集的，并且是下一节中影响适应计划决策的主要元素。
(2)服务池
负责管理内部服务、私有云服务和通过外部MSNP终端提供服务的信息。包含外部MSNP终端的服务描述的集合，每个内部服务和每个可访问私有云公用服务的服务描述。
(3)预取模块
包括四个用于使预取机制实现的主要部件。如下：
①记录器子模块——每次设备用户从用户的应用程序向云服务主机发送一个请求查询时，记录器将记录请求的详细信息和一组当前上下文。
②提取子模块——它管理预取的数据项。每个数据项被存储在该装置存储一个预定的本地目录中，相应的信息可以从该提取程序中来检索。
③预测子模块——使用预测技术，在当前上下文信息基础上预测移动用户的查询。
④上下文管理器子模块——连续地单独操作以从上下文提供者检索最新原始上下文数据，并向混合上下文在预定义的匹配规则的基础上解释收集的原始上下文数据。例如，规则可以定义一个复合上下文：噪音水平较高，即当环境背景原始数据的值是30到50之间。上下文提供者可以是外部传感器装置，或者它可以是在同一移动装置内的嵌入式应用程序。举例如下：指南针的应用、地图应用程序(如百度地图、谷歌地图、智能手机)声音的检测程序等等。
(4)功能部件
功能部件是混合的实用程序组件，如语义元数据配对组件，计算组件(用于在下一节CPI值的计算)，消息解析等。
(5)信任/QoS和隐私/安全
信任/QoS和隐私/安全是改善服务和安全性要求质量的所需的额外组件。它们不是本例的研究范围，具体实施时本领域技术人员可以自行设置实现。
具体实施时，以上部件都可采用模块化方式在云服务主机中实现。本发明实施例提供一种基于ESB架构的资源感知自适应适配系统，所述ESB为企业服务总线，包括近程移动P2P网络、通用互联网和私有云，其特征在于：设置云服务主机，所述云服务主机设置以下模块，请求处理模块，用于在用户端提交请求时，处理请求，选择一个相应的工作流模式，并将选定的工作流模式传递到工作流引擎模块；
工作流引擎模块，用于通过消息路由控制，按照选定的工作流模式执行任务工作流；
预取模块，用于根据预测进行预取，包括以下子模块，
记录器子模块，用于每次用户端发送一个请求查询时，记录请求的详细信息和一组当前上下文；
提取子模块，用于管理预取的数据项并支持检索；
预测子模块，用于在当前上下文信息基础上预测移动用户的查询；
上下文管理器子模块，用于从上下文提供者检索最新原始上下文数据，并在预定义的匹配规则的基础上解释收集的原始上下文数据。
进一步地，云服务主机还包括以下模块，
资源状态管理模块，用于持续监控资源的使用；
服务池模块，用于负责管理内部服务、私有云服务和通过外部MSNP终端提供服务的信息。
3算法部分
3.1用户偏好和上下文
用户喜好分析是提高缓存预取策略准确性的主要方面之一。精度提高，整体适应性也随资源成本的降低而改善。我们提出的上下文感知缓存重新获取策略旨在通过上下文感知机制在运行时动态预测用户偏好。
早期的研究者多通过枚举方式来定义上下文，后来,李蕊[7]给出了更通用的定义：“上下文是环境本身以及环境中各实体所明示或隐含的可用于描述其状态(含历史状态)的任何信息，其中，实体既可以是人，地点等物理实体，也可以是诸如软件，程序，网络连接等虚拟实体。在本文中，我们使用李蕊的定义为我们的系统中表示上下文的基础。
3.1.1上下文感知预测方案
确保系统中预取成功的主要技术是上下文感知的预测方案。上下文感知预测方案将用户的当前上下文作为基础，然后将当前上下文与历史记录进行比较，以计算用户的哪个请求查询具有最高概率。系统记录的每个查询具有其相关联的语义服务类型。通过预测最高概率的查询，该系统能够识别在当前的上下文下用户感兴趣的语义服务类型。
为了让用户有足够的预测模型的自主决策的控制基础，用户可以手动定义语境过滤规则。包括一个上下文过滤规则的查询类型和一系列应在计算中忽略的上下文。例如：一个用户搜索当前区域的推荐食品。对于这个搜索查询，关联的天气情况和温度方面都很重要，如果食品卖家类型是一个小型商铺，室内可能没有座位，客户需要在外面排队。另一方面，如果查询指定了搜索标准已被设置为“餐厅”+“室内”，类似的搜索范围就不会受到天气和温度影响。
通常，依赖于用户历史记录的预测方案具有一定的局限性，当没有足够的记录时，它的预测的精度会很低。一种解决方案是应用社会环境。社会环境表示可以影响用户决定的因素。例如，移动用户U的一个朋友F可能有与U类似的兴趣，F可能到U目前所在的同一个地方。因为F和U是相似的，他们可能更愿意与在该位置与相同类型的服务进行交互。
3.1.2预取模块的上下文感知预测算法
上下文感知预测方案将用户的当前上下文作为基础，然后将当前上下文与历史记录进行比较，找出概率最高的用户请求查询。
步骤1，设置一个解释上下文的基本输入参数。设B为原始上下文数据集，B＝{bi：1≤i≤NB}。bi是从上下文提供者提取的一组数据，如全球定位系统(GPS)、北斗应用、图像传感器、视频传感器、语音传感器等等的检索数据。其中bi表示第i组原始上下文数据，NB表示集合B中原始上下文数据的组数。
步骤2，进行一组基于规则的上下文解释过程的输出。设C为当前的相关上下文集，其中C＝{cj：1≤j≤NC}。每个cj∈C包括ID、类型、值，以及由定义1得到的一组原始上下文数据解释集合，可记为cj表示输出的第j组上下文信息集合，NC表示集合C中的上下文信息集合组数。
解释规则包括上下文类型包括最小值和最大值在内的原始上下文数据值范围，和表示从该定义解释值的输出。
例如，一个解释规则描述最小输入值＝“x12y14”，最大输入＝“x37y22”，类型＝“位置”，输出＝“会议室”，表示当一个检索位置上下文：x15y17是最小输入值和最大输入值范围内的值时，系统会把位置“会议室”作为一个当前上下文。
步骤3，设R为查询记录，其中R＝{rk：1≤k≤NR}。先前查询集R代表设备用户与相应的上下文相关联的先前查询。rk为第k组查询记录，NR表示集合R中查询记录的组数。
rk为查询记录，它包括一个查询以及用户提交查询时产生的上下文信息的集合。
表示由用户提交的请求查询，该查询用于调用用户设备上的一个内部嵌入式Web服务或网络内其它移动设备终端提供的外部Web服务。包括ID、参数和相应的语义Web服务操作类型。
步骤4，设Q为原始候选查询集，Q＝{ql：1≤l≤NQ}。ql为第l个原始候选查询，NQ是集合Q中的原始候选查询个数。
Q是R(查询记录)中一组无重复查询集合，设相应表达式如下：
其中，|R|为集合R(查询记录)的线性运算所得R中不重复元素的个数。
当预测组件接收一组上下文，可以根据当前上下文和每个查询记录的上下文之间的比较结果，预测用户的查询。用户还可以通过设置一系列上下文和文件中相应的查询来手动地定义优先的查询，该查询将在开始时进行加载。如果用户的定义存在，它将被用作为优先的选择。否则，系统将自动执行预测。
例如：假设是一组原始上下文，令根据步骤2得其中，表示输出的第j组上下文信息集合，是集合中的上下文信息集合组数的数目。通过应用贝叶斯定理，ql∈Q和相关上下文的概率可以由式(2)计算：
其中是当ql被限定时的概率，它是由式(3)计算所得：
P(ql)是R中ql发生的概率，其中 是随机选择查询的概率，包括作为其中一个属性，它由式(4)计算得到：
其中是当被要求时的概率，是R中发生的概率。
通过考虑所有相关方面，ql的概率(记为将被细化为(5)：
即在P(ql|C,R)中，将带入到值C中，可得概率式(5)的计算基于同等考虑所有相关上下文的重要性。然而，每个上下文的重要性必须由不同的用户来区分。因此，本发明实施例在本方案中应用上下文的权重。
步骤5，设G为上下文权重性规则集，它是一个规则有限组，其中G＝{gm：1≤m≤NG}。每个规则gm包括相应的上下文和相应查询 为规则gm的权重值。NG为集合G中规则的个数。
是上下文权重规则(G)中的用户定义值，用来区分查询上下文类型的权重。通过默认设置，所有查询的每个上下文类型具有同等的权重(设置为0)。例如，用户可能认为位置上下文搜索比列车到达的时间查询更重要。因此，用户可以增加查询中位置上下文的权重(例如，将其设置为一个大于零的数)，以提高预测精度。这样的设置也可以全局性应用。例如，用户可能更喜欢位置上下文始终是首要考虑的问题。因此，无论何时执行预测，位置上下文将总是被分配一个比其它上下文更高的权重。
通过应用上下文的权重，最终的计算公式为(6)。
其中是一组(NG个)权重值的和，是一个定义的规则，其中
在预测算法中如果用户定义规则，查询ql的当前上下文将被重新定义，以反映上下文是否影响ql。例如，当前的上下文包括 和如果用户已经定义对查询类型qy没有影响，当预测算法计算时，将被重新定义为排除3.2请求处理模块基于CPI模型的自适选择
请求处理器接收的每个请求，必须通过触发相应的业务处理工作流模式进行处理。在一个基本的工作流模式文件(例如WS-BPEL)中，用于处理每个任务/活动的端点(单个服务或复合服务)已经预先定义了。考虑移动P2P环境的动态特性，预定义的端点可能不是适合该任务的最佳选择。分配任务给外部服务(如部署在GAE服务)未必是最好的方法，某些情况下，在本地主机执行任务是更有效的。我们应用动态自适应技术，来确定在运行时每个工作流任务的最佳方法。
本发明实施例提出一个适应方案，基于方法的延迟(时间跨度)和成本，它可以决定每个工作流任务在运行时应该选择哪种方法。为了阐明此方案中使用的术语，本发明实施例首先提供以下定义：
步骤1，使用算法集-A
A＝{ah：1≤h≤NA}。每个算法ah∈A包括一个性能值(P)，以及一组的成本要素(E)。其中，设算法ah的一组的成本要素记为集合 其中，NA为集合A内算法的个数，ed为集合内第d个成本要素，为集合内成本要素的个数。
任务的方法是在流程被启动后，在运行时候是被选择的，决策基于成本和性能。
步骤2，设置任务工作流模式-TS
任务工作流模式定义目标和一组串行或并行的抽象任务—集合T，其中，T＝{tp：1≤p≤NT}。每个抽象任务tp∈T能够通过众多预先定义的方法完成，设tp相应的使用算法集记为其中，tp为集合T内第p个抽象任务，NT为集合T内抽象任务的个数。
例如，一组服务记为集合S，S＝{so：1≤o≤NS}已经发现可以提供所请求的上下文。其中，o为服务S的序号，so为集合S内第o个服务，NS为集合S内服务的个数。调用每个服务so∈S检索上下文的任务，既可以通过方法a1执行：使用本地主机组件检索所有上下文，也可以通过方法a2：进程分配给一个云服务而进行，然后将结果同步到用户的移动装置。
图3显示出一个有两个任务T＝{T1，T2}的样本工作流。对于任务T1，有三个选择方法，对于任务T2，有两种选择方法。每一种方法会消耗不同的时间跨度TS：对于任务T1，方法a1消耗的TS＝0.4s，方法a2消耗的TS＝0.7s，方法a3消耗的TS＝1.2s；对于任务T2，方法a1消耗的TS＝0.4s，方法a2消耗的TS＝0.8s。为了有效地实现目标，需要识别出最短路径来达到目标。初始最短路径path可以通过式(7)而获得。
其中表示任务tp的方法ah的时间跨度。
但是，当考虑成本时，最短的时间跨度可能并不意味着方法的选择是最有效的。因此，本发明实施例提出了成本绩效指数(CPI)计划，以使本发明实施例的工作流系统进行分析，并选择在运行时最有效的方法。该方案结合了模糊集和上下文权重。选择模糊集的原因是因为明确目的是比较方法之间效率明显优于使用静态值的性能和成本。
例如：设是任务tp的选择方法(集合)的一组时间跨度值，其中运算|.|确保两组集合的元素个数对等，其中dh代表ah的时间跨度，令L为中最长的时间跨度，其中每一种方法ah的性能值由(8)计算：
例如：是的模糊集， 为方法ah相应模糊化处理之后的数据。本发明实施例需要排列值的归一化模糊数。因此，这种方法的排列值的模糊数将是：
其中，是ah从式(8)得出的性能值，是ah性能值的归一化模糊数，其中
在这个阶段中，根据本发明实施例以前的工作，本发明实施例假设有一个可以测量每种方法在运行时的时间跨度的机制。
步骤3，成本要素集-E
E是有限集，其中E＝{ez：1≤z≤NE}。设任务tp的ah包含一个E集，由表示，并且成本要素ez的值由表示，NE为成本要素集E内的成本要素上限。
成本要素集在不同相关的方法之间是有可比性的。如果任务的方法a1包含“功耗成本”的值，则任务的方法a2必须还包含这样的值。基于这样的理念，不同的方法之间的整体CPI可以比较。
根据权重可以计算出出成本要素值。由于本发明实施例比较不同方法之间的成本要素，某成本要素值的标准化值可以由(10)来计算。
ah的总成本的平均值(记为)可通过式(11)来计算。
通过应用基本CPI模型，方法ah的性价比值δ记为将是：
然而，ez权重的重要性针对不同用户是不同的。例如，当设备的功耗寿命是50％，用户可能会认为保持他/她的移动设备功耗续航时间比为计算需要花费金钱使用云服务更重要。在这种情况下，功耗的寿命成本要素的权重会比云服务的带宽成本的权重更高。因此，ez的归一化值需要被细化为其中表示ez的权重，而成本将被细化为如下：
其中，为成本细化之后的理论值，·表示乘以。
最后，ah的性价比值被细分为：
上述实施例为本专利的优选实施方式，并非用来限制本发明的实施范围，凡未背离本发明的原理所作的任何改进、润饰和组合等，均属于本发明权利要求的保护范围之内。
Claims (4)
1.一种基于ESB架构的资源感知自适应适配系统，所述ESB为企业服务总线，包括近程移动P2P网络、通用互联网和私有云，其特征在于：设置云服务主机，所述云服务主机设置以下模块，
请求处理模块，用于在用户端提交请求时，处理请求，选择一个相应的工作流模式，并将选定的工作流模式传递到工作流引擎模块；
工作流引擎模块，用于通过消息路由控制，按照选定的工作流模式执行任务工作流；
预取模块，用于根据预测进行预取，包括以下子模块，
记录器子模块，用于每次用户端发送一个请求查询时，记录请求的详细信息和一组当前上下文；
提取子模块，用于管理预取的数据项并支持检索；
预测子模块，用于在当前上下文信息基础上预测移动用户的查询；
上下文管理器子模块，用于从上下文提供者检索最新原始上下文数据，并在预定义的匹配规则的基础上解释收集的原始上下文数据；
预取模块根据预测进行预取的实现方式为，当预测组件接收一组上下文，根据当前上下文和每个查询记录的上下文之间的比较结果，预测用户的查询如下，
设是一组原始上下文，其中，表示输出的第j组上下文信息集合，是集合中的上下文信息集合组数的数目；设Q为原始候选查询集，Q＝{ql：1≤l≤NQ}，ql为第l个原始候选查询，NQ是集合Q中的原始候选查询个数；
通过应用贝叶斯定理，针对ql∈Q和相关上下文的概率计算如下，
其中，是当ql被限定时的概率，P(ql)是先前查询记录中ql发生的概率，是随机选择查询的概率，
设G为上下文权重性规则集，其中每个规则gm包括相应的上下文和相应查询 为规则gm的权重值，得到ql的概率如下，
其中，是各权重值的和，是一个定义的规则，其中
2.根据权利要求1所述基于ESB架构的资源感知自适应适配系统，其特征在于：云服务主机还包括以下模块，
资源状态管理模块，用于持续监控资源的使用；
服务池模块，用于负责管理内部服务、私有云服务和通过外部MSNP终端提供服务的信息。
3.根据权利要求1或2所述基于ESB架构的资源感知自适应适配系统，其特征在于：请求处理模块选择相应的工作流模式实现方式如下，
设任一任务的工作流模式包括一组串行或并行的抽象任务所构成集合T，集合T中每个抽象任务tp相应的算法构成的算法集其中任一算法ah的性价比值被细分如下，
其中，为成本细化之后的理论值，
其中，为算法ah的性能值。
4.根据权利要求3所述基于ESB架构的资源感知自适应适配系统，其特征在于：成本细化之后的理论值求取如下，
设抽象任务tp的算法ah包含一个成本要素集其中某成本要素ez的值由表示，相应标准化值为
其中，表示成本要素ez的权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510547358.0A CN105243080B (zh) | 2015-08-31 | 2015-08-31 | 基于esb架构的资源感知自适应适配系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510547358.0A CN105243080B (zh) | 2015-08-31 | 2015-08-31 | 基于esb架构的资源感知自适应适配系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105243080A CN105243080A (zh) | 2016-01-13 |
| CN105243080B true CN105243080B (zh) | 2018-10-26 |
Family
ID=55040729
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510547358.0A Active CN105243080B (zh) | 2015-08-31 | 2015-08-31 | 基于esb架构的资源感知自适应适配系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105243080B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3403148A1 (de) * | 2016-03-24 | 2018-11-21 | Siemens Aktiengesellschaft | Verfahren zur steuerung, steuersystem und anlage |
| CN108415770B (zh) * | 2018-01-18 | 2021-07-20 | 陕西师范大学 | 一种面向移动Web服务的CPU资源自适应调度系统及方法 |
| CN110177356B (zh) * | 2019-05-31 | 2021-11-05 | 长安大学 | 一种基于信任模型的车载命名数据网络转发方法 |
| CN111027921B (zh) * | 2019-11-19 | 2023-09-05 | 山东中创软件商用中间件股份有限公司 | 一种业务处理方法、装置及电子设备和存储介质 |
| CN111967766B (zh) * | 2020-08-18 | 2023-10-24 | 中新软件（上海）有限公司 | 一种基于绩效指标的串行任务分派方法及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1489740A (zh) * | 2001-02-07 | 2004-04-14 | �Ҵ���˾ | 基于上下文的信息检索 |
| CN101001189A (zh) * | 2006-06-30 | 2007-07-18 | 华为技术有限公司 | 一种减轻企业服务总线负荷的系统和方法 |
| US7912902B2 (en) * | 2003-02-13 | 2011-03-22 | Telcordia Licensing Company, Llc | Application service peering and aggregation |
| CN104469430A (zh) * | 2014-12-24 | 2015-03-25 | 武汉泰迪智慧科技有限公司 | 基于上下文和群组组合的视频推荐方法及系统 |
-
2015
- 2015-08-31 CN CN201510547358.0A patent/CN105243080B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1489740A (zh) * | 2001-02-07 | 2004-04-14 | �Ҵ���˾ | 基于上下文的信息检索 |
| US7912902B2 (en) * | 2003-02-13 | 2011-03-22 | Telcordia Licensing Company, Llc | Application service peering and aggregation |
| CN101001189A (zh) * | 2006-06-30 | 2007-07-18 | 华为技术有限公司 | 一种减轻企业服务总线负荷的系统和方法 |
| CN104469430A (zh) * | 2014-12-24 | 2015-03-25 | 武汉泰迪智慧科技有限公司 | 基于上下文和群组组合的视频推荐方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 《ESB原理_构架_实现及应用》;曾文英 等;《计算机工程与应用》;20081231;第44卷(第25期);第225-229页 * |
| 《上下文相关的查询推荐算法研究》;胡航博;《中国优秀硕士论文全文数据库 信息科技辑》;20110215;论文第3、4章 * |
| 《融入用户行为上下文的个性化推荐模型》;潘拓宇;《中国优秀硕士论文全文数据库 信息科技辑》;20110515;论文第3、4章 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105243080A (zh) | 2016-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gochhayat et al. | LISA: Lightweight context-aware IoT service architecture | |
| CN105243080B (zh) | 基于esb架构的资源感知自适应适配系统 | |
| CN105637926B (zh) | 将应用流量分载至共享通信信道进行无线网络中的信令优化用于使用专有和非专有协议的流量 | |
| US9008693B2 (en) | Method and apparatus for information aggregation around locations | |
| US20120150960A1 (en) | Social Networking | |
| US20120124136A1 (en) | Context information sharing apparatus and method for providing intelligent service by sharing context information between one or more terminals | |
| Jin et al. | IoT service selection based on physical service model and absolute dominance relationship | |
| Mirmohseni et al. | Using Markov learning utilization model for resource allocation in cloud of thing network | |
| Kertiou et al. | A dynamic skyline technique for a context-aware selection of the best sensors in an IoT architecture | |
| US10846777B2 (en) | System for providing a personalized concierge service | |
| Hatcher et al. | Towards efficient and intelligent internet of things search engine | |
| Lee et al. | IoT service classification and clustering for integration of IoT service platforms | |
| Roussaki et al. | Context-awareness in wireless and mobile computing revisited to embrace social networking | |
| Soldatos et al. | Design principles for utility-driven services and cloud-based computing modelling for the Internet of Things | |
| Sun et al. | A trust-aware task allocation method using deep q-learning for uncertain mobile crowdsourcing | |
| Shah | Recent advances in mobile grid and cloud computing | |
| Liyanage et al. | Adaptive mobile web server framework for mist computing in the internet of things | |
| Sakhdari et al. | Edge computing: A systematic mapping study | |
| Shafik et al. | Recommendation system comparative analysis: internet of things aided networks | |
| Luo | Financial data security management method and edge computing platform based on intelligent edge computing and big data | |
| Liu et al. | Service chain caching and workload scheduling in mobile edge computing | |
| CN110990706B (zh) | 语料推荐方法及装置 | |
| Mansouri et al. | Dynamic semantic‐based green bio‐inspired approach for optimizing energy and cloud services qualities | |
| Manqele et al. | A survey for service selection approaches in dynamic environments | |
| Tabrizi et al. | A New Decision-Making Method for Service Discovery and Selection in the Internet of Things Using Flower Pollination Algorithm |
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 |