CN106921513A - 一种移动普适计算环境中基于情境信息的服务准备方法 - Google Patents

Abstract

本发明涉及一种移动普适计算环境中基于情境信息的服务准备方法，用于向移动用户提供满意的信息服务，该方法包括以下步骤：1)采集至少一种情境信息，采用统一的六元组情境信息模型表示所述的情境信息；2)将采集的情境信息进行分类；3)搜集移动用户当前可访问的服务，对每个服务分别建立层状服务满意度模型，所述的层状服务满意度模型中的各节点映射与该服务相应的情境信息；4)根据各服务的层状服务满意度模型和采集的情境信息计算出相应服务的服务满意度值，并选择向用户提供的服务集合。与现有技术相比，本发明能够根据动态变化的情境信息自适应对服务进行满意度评估和选择，提供令用户满意的信息服务。

Description

一种移动普适计算环境中基于情境信息的服务准备方法

技术领域

本发明涉及一种移动普适计算环境中的服务准备方法，尤其是涉及一种移动普适计算环境中基于情境信息的服务准备方法。

背景技术

近年来，无线网络和微电子技术的快速发展使得移动设备，尤其是智能手机和PAD的性价比得到不断提高，移动设备因此得以大量普及。同时，伴随着移动开发技术的成熟和移动服务分发市场的健全，移动服务也开始出现，从原有的语音、短信/彩信和简单游戏，快速扩展到电子支付、社交网络和健康管理等日常生活和学习工作的各个方面的服务，这些移动服务的出现已经深刻地改变了人们的生活方式。一个以移动设备、传感器和无线网络为基础的移动普适计算及其应用景象越发清晰的呈现在人们面前。与此同时，电信和网络运营商、软件开发商也在顺应着这种计算模式的巨大转变趋势，积极地尝试和拓展新的业务和商业盈利模式。但由于缺乏有效的普适计算服务准备(Service Provisioning)方法，要真正实现普适计算服务场景，能够随时随地的为用户提供满意的服务，还是一个很困难的任务。近年来，研究者们围绕着服务描述、服务质量(QoS)模型和服务选择等方面展开工作，并取得了一些成果。但这些研究工作多是基于web services的QoS模型和静态服务质量评估标准，并要求用户预先安装服务代理软件，因此这些方法都不太适用于移动多变、资源受限的普适计算环境，严重制约了普适计算环境中服务准备的研究和应用。另外普适计算与以往的计算模式显著不同之处在于用户成为整个计算环境真正的核心，普适计算的目标是将计算系统融入人们的日常生活中，以隐形的或更加自然的方式为人们提供服务，这就要求一种新型的、适合普适计算环境的服务准备方法，能够根据动态变化的情境信息(Context)自适应对服务进行评估和选择，为用户提供既满足其需求和个人偏好，又与便携式设备能力相匹配的信息服务。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种移动普适计算环境中基于情境信息的服务准备方法。

本发明的目的可以通过以下技术方案来实现：

一种移动普适计算环境中基于情境信息的服务准备方法，用于向移动用户提供满意的信息服务，该方法包括以下步骤：

1)采集至少一种情境信息，并采用统一的六元组情境信息模型表示所述的情境信息；

2)将采集的情境信息进行分类，分为布尔型情境信息和模糊型情境信息；

3)搜集移动用户当前可访问的服务，解析其服务描述文件，对每个服务分别建立适合普适计算环境的层状服务满意度模型，所述的层状服务满意度模型中的各节点映射与该服务相应的情境信息；

4)根据各服务的层状服务满意度模型和采集的情境信息，对布尔型情境信息采用一阶谓词逻辑推理方法，对模糊型情境信息采用模糊逻辑方法计算出相应服务的服务满意度值，并选择向用户提供的服务集合。

步骤1)中的六元组情境信息模型具体表示为：Context(Category,Subject,Relater,Value,Metric,Time)；

其中，Category为普适计算环境中与情境信息相关联的实体的类型名称；Subject为情境信息描述的与某一特定Category相关的主体名称；Relater用于描述Subject和Value之间的关系；Value描述与情境信息主体状态相关的值，Metric用于对情境信息主体值的不同度量标准进行标记；Time表示情境信息生成的时刻，或情境信息主体保持某一特定状态值的时间段，或是情境谓词保持为真的时间段。

步骤3)中所述的服务描述文件包括加载和执行该服务的资源需求和提供该服务的约束条件。

所述的步骤4)具体包括以下子步骤：

201)根据各服务的层状满意度模型，建立服务评估函数并计算相应服务的服务满意度值，所述的服务评估函数为：

ψ(s_i)＝H(s_i)·E(s_i),i∈[1,m]，

其中，s_i为第i个服务，H(s_i)为第i个服务中的布尔型情境信息的服务满意度评价函数，E(s_i)为第i个服务中的模糊型情境信息的服务满意度评价函数，m为用 户当前可访问的服务的总个数；

202)判断ψ(s_i)是否大于设定的服务满意度阀值λ，若是则将服务s_i列入向用户提供的服务集合，否则舍弃该服务，其中λ∈[0,1]。

所述的步骤201)中若(S)，则ψ(s_i)＝0，直接舍弃该服务；若s_i∈L(S)，则ψ(s_i)＝E(s_i)，其中L(S)＝{s_i|H(s_i)＝1∧s_i∈S}。

所述的步骤201)中H(s_i)具体为：

其中S为用户当前可访问的服务的集合，C是与服务s_i相关的布尔型情境信息的集合，c_k为集合C中的第k个布尔型情境信息，h_k为一阶谓词逻辑推理函数。

所述的步骤201)中计算模糊型情境信息的服务满意度评价函数E(s_i)前还需要对模糊型情境信息进行量化处理，具体为：若模糊型情境信息具有连续性，则通过线性曲线模型进行量化，若模糊型情境信息具有离散特性，则通过非线性饱和曲线模型来进行量化。

所述的E(s_i)通过层次化模糊评估算法获取。

所述的线性曲线模型为：

或

其中，qv为需要量化的模糊型情境信息的实际值，qv_max为需要量化的模糊型情境信息的最大值，而qv_min为需要量化的模糊型情境信息的最小值，qv'为需要量化的模糊型情境信息的量化值。

所述的非线性饱和曲线模型为：

或，

其中，qv为需要量化的模糊型情境信息的实际值，qv_max为需要量化的模糊型情境信息的最大值，而qv_min为需要量化的模糊型情境信息的最小值，qv'为需要量化的模糊型情境信息的量化值。

在上述服务准备结束后，将选择的向用户提供的服务集合中的服务以按服务满意度值降序的服务列表的形式定时向移动用户进行推送，并通过消息或用户界面提醒用户新服务列表和服务更新情况。移动用户可以自主选择或是通过设定自动运行服务满意度值较高的服务。

与现有技术相比，本发明具有如下优点：

(1)该发明引入服务层状服务满意度模型，并将模型中各层映射到相应的情境信息，当情境信息发生变化时，能实时计算更新服务满意度值，从而为用户提供满意的服务；

(2)该方法适合移动多变、资源受限的普适计算环境。

附图说明

图1为本发明的服务准备方法流程图；

图2为具有情境感知的服务准备模型的结构示意图；

图3为加入请求信息(JRI)的编码格式；

图4为加入声明信息(JDI)的编码格式；

图5为服务列表(service list)的编码格式；

图6为层次化模糊评估树的结构示意图；

图7为具有情境感知的服务准备模型中各部件交互过程结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示为一种移动普适计算环境中基于情境信息的服务准备方法，所述的服务准备特指“服务系统通过感知情境信息，评估可获得信息服务以及向用户提供个性化的和令人满意的信息服务的过程”。为了便于说明，本发明中把每一对终端用户和他/她的便携式设备称为一个移动节点(Mobile Peer,缩写为MP)，当有多个移动节点在系统中时，将第i个移动节点记为MP_i。该服务准备方法通过搜集和分析处理包括用户的位置、喜好和计划行程，以及移动设备和当前可访问的服务的状态等情境信息，设计适合普适计算环境的服务满意度模型，引入服务满意度概念和度量指标，应用一阶逻辑和模糊逻辑对当前可用的服务进行层次化评估和选择，向用户准确、及时的进行服务推送，从而满足个性化服务的需求并提高服务满意度。具体的实现步骤如下：

执行步骤1：建立普适计算环境下服务评估和选择的度量标准。

在研究了传统的服务质量定义的基础上，结合普适计算的服务特性，本发明提出了一个针对普适计算应用、面向移动节点的概念—“服务满意度”(Degree of Service Satisfaction,缩写为DSS)，用于表明一个服务获得移动节点的满意程度。最重要的是，在本发明提出的的服务准备模型中，一个服务的DSS值被看作衡量该服务与环境密切相关的移动节点相匹配的程度，并作为进行服务选择的主要指标。具体来说：1)一个服务的DSS可以被量化和度量，一般用一个在0和1之间的实数表示DSS的值，同一服务对于不同的移动节点会有不同的DSS值，第i个服务对于第j个移动节点(MP_j)的DSS值被记为DSS_i,j，DSS_i,j越大说明第i服务获得MP_j满意度越高，也意味着第i服务越适合提供给MP_j；2)为了获得设计的灵活性和可扩展性，将DSS设计为一个层次结构，例如，一个DSS模型包含有服务的可用性、便携式设备的能力以及无线网络状态三个子因素，进一步，每一个子因素又包含各自的子因素：如便携式设备的能力包含电池的寿命、设备显示屏的尺寸和颜色深度三个子因素。

执行步骤2：采集至少一种情境信息，并采用统一的六元组情境信息模型表示所述的情境信息。

为了及时获得计算环境的情况，移动服务系统需要通过传感器定时搜集情境信息。移动设备中各种物理传感器(GPS、运动和光敏等传感器)是搜集原始情境信息的主要信息源，而一些软件组件作为虚拟传感器负责搜集用户行程、个人喜好和天气情况等情境信息。考虑到普适计算的应用系统具有异构特性，如各种不同品牌的便携式设备，使用多种计算机语言开发的而且运行在不同系统上的服务组件和服务器等。为了充分利用和共享情境信息，本发明建立了一个统一的、六元组情境信息模型：Context(Category,Subject,Relater,Value,Metric,Time)，其中Category代表普适计算中与情境信息相关联的实体的类型名称，它表示情境信息来源的不同，例如：普适计算中与用户(user)相关的、与服务(service)相关的以及与设备(device)相关的情境信息分属不同的Category；Subject表示情境信息所要描述的与某一特定Category相关的主体名称，例如：对于user类型的情境来说，情境信息的主体可能是用户的姓名、身份证和位置等；而对于service类型的情境信息来说，主体则可能包括服务的运行时的内存需求、电量消耗以及服务的延迟时间等；Relater描述了Subject和Value之间的关系，它可能是一个关系运算符(例如，>,>＝,<和<＝等)，一个动词或是一个前置词；Value是用来描述与情境信息主体状态相关的一个值， 它可能是一个字符串、单个数值或多个数值，例如：应用系统可以用一个字符串来表示用户的身份证的ID值，也可以用一个介于0和1之间的数值表示便携式设备上CPU的利用率，甚至可以是一组模糊数来表示的某个服务的用户满意程度等；Metric主要作用是对于情境信息主体值的不同度量标准进行标记，从而帮助应用系统应对普适计算中不同类型的情境信息，主要度量标准包括布尔型(Boolean)、模糊型(Fuzzy)和概率型(Probability)；Time可以表示情境信息生成的某一时刻，或情境信息主体保持某一特定状态值的时间段，亦或是情境谓词保持为真的时间段。

执行步骤3：对采集的情境信息进行分类和量化处理。

通过分析，情境信息可分为两种不同的类型，它们对服务评估和选择的影响呈现出不同特点，需要采用不同的处理方法以便计算服务的DSS值：1)布尔类型情境信息(Boolean Type Context，简称BTC)：BTC特指那些要么满足，要么不满足服务约束条件的情境信息，例如：假设一个打印服务只能为处于一定物理范围内的MP提供服务，那么对于打印服务来说，MP的物理位置就是一个BTC，在这种情况下，系统可以应用一阶谓词逻辑推理来计算服务的可用性。这个情况可以被形式化描述如下：DSS_BTC(print service)＝fopl(location of the MP,location specification of print service)→{0,1}，这里{0,1}中的0和1分别代表布尔常量的True和False，其中1表示的物理位置满足打印服务的描述文件中有关服务覆盖物理范围的要求，0则表示不满足。系统可以应用一阶谓词逻辑推理(来计算服务的可用性)函数fopl()来计算打印服务对于MP的DSS值，从而确定该服务对于处于当前物理位置的MP的可用性；2)模糊型情境信息(Fuzzy Type Context，缩写为FTC)：FTC体现出服务评估和选择的模糊特性，事实上，在人们的感官印象中，大多数的情境信息是模糊的，而不是清晰的，这些情况下，可以采用模糊逻辑方法来计算一个服务对于MP的DSS值，这个过程可以被形式化描述如下：DSS_FTC(service)＝fe(set of FTC,fuzzy predicates of the service)→α，这里α∈[0,1]，fe()是一个模糊评价函数，它会根据当前所有与服务相关的FTC进行综合模糊评价，而模糊谓词(Fuzzy Prediccate)则是参与模糊评价的FTC相关的隶属度函数。

由于不同情境信息可能有不同的特点和不同的取值范围，为了便于计算，需要对情境信息进行量化处理。本发明采取两种方法来进行量化：

(1)对于像网络带宽和传输延迟这样具有连续特性的情境信息，可以通过线性曲线模型来量化：

或

其中，qv为需要量化的模糊型情境信息的实际值表示源自信息解释器的FTC的值。qv_max表示是某个需要量化的情境信息的最大值，而qv_min表示FTC的最小值。qv'和qv之间的关系是线性增加或是减少取决于该FTC是属于成本型还是属于效益型。例如，网络传输延迟属于成本型FTC，而电池寿命属于效益型FTC。

(2)对于像色彩深度和屏幕尺寸等具有离散特性的FTC，可以采用非线性饱和曲线模型来进行量化：

或，

其中，qv表示一个有离散特性的FTC的值，如颜色深度的量化曲线。相似的，qv'和qv的增加或减少关系也是由FTC的类型来决定。

执行步骤4：搜集移动用户当前可访问的服务，解析其服务描述文件，对每个服务分别建立适合普适计算环境的层状服务满意度模型，所述的层状服务满意度模型中的各节点映射与该服务相应的情境信息。通过服务目录(Service Directory)和服务仓库(Service Respository)可以查询获取当前可访问服务的描述文件。服务描述文件主要包括加载和执行该服务的资源需求(如网络带宽、CPU的可利用率和可用内存等)以及提供该服务的约束条件(如服务消费者的物理位置和提供服务的时间等)，所有这些资源需求和提供服务的约束条件都与当前的计算情境信息密切相关。描述文件中的关系操作符(如“and”和“or”)可以用来说明基于BTC的复杂资源需求和约束条件描述，每一个btResource或btConstraint条目会被翻译成一条一阶谓词逻辑推理规则；而其中的ftResource或ftConstraint条目则可以用来生成一个模糊评估树：每个ftResource或ftConstraint条目会映射为DSS树根节点下的子节点，而每个BTC或FTC则会映射相应的叶子节点。此外，通过描述文件构建模糊评估树的同时也生成了一系列的模糊谓词，用来评估在多个级别上FTC。

执行步骤5：根据各服务的层状服务满意度模型和采集的情境信息，对布尔型情境信息采用一阶谓词逻辑推理方法，对模糊型情境信息采用模糊逻辑方法计算出相应服务的服务满意度值，并选择向用户提供的服务集合。

服务选择是根据服务的层状满意度模型、当前的情境信息以及服务运行的资源要求和交付约束条件等，来综合评估和选择出具有较高服务满意度值(DSS值)的服务集合。假设把移动用户当前可访问的服务和当前系统中的移动节点MP集合分 别表示为S和MPS：S＝{s₁,s₂,…,s_m},MPS＝{MP₁,MP₂,…,MP_n}，其中m和n分别是移动用户当前可访问的服务总数量和MP的数量。整个服务选择过程可以被形式化描述如下：

Γ(S)＝|ψ(s₁),ψ(s₂),…,ψ(s_m)|

这里，Γ(S)是最终被选出的服务集合，ψ(s_i)是一个根据层状服务满意度模型、针对FTC和BTC相关的质量指标进行评估的函数，可以把ψ(s_i)细化表述为如下形式：

ψ(s_i)＝H(s_i)·E(s_i),i∈[1,m] (1)

其中，s_i为第i个服务，H(s_i)为第i个服务中的布尔型情境信息的服务满意度评价函数，E(s_i)为第i个服务中的模糊型情境信息的服务满意度评价函数。这里E(s_i)通过层次化模糊评估算法获取；H(s_i)也可以进一步细化表示为：

其中S为用户当前可访问的服务的集合，C是与服务s_i相关的布尔型情境信息的集合，c_k为集合C中的第k个布尔型情境信息，h_k为一阶谓词逻辑推理函数。

通过式(1)计算出ψ(s_i)后判断ψ(s_i)是否大于设定的服务满意度阀值λ，若是则将服务s_i列入向用户提供的服务集合，否则舍弃该服务，其中λ∈[0,1]。

在计算ψ(s_i)过程中。可适用一个策略来来进行优化计算过程，从而优化计算Γ(S)的过程：

首先记：

L(S)＝{s_i|H(s_i)＝1∧s_i∈S} (3)

根据公式(1)和(3)，如果(S),可以得出ψ(s_i)＝0，则可不计算E(s_i)，直接舍弃该服务；若s_i∈L(S)，则ψ(s_i)＝E(s_i)，这样，Γ(S)的整个计算过程可以被重写为：

Γ(S)＝{s_i∈L(S)|E(s_i)≥λandλ∈[0,1]} (4)

一般来说，阀值λ要根据应用经验来设置。在初始化阶段，系统需要采用两个步骤为每个移动节点计算Γ(S)。而在运行阶段，如果所有新收到信息都是FTC，系统仅需进行模糊评估计算；否则系统就需要重新计算L(S)，然后计算Γ(S)。

最后，在完成上述服务准备后，将服务列表(service list)推送至移动用户以供 用户进行选择。

对于每一移动节点，计算出的服务集合Γ(S)定时以按服务满意度值降序的服务列表的形式，其中包括服务名称、服务满意度值、服务位置和访问格式等信息，由后端通过网络发送给移动用户，并通过消息或用户界面提醒用户新服务列表和服务更新情况。用户可以自主选择或是通过设定自动运行服务满意度值较高的服务。

根据上述服务准备方法构建了一个具有情境感知的服务准备模型(Context-Aware Service Provisioning Model,缩写为CASPM)，具体结构如图2所示，以该模型作为案例的基础来说明整个服务准备过程。CASPM共有三层结构，包括移动客户端层(MPC Layer,缩写为MPCL)，服务管理层(Service Management Layer,缩写为SML)，服务提供者层(Service Provider Layer，缩写为SPL)。

a)移动客户端层(MPCL)

移动客户端层包括许多移动节点，它们在系统中是信息服务的消费者，事实上，每一个移动节点MP与一个被称为移动节点客户端(MP Client，缩写为MPC)的软件组件相关联。MPC通常运行并驻留在用户的便携式设备上，根据用户的请求，MPC一般扮演信息服务请求的发起者、服务准备结果的接收者，有时通过用户界面(User Interface)承担某个特定信息服务的调用者。在初始化阶段，每一个MPC会首先向本地的信息服务系统发出加入请求信息(Joining Request Information，JRI)，其编码格式如图3所示：其中Inf-Tag＝1，Opt-Type＝0，DeviceID是国际标准的15位(字节)移动设备识别码IMEI；MPC在获得系统准许后，通过发送自己的UserID和DeviceID声明信息(Joining Declaration Information，JDI)，编码格式见图4：其中Inf-Tag＝1，Opt-Type＝1，UserID是用户在系统中的18位(字节)唯一身份标识符，从而加入系统。这里假设信息服务系统能够根据UserId和DeviceId获得用户偏好和设备的能力。随后MPC会向本地的服务代理发送一个服务请求，在系统为它做好服务准备后，最终它会接受并可以显示可以使用的服务列表，其编码格式如图5所示：Inf-Tag＝2，Opt-Type＝0表示传送servcie list信息，service-number表示推送列表中服务个数；Length则表示每个服务条目占用字节数；其后是服务条目，每个DSS-Value[i]表示第i个服务的DSS值，而Sevice Invocation Information则包含用来服务名称、调用接口、参数和类型等信息。当系统的计算环境发生变化时，例如有服务提供者(Service Provider)加入或退出系统时，系统会重新进行服务准备计算，从而更新服务列表，相应的，每一个MPC会接收到一个包含新服务列表 的通知。

在CASPM中，MPC还包含情境信息收集器(Context Collector)，它会每隔100ms定时收集诸如MP的位置、当前的无线网络的带宽情况以及当前设备的电池寿命等情境信息，发送给后端的情境信息解释器(Context Interpreter)去处理，其编码格式。其中Inf-Tag＝3表示传送情境信息，Opt-Type＝0表示的底层原始情境信息(Raw Context)，Opt-Type＝1表示抽象的高层次情境信息(Abstracted Context)。Category值为0表示用户相关的情境信息；为1表示与服务相关的；为2表示与设备相关的，其他值暂保留。Sub-Opt表示与Category相关的主体名称。Relater-Opt是Subject和Value之间的关系选项，主要表示一个关系运算符，如>,>＝,<和<＝等，或是一个动词和一个前置词。Val-Type表示Context Value的类型，选项可以是字符、实数和模糊数等；Val-Occupation表示相应类型占用的字节数，如字符是1个字节，而实数可以是4个或8个字节；Val-length表示Context Value的数值个数，如温度用1个实数值表示，而坐标则需要2维或3维的多个数值。Value[0]～Value[n-1]是Context Value的数值表示部分。Metric表示Context度量选择项，Metric＝0表示Boolean型，1表示Fuzzy型，2表示Probability型。Time部分表示Context产生的时间信息，T＝0，表示紧随其后是Context产生的时刻，T＝1表示后面的是Context保持某一特定状态值，亦或是情境谓词保持为真的时间段。

b)服务管理层(SML)

SML是整个CASPM中最重要的组成部分，它承担MPCL和SPL之间的桥梁作用，体现了面向服务体系结构的设计思想。其中服务组件管理器(Component Manager)负责服务发现和查询的功能。服务代理(Service Broker)则负责接收来自MPC的服务请求，当服务管理层计算出可提供给MPC的服务后，它负责发送可提供的服务清单给MPC，同时服务代理还负责在MPC第一次调用某服务时将该服务或服务代理下载到MP。Context Interpreter作为SPL的一个重要部件，它主要负责将Raw Context融合为Abstracted Context。例如，当一个MP进入某个房间时，获取房门上的RFID物理信号并将它通过Context Collector发送给SPL。Context Interpreter接收到此信号后，经过映射处理得到此信号对应的房间号，从而获得该MP的当前位置信息。如前所述，CASPM中的情境信息被分成清晰和模糊两大类，相应的对每一服务都要应用一阶谓词逻辑和模糊逻辑进行评估，而且每一服务都有一个相关联的服务评估模型(Evaluation Model)，这个评价模型主要包括一阶谓词逻辑规则库(First Order Logic Rule Bases)和模糊变量(Fuzzy Variables)集合，为 决策引擎(Decision Engine)提供数据支持。该模型是通过解析每一个服务的描述文件(Service Profiles)中包含的运行资源需求和提供服务的约束信息，由描述文件解析器(Profile Parser)生成并维护的。具体解析过程包括由btContext条目生成一阶逻辑规则库，用来判断服务的可用性；ftContext条目主要生成模糊变量和层次化模糊评估树，如图6所示，该模糊评估树支持DSS的模糊评估计算。具体地，基于XML格式的服务描述文件如下：

由btContext条目生成一阶逻辑规则库如下：

在Context Interpreter和Evaluation Model的支持下，Decision Engine应用一阶谓词逻辑和模糊逻辑推理机，负责评估SPL发现的每一个服务，并在此基础上为每个MP计算出可提供的服务列表，通过服务代理发送给MPC。

c)服务提供者层(SPL)

设计方案中，引入W3C关于服务的定义：服务是一个实现了某种特定功能的逻辑实体，可以通过服务模板定义服务并通过服务组件的组合来实现某个服务。一般情况下，在SPL，服务由服务提供者(Service Provider)通过网络以描述文件的形式向外界公布，它描述了服务运行所需要的资源和提供该服务的约束条件。服务提供者可以添加，删除和更新的服务，将提供相应的服务模板和描述文件。服务管理者和服务提供者之间采用订阅/通知的机制，以保证服务管理者及时的获得最新的描述文件。

该模型中各部件的交互过程如图7所示。

Claims (10)

1.一种移动普适计算环境中基于情境信息的服务准备方法，用于向移动用户提供满意的信息服务，其特征在于，该方法包括以下步骤：

1)采集至少一种情境信息，并采用统一的六元组情境信息模型表示所述的情境信息；

2)将采集的情境信息进行分类，分为布尔型情境信息和模糊型情境信息；

3)搜集移动用户当前可访问的服务，解析其服务描述文件，对每个服务分别建立适合普适计算环境的层状服务满意度模型，所述的层状服务满意度模型中的各节点映射与该服务相应的情境信息；

4)根据各服务的层状服务满意度模型和采集的情境信息，对布尔型情境信息采用一阶谓词逻辑推理方法，对模糊型情境信息采用模糊逻辑方法计算出相应服务的服务满意度值，并选择向用户提供的服务集合。

2.根据权利要求1所述的一种移动普适计算环境中基于情境信息的服务准备方法，其特征在于，步骤1)中的六元组情境信息模型具体表示为：Context(Category,Subject,Relater,Value,Metric,Time)；

其中，Category为普适计算环境中与情境信息相关联的实体的类型名称；Subject为情境信息描述的与某一特定Category相关的主体名称；Relater用于描述Subject和Value之间的关系；Value描述与情境信息主体状态相关的值，Metric用于对情境信息主体值的不同度量标准进行标记；Time表示情境信息生成的时刻，或情境信息主体保持某一特定状态值的时间段，或是情境谓词保持为真的时间段。

3.根据权利要求1所述的一种移动普适计算环境中基于情境信息的服务准备方法，其特征在于，步骤3)中所述的服务描述文件包括加载和执行该服务的资源需求和提供该服务的约束条件。

4.根据权利要求1所述的一种移动普适计算环境中基于情境信息的服务准备方法，其特征在于，所述的步骤4)具体包括以下子步骤：

201)根据各服务的层状满意度模型，建立服务评估函数并计算相应服务的服务满意度值，所述的服务评估函数为：

ψ(s_i)＝H(s_i)·E(s_i),i∈[1,m],

其中，s_i为第i个服务，H(s_i)为第i个服务中的布尔型情境信息的服务满意度评价函数，E(s_i)为第i个服务中的模糊型情境信息的服务满意度评价函数，m为用户当前可访问的服务的总个数；

202)判断ψ(s_i)是否大于设定的服务满意度阀值λ，若是则将服务s_i列入向用户提供的服务集合，否则舍弃该服务，其中λ∈[0,1]。

5.根据权利要求4所述的一种移动普适计算环境中基于情境信息的服务准备方法，其特征在于，所述的步骤201)中若则ψ(s_i)＝0，直接舍弃该服务；若s_i∈L(S)，则ψ(s_i)＝E(s_i)，其中L(S)＝{s_i|H(s_i)＝1∧s_i∈S}。

6.根据权利要求4所述的一种移动普适计算环境中基于情境信息的服务准备方法，其特征在于，所述的步骤201)中H(s_i)具体为：

$\begin{array}{ccc}H\left(s_i\right)=\underset{c_k\&Element;C}{\&Pi;}{h}_k(s_i,c_k)& and& h_k:S\&RightArrow;\{0,1\}\end{array},$

其中S为用户当前可访问的服务的集合，C是与服务s_i相关的布尔型情境信息的集合，c_k为集合C中的第k个布尔型情境信息，h_k为一阶谓词逻辑推理函数。

7.根据权利要求4所述的一种移动普适计算环境中基于情境信息的服务准备方法，其特征在于，所述的步骤201)中计算模糊型情境信息的服务满意度评价函数E(s_i)前还需要对模糊型情境信息进行量化处理，具体为：若模糊型情境信息具有连续性，则通过线性曲线模型进行量化，若模糊型情境信息具有离散特性，则通过非线性饱和曲线模型来进行量化。

8.根据权利要求4所述的一种移动普适计算环境中基于情境信息的服务准备方法，其特征在于，所述的E(s_i)通过层次化模糊评估算法获取。

9.根据权利要求7所述的一种移动普适计算环境中基于情境信息的服务准备方法，其特征在于，所述的线性曲线模型为：

${\mathrm{qv}}^{\&prime;}=\frac{{\mathrm{qv}}_{max}-qv}{{\mathrm{qv}}_{max}-{\mathrm{qv}}_{min}}$ 或 ${\mathrm{qv}}^{\&prime;}=\frac{qv-{\mathrm{qv}}_{min}}{{\mathrm{qv}}_{max}-{\mathrm{qv}}_{\min }},$

其中，qv为需要量化的模糊型情境信息的实际值，qv_max为需要量化的模糊型情境信息的最大值，而qv_min为需要量化的模糊型情境信息的最小值，qv'为需要量化的模糊型情境信息的量化值。

10.根据权利要求7所述的一种移动普适计算环境中基于情境信息的服务准备方法，其特征在于，所述的非线性饱和曲线模型为：

${\mathrm{qv}}^{\&prime;}=\frac{{\mathrm{qv}}^2-2{\mathrm{qv}}_{max}qv-{\mathrm{qv}}_{max}^2+2{\mathrm{qv}}_{max}{\mathrm{qv}}_{min}}{2{\mathrm{qv}}_{max}{\mathrm{qv}}_{min}-{\mathrm{qv}}_{min}^2-{\mathrm{qv}}_{max}^2}$ 或 ${\mathrm{qv}}^{\&prime;}=\frac{{\mathrm{qv}}^2-2{\mathrm{qv}}_{max}qv+{\mathrm{qv}}_{max}^2}{{\mathrm{qv}}_{max}^2-2{\mathrm{qv}}_{max}{\mathrm{qv}}_{min}+{\mathrm{qv}}_{min}^2},$

其中，qv为需要量化的模糊型情境信息的实际值，qv_max为需要量化的模糊型情境信息的最大值，而qv_min为需要量化的模糊型情境信息的最小值，qv'为需要量化的模糊型情境信息的量化值。