CN107070704A - 一种基于QoS的可信Web服务组合优化方法 - Google Patents

Abstract

本发明公开了一种基于QoS的可信Web服务组合优化方法，首先通过分析服务的历史行为对服务的可信度进行评估，从而去除掉不符合要求的劣质服务，得到可信QoS的Web服务作为后续服务组合全局优化的备选服务；然后使用改进的多目标布谷鸟搜索算法实现对Web服务组合的多目标优化，以提高服务组合的优化效率，最终得到既满足用户需求又确保服务的可信性的组合服务。

Description

一种基于QoS的可信Web服务组合优化方法

技术领域

本发明涉及了计算机网络服务领域，尤其涉及一种基于QoS的可信Web服务组合优化方法。

背景技术

随着计算机技术的飞速发展，Web服务日益增多并被广泛地应用于各个领域。然而，逐渐增多的Web服务虽然可以提供更多、更丰富的功能，但是单个的Web服务功能毕竟是有限的，显然无法满足用户复杂的需求。为了解决这一问题，学术界涌现出了一大批对Web服务组合技术的研究。所谓服务组合，就是指基于功能或非功能属性，把若干具有不同功能的Web服务灵活、动态地组合成为一个整体，使之能够满足各类用户复杂的应用请求，实现服务的增值。

当前，大量已有的Web服务提供的功能相似或相同，因此就造成了用户在面对众多Web服务时，越来越关注那些非功能属性，比如服务质量(Quality of Service，QoS)，由此便催生了学术界对基于QoS的Web服务组合的大量研究。简单来说就是，基于QoS的Web服务组合旨在提供一套服务组合的方案，以使最终得到的组合服务在整体QoS上最大限度地满足用户的要求。

但是，在现实生活中，由于服务所处的网络环境并不是固定不变的，而是时时刻刻都处于动态变化之中的，因此，依据传统的服务选择方法得到的高QoS并不能保证服务的可信性。导致Web服务可信度低的原因大致有两种：一方面随着动态、开放的互联网环境的变化，服务的QoS属性也是变化着的；另一方面由于网络中多少会存在监管不力的现象，这就会导致某些服务提供商存在欺诈行为，即由服务提供者发布的QoS各属性的性能与用户真实得到的水平并不相符，比如一些服务请求者由于某种欠妥的原因对服务提供者进行不真实的评价以及一些不真实服务的存在等。上述两种原因导致由服务提供者发布出来的QoS的属性值与用户从UDDI(Universal Discovery，Description，and Integration，通用发现、描述、集成)上得到的真实QoS属性值存在不相同的情况，这就涉及到了QoS可信性的问题，这些因素必将导致最终得到的组合服务并不能做到真正满足用户的需求，用户很难获得真正优质、可信的组合服务。一是；二是在动态、开放的网络环境中，欺诈行为在所难免。

由此可见，研究动态、开放网络环境与复杂应用下的可信Web服务组合优化问题有着重要的理论意义与应用价值。

发明内容

发明目的：为了解决现有技术中存在的问题，本发明提供一种基于QoS的可信Web服务组合优化方法，使之既满足用户对服务的质量要求，又可以保证其可信性且服务组合优化效率得到显著提高。

技术方案：为实现上述目的，本发明中基于QoS的可信Web服务组合优化方法包括以下步骤：

(1)对于Web服务QoS的某个属性，根据该属性的客观信誉评估值和主观信任评估值计算QoS中该属性对应的可信属性值，根据该属性的客观权重和主观权重得到该属性的综合属性权重；

利用各属性的可信属性值和综合属性权重对Web服务进行QoS的度量计算得到QoS可信效用值，依据该效用值对候选服务进行排序及筛选，从中选出效用值高于预设门限的Web服务，作为后续全局优化组合的备选服务；

(2)对所述备选服务进行服务组合，使用改进的多目标布谷鸟搜索算法实现对Web服务组合的多目标优化，最终得到最优的Web服务组合。

步骤(1)中获取Web服务QoS中的某个属性对应的可信属性值，包括以下步骤：

1)根据该属性的指标获取Web服务发布出来的属性值q_pi与QoS监控模块反馈的属性值q_di之间的差距值，并根据该属性的预设信誉等级区间得到该属性的信誉等级；

2)根据该属性在连续多次服务中的信誉等级获取该属性的统计信誉值R_qi作为该属性的客观信誉评估值；

3)获取用户对服务中某个属性的主观评价值的统计平均值T_qi作为该属性的主观信任评估值；

4)以该属性的客观信誉评估值和主观信任评估值的权重之和作为该属性的可信度C_qi；

5)利用该属性的可信度C_qi和Web服务发布出来的属性值q_pi得到Web服务QoS中的第i个可信属性值q_ci。

步骤(1)中获取Web服务QoS中的某个属性的综合属性权重，包括以下步骤：

1)基于粗糙集理论定义属性的分辨度Dis(p_i)，以某个属性在相应QoS中所有属性分辨度之和中所占的比例作为该属性的客观权重w_i，所述属性的分辨度指的是该属性对于区分服务间差异的能力；

2)建立QoS中各属性之间的优先关系矩阵，将优先关系矩阵转换为模糊一致矩阵后获得属性的主观权重w_i′；

3)该属性的综合权重w_qi的计算公式为：

式中，n为属性个数。

其中，步骤(2)中所述的改进的多目标布谷鸟搜索算法，包括以下步骤：

1)初始化第一种群，其中含有n个Web服务组合方案，每个Web服务组合方案中具有K个全局QoS优化目标，初始化被发现的概率P_a,最大迭代次数，莱维步长A；

2)分别计算每个Web服务组合方案所对应的目标函数；

3)初始化迭代次数为1；

4)通过莱维飞行产生新的具有n个Web服务组合方案的第二种群，并分别计算这n个Web服务组合方案的目标函数；

5)将第一种群和第二种群进行合并形成具有2n个个体的临时种群；

6)对于临时种群中的所有个体进行非支配排序；

7)按照被发现的概率p_a丢弃较差的Web服务组合方案；

8)根据非支配排序序号找到当前的Pareto最优解集并且利用个体适应度函数选择出n个最好的Web服务组合方案作为下一代的Web服务组合方案集；

9)动态更新步长α，步长更新公式为更新迭代次数，加1；

10)若迭代次数大于或等于最大迭代次数，则终止迭代，执行步骤11)；否则，继续执行步骤4)至10)；

11)输出最终最优的Web服务组合方案集。

有益效果：本发明中基于QoS的可信Web服务组合优化方法首先通过分析服务的历史行为对服务的可信度进行评估，从而去除掉不符合要求的劣质服务，得到可信QoS的Web服务作为后续服务组合全局优化的备选服务；然后使用改进的启发式优化算法布谷鸟多目标搜索算法实现对Web服务组合的多目标优化，以提高服务组合的优化效率，从而得到既满足用户需求又确保服务的可信性的组合服务。

附图说明

图1是QoS度量框架示意图；

图2是服务选择框架示意图；

图3是服务组合工作流示意图；

图4是候选服务连接图；

图5是多目标布谷鸟搜索算法流程；

图6是改进的多目标布谷鸟搜索算法流程。

具体实施方式

下面结合实施例对本发明作更进一步的说明。

本发明中基于QoS的可信Web组合优化方法包括以下步骤：

(1)以客观信誉评估和主观信任评估作为Web服务QoS可信度的属性评估标准获取Web服务的QoS可信度。

1)建立Web服务的可信度(credibility)的计算模型。

在已存在的计算模型中，都是把信誉属性作为对服务可信度的判断，所谓的信誉属性指的是历史用户对服务的主观判断，这种方法显然是片面的、不合理的。本发明对服务可信度的计算同时考虑客观信誉与主观信任，客观信誉就是指Web服务完成其承诺的好坏程度，可以使用贝叶斯学习理论求得；主观信任就是指用户对Web服务的使用评价，可以使用用户对Web服务QoS属性的评价值求得。

2)建立QoS属性权重的计算模型。

目前常见的计算方法有两种：主观权重法和客观权重法。主观权重法即将用户的主观偏好作为属性权重的计算依据；客观权重法则是将候选服务集的客观的数据分析与计算作为属性权重的计算依据。采取其中任意一种方法计算QoS属性权重都会造成偏差，本发明利用粗糙集理论与模糊层次分析法分别求解客观和主观属性权重，最后进行综合得到最终QoS属性权重的取值。其中，粗糙集理论是一种重要的数据分析理论，使用该理论进行决策表的分析，能够得到特定属性的重要程度，可以计算属性的客观权重。模糊层次分析法则是由模糊层次法与层次分析法结合起来的一种方法，通过构建层次模型和判断矩阵进行目标权重计算的方法，加入层次分析法后便可以引入人的思维，使得权重的计算更能符合人的思维，从而可以用于属性主观权重的计算。

(2)根据QoS可信度构建Web服务的组合优化模型，并求解得到最优的Web服务组合。

针对可信Web服务组合优化，提出了改进的布谷鸟搜索算法。该算法是一种新颖的智能优化算法，具有鲁棒性好、易操作等优点。将该算法用于计算多目标优化模型，可以显著提高服务组合优化效率。

上述步骤(1)中以客观信誉评估和主观信任评估作为Web服务QoS可信度的属性评估标准获取Web服务的QoS可信度。如图1所示，主要包括两大部分：QoS可信度评估和属性权重的计算，QoS可信度评估分为客观信誉评估与主观信任评估，属性权重的计算分为客观权重计算与主观权重计算。

1.QoS可信度评估

针对QoS可信度的评估，本发明提出由客观上的信誉衡量以及用户的主观评价共同决定服务的可信度，分别通过贝叶斯学习理论与用户评价求得。

首先，对于客观信誉的评估，其基本计算流程如下：

假如一个Web服务发布出来的QoS属性值是{q_p1,q_p2,...,q_pn}，而在实际被调用时，由系统中UDDI的QoS监测模块(见图2，后面将对这一模块进行详细的介绍)反馈的各属性值是{q_d1,q_d2,...,q_dn}。设X_i∈[-1,1]表示服务实际完成服务提供者承诺值的好坏程度，该值越大表示信誉越好。QoS各属性指标有的是越大越好，比如可用性、可靠性等，本发明中定义X_i＝(q_di-q_pi)/q_pi；而有的指标越小越好，比如服务价格、响应时间等，本发明中定义X_i＝(q_pi-q_di)/q_pi。由X_i可以对每一个QoS属性指定一个信誉等级：

因此，在服务被调用之后，对于每一个QoS的属性，本发明都可以得到它的信誉等级，假设X代表QoS中的某一个属性在连续N次服务中反馈得到的信誉等级，代表第i个属性的信誉等级集，K表示信誉等级数。X_ik表示第i个属性的信誉等级值出现在第k个等级中的次数，假设是由参数的多项分布产生的：

其中，从贝叶斯学习理论中，本发明可以知道，狄利克雷分布可以看成多项分布的共轭先验分布，带参数(α₁,...,α_K+1)的狄利克雷先验分布如下所示：

新加入执行结果后，对应参数是(α₁+X_ik,...,α_K+1+X_ik)的后验分布可以表示如下：

然后利用已有的历史数据，可以得到的后验估计值为：

这个值便是QoS某一属性属于第k个信誉等级的概率。将属性q_i的信誉值表示成其后验估计值在k≥3等级中的概率和，所以对q_i评估出的信誉值为:

其次，对于主观信任的评估依据的是由历史用户提供的主观评价，其基本计算流程如下：

假设T＝{t_q1,t_q2,...,t_qn}代表用户对每一个QoS属性的评价值，那么每一个属性的信任度则由下式计算得到：

其中，t_ik(S)代表第k次用户对服务S的第i个QoS属性的主观评价值，在[0,1]范围里。N代表用户与服务的交互次数。

综上，本发明认为Web服务QoS属性可信度的计算应该包括用户的主观评价以及客观上服务完成承诺的好坏程度。则QoS属性的可信度为：

C_qi＝λR_qi+(1-λ)T_qi,0≤λ≤1

其中C_qi表示QoS中第i个属性的可信度，R_qi为第i个属性的信誉评估值，T_qi为i个属性的信任评估值。其中λ的取值如下：

1)λ＝1：表示可信度完全依赖于客观信誉评估，没有用户评价；

2)λ＝0：表示可信度完全依赖于用户主观评价；

3)0＜λ＜1：表示可信度取决于客观信誉与主观信任的综合评估，取值可依据实际情况做适当的调整。

由此，本发明不再使用承诺值作为衡量QoS属性的指标，而是使用对其进行可信度评估后的可信信息作为衡量的指标，则第i个可信的属性值为：

q_ci＝q_pi×C_qi

其中，q_ci代表QoS中第i个可信属性值，q_pi代表第i个属性发布出来的承诺值，C_qi代表第i个属性的可信度。

2.QoS属性权重的计算

针对QoS属性权重的计算，本发明将主观权重计算法和客观权重计算法进行综合考虑。具体来说，就是首先使用粗糙集理论计算属性客观权重；然后使用模糊层次分析法计算属性主观权重；最后融合起来得到最终的属性权重。

首先，对于属性客观权重的计算，其基本计算流程如下：

根据粗糙集理论的知识，本发明首先定义QoS各属性的分辨度(即QoS属性对于区分服务间差异的能力)为：Dis(p_i)＝1-|IND{p_i}|/|WS|²。其中p_i代表第i个QoS属性，Dis(p_i)代表属性p_i的分辨度，IND{p_i}代表属性p_i上的不可辨关系，WS代表p_i对候选服务的划分。则各属性的客观权重为：

其中，n为属性个数。

其次，对于属性主观权重的计算，其基本计算流程如下：

(1)建立优先关系矩阵R＝(r_ij)_n×n。

假设服务的QoS属性为a₁,a₂,...,a_n，则优先关系矩阵为：

其中，r_ij代表a_i和a_j进行比较时，a_i和a_j具有的模糊关系的隶属度，其中隶属度可用表1所示的0.1-0.9的标度给出定量的描述。

表1评分标度

(2)将优先关系矩阵转换为模糊一致矩阵。

首先对优先关系矩阵按行求和：i＝1,2,...,m，其中r_i代表第i行的和，r_ik代表优先关系R中第i行第k列的元素；接着进行如下数学变换：其中r_i、r_j分别代表第i和第j行元素的和，m代表模糊一致矩阵的行数；经过变换，将优先关系矩阵R转换为了模糊一致矩阵A。

(3)求解各属性的主观权重。

对模糊一致矩阵按行求和并减去0.5：i＝1,2,...,m，再对余下的不含对角线的元素求和：(m代表模糊一致矩阵的行数)。最后对l_i进行归一化得到各属性权重：

综上，将求得的客观权重与主观权重进行综合，可以得到最终的属性权重：

其中w_i代表属性客观权重，w_i′代表属性主观权重。

3.QoS的度量计算

综上所述，本发明使用融合可信度的属性进行QoS的度量计算得到QoS可信效用值，公式如下：

其中q_ci是融合了可信度的属性值，w_qi是综合的属性权重。

通过上述内容，本发明可以对每个候选服务得到一个QoS可信效用值，使用该值便可以对服务进行筛选，从而在候选服务集中选出优质的服务，作为后续参与全局优化的备选服务。此外，对于本阶段的局部优化，本发明在传统服务选择框架的基础上，引入了两个新的模块：可信度评估模块和监测模块，如图2所示。整个过程描述如下：

(1)首先，服务提供者发布Web服务，QoS数据节点收集并存储服务的QoS属性信息，然后将服务的功能性信息发布到服务注册中心上。

(2)然后，服务请求者请求Web服务，并给出用户对QoS的偏好需求以及对可信度的要求。

(3)之后，进行服务选择，在进行服务选择时，首先依据服务的功能属性在服务注册中心上找到满足条件的候选服务，然后再根据QoS数据节点中存储的QoS属性信息以及可信度评估模块评估出的可信度信息，对候选服务进行效用值度量、排序，将排名较为靠前的Web服务选择出来提供给服务请求者。

(4)最后，当服务每完成一次调用，都由监测模块将服务在实际调用中的QoS信息存储在历史调用信息库中，并将由此评估出的信誉信息存储在信誉数据节点中；同样，服务请求者在调用完该服务之后，将其对该服务各QoS属性的信任评价信息存放在信任数据节点中，以供下一次服务选择时可信度评估使用。

通过上述内容可以从候选服务集中得到优质的服务，这属于服务选择，又称局部优化。然而最终的目标是得到具有全局最优的组合服务，因此需要对服务选择后的组合方案继续选择，即全局优化。

为了清楚地描述全局优化的过程，首先结合图3介绍一下Web服务组合优化的流程。在这个工作流中，AS_i表示抽象服务i，一个抽象服务就是抽象流程模型中描述相应任务所需功能的一个节点；CS_(i,j)表示抽象服务AS_i对应的候选服务集C_i中的第j个具体的服务，具体服务是指带有n个QoS属性参数的、完成了指定抽象服务功能的真实的服务，候选服务集是指一个具有相同功能但非功能属性(QoS)不完全相同的所有具体服务的集合。

根据这个工作流可以选出适当的服务形成一个实际的服务组合方案。将抽象服务用其对应的候选服务集进行替换，就可以构造出一个完整的具有两两候选服务集相连接的服务组合。图4中展示的就是所有可能的服务组合方案。可以看出，如果使用穷举法，服务组合过程的计算会随着边和节点的增多而呈指数级增长，从而变得不可能，因此需要使用合适的优化算法进行优化求解。

作为一个典型的多目标优化问题，基于QoS的Web服务组合全局最优化的困难之处在于：对于组合服务来说，众多QoS属性之间是往往存在冲突的，即可能并不能做到同时最优。但是，多目标优化方法具有一定的特殊性，它允许两个及以上彼此冲突的目标同时存在，但是仍然不能保证所有的目标都满足最优化，此时可以对各个目标进行折中，使得最终得到的解在各个目标上尽最大可能满足用户的需求。

多目标优化的目的就是找到一个向量使得相应的向量函数达到最优。其中，x_i(i＝1,2,...,n)称为决策变量(参数)，代表相应的m个目标的目标函数。

与之相对应的理想向量定义为假设向量使得第i个目标函数达到最优(最大化或最小化)，得到向量即为理想向量。其中，f_i ⁰表示第i个目标函数的最优值，这在多目标优化模型中是最理想的情况。

理想向量可能只是一个假象的最优，不一定真实存在，因为它包含的是每个目标在单独考虑时的最优值，但却是我们可以使用各种优化算法去尽可能达到的一个目标。因此，实际执行方案对应的向量与理想向量之间是存在一定的差距的，使用L_p测量法来衡量这个差距，公式如下：

其中，(1≤i≤k)代表需要最小化的目标函数的值，(k+1≤i≤m)代表需要最大化的目标函数的值。f_i ⁰代表第i个目标函数的最优值。很显然，L_p的值越小，表示执行方案与理想向量越接近，方案越优。

下面举例介绍，如表2中所示，三个抽象服务的候选服务集中各有3个具体服务，每个服务包含4个QoS属性(响应时间、费用、可用性、可靠性)。

表2包含具体服务的候选服务集

组合服务的QoS计算公式如表3所示，其中，S_i为组合服务中的Web服务，m为服务组合中的服务的个数，C(S_i)表示服务S_i的费用，T(S_i)表示服务S_i的响应时间，R(S_i)表示服务S_i的可靠性，A(S_i)表示服务S_i的可用性。

表3 QoS属性的计算

多目标优化的目标就是：全局最小化响应时间和费用，全局最大化可用性和可靠性。由此，我们便可以得到理想的最优情况是这样的：

f_rt ⁰＝min{3,2,4}+min{8,6,5}+min{4,3,5}＝2+5+3＝10

f_c ⁰＝min{1,3,2}+min{3,4,7}+min{2,5,6}＝1+3+2＝6

f_a ⁰＝max{0.7,0.6,0.5}×max{0.8,0.6,0.7}×max{0.7,0.5,0.8}＝0.7×0.8×0.8＝0.448f_r ⁰＝max{0.8,0.7,0.9}×max{0.9,0.7,0.5}×max{0.6,0.8,0.9}＝0.9×0.9×0.9＝0.729得到的理想向量为

但是，实际情况中，一个实际的执行方案中不一定会同时包含理想向量中的每一个值。假如实际的执行方案为{CS_(1,1),CS_(2,2),CS_(3,3)}，那么这个方案对应的属性向量是([3,1,0.7,0.8],[6,4,0.6,0.7],[5,6,0.8,0.9]),可以得到：

所以实际执行方案对应的向量为

那么，实际执行方案的向量与理想向量之间的差距为：

如此说来，全局优化组合的难点在于在服务组合的过程中需要同时优化多个目标，而目标之间又存在冲突，所以事实上可能并不存在满足所有目标都最优的组合方案。但是多目标优化的优点就在于虽然不能得到各目标同时最优的解，但是可以以降低某个目标的性能为代价来改善另一些目标，由此便可以得到Pareto最优解，就是在一个目标或几个目标上无法进一步优化，但对于其他目标也不至于劣化。

假设存在服务组合S₁和S₂，如果它们满足以下两个条件：1)在所有的各个目标上，S₁都不劣于S₂；2)至少存在一个分目标，使得S₁在这个分目标上严格优于S₂，则称S₁Pareto支配S₂。如果在解空间中不存在Pareto支配S₁的解，则称S₁为非支配解，也称Pareto最优解，所有Pareto最优解构成的集合称为多目标优化问题的Pareto最优解集。

为了求解上述的多目标优化，本发明在参考当前经典的启发式优化算法的基础上，采用了一种改进的布谷鸟多目标优化算法来解决Web服务组合全局优化问题。对于经典的多目标布谷鸟搜索算法如图5所示。本发明在此基础上，使用动态调整步长的方法对莱维飞行位置进行更新；然后在更新种群时，采用非支配排序思想；最终得到一种适合求解该模型的多目标布谷鸟搜索算法如图6所示。详细步骤执行如下：

1)初始化第一种群，其中含有n个Web服务组合方案，每个Web服务组合方案中具有K个全局QoS优化目标，初始化被发现的概率P_a,最大迭代次数，莱维步长A；

2)分别计算每个Web服务组合方案所对应的目标函数；

3)初始化迭代次数为1；

4)通过莱维飞行产生新的具有n个Web服务组合方案的第二种群，并分别计算这n个Web服务组合方案的目标函数；

5)将第一种群和第二种群进行合并形成具有2n个个体的临时种群；

6)对于临时种群中的所有个体进行非支配排序；

7)按照被发现的概率p_a丢弃较差的Web服务组合方案；

8)根据非支配排序序号找到当前的Pareto最优解集并且利用个体适应度函数选择出n个最好的Web服务组合方案作为下一代的Web服务组合方案集；

9)动态更新步长α，步长更新公式为更新迭代次数，加1；

10)判断，若迭代次数大于或等于最大迭代次数，则终止迭代，执行步骤11)；否则，继续执行步骤4)至10)；

11)输出最终最优的Web服务组合方案集。

其中，相比于图5中的多目标布谷鸟搜索算法，具体改进之处详述如下：

(1)莱维飞行步长动态更新

本发明中改进的动态自适应步长控制公式为：

其中，A是莱维飞行步长，其初始值为1；t是当前的迭代数。

(2)非支配等级排序

本发明将Srinivas等人提出的非支配排序思想加入到该算法中：首先对目标函数值排序，依据的是其受支配的程度，然后对目标空间进行等级划分。首先将当前空间中的所有非支配解标记为级别1，然后把它们移出，在剩下的目标值里继续寻找非支配解并将它们标记为级别2，以此类推，直到空间中所有解都进行了非支配排序为止。序号越小的解，表示支配它的个体数越少，非支配能力越强，所以应优先得到进化。

(3)种群更新与适应度函数

对于种群更新机制，在种群更新迭代时，将原始种群的n个个体与新生种群的n个个体结合形成一个组合，然后对组合中的2n个个体进行非支配关系排序，从组合中选出n个个体进行下一轮的迭代进化。选择规则为：比较两者在非支配排序中的级别序号，越小越被优先选择；若级别相同，则按照个体适应度函数进行选择，适应度函数值越小代表个体越好。其中个体适应度函数即为前面提到的解向量与理想向量之间的差距函数。

本发明方法利用可信度计算与QoS相结合来对Web服务组合进行优化的方法，可以使得到的组合服务既满足了用户对服务的质量要求，又保证了其可信性；同时，改进的多目标布谷鸟搜索算法又可以极大地提高服务组合优化的效率。由此可见，这一发明所提出的方法非常适用于进行Web服务组合的优化。

以上仅是本发明的优选实施方式，应当指出以上实施列对本发明不构成限定，相关工作人员在不偏离本发明技术思想的范围内，所进行的多样变化和修改，均落在本发明的保护范围内。

Claims (5)

1.一种基于QoS的可信Web服务组合优化方法，其特征在于，该方法包括以下步骤：

(1)对于Web服务QoS的某个属性，根据该属性的客观信誉评估值和主观信任评估值计算QoS中该属性对应的可信属性值，根据该属性的客观权重和主观权重得到该属性的综合属性权重；

利用各属性的可信属性值和综合属性权重对Web服务进行QoS的度量计算得到QoS可信效用值，依据该效用值对候选服务进行排序及筛选，从中选出效用值高于预设门限的Web服务，作为后续全局优化组合的备选服务；

(2)对所述备选服务进行服务组合，使用改进的多目标布谷鸟搜索算法实现对Web服务组合的多目标优化，最终得到最优的Web服务组合。

2.根据权利要求1所述的基于QoS的可信Web服务组合优化方法,其特征在于，步骤(1)中获取Web服务QoS中的某个属性对应的可信属性值，包括以下步骤：

1)根据该属性的指标获取Web服务发布出来的属性值q_pi与实际调用的属性值q_di之间的差距值，并根据该属性的预设信誉等级区间得到该属性的信誉等级；

2)根据该属性在连续多次服务中的信誉等级获取该属性的统计信誉值R_qi作为该属性的客观信誉评估值；

3)获取用户对服务中某个属性的主观评价值的统计平均值T_qi作为该属性的主观信任评估值；

4)以该属性的客观信誉评估值和主观信任评估值的权重之和作为该属性的可信度C_qi；

5)利用该属性的可信度C_qi和Web服务发布出来的属性值q_pi得到Web服务QoS中的该属性所对应的可信属性值q_ci。

3.根据权利要求1所述的基于QoS的可信Web服务组合优化方法,其特征在于，步骤(1)中获取Web服务QoS中的某个属性的综合属性权重，包括以下步骤：

1)基于粗糙集理论定义属性的分辨度Dis(p_i)，以某个属性在相应QoS中所有属性分辨度之和中所占的比例作为该属性的客观权重w_i，所述属性的分辨度指的是该属性对于区分服务间差异的能力；

2)建立QoS中各属性之间的优先关系矩阵，将优先关系矩阵转换为模糊一致矩阵后获得属性的主观权重w′_i；

3)该属性的综合权重w_qi的计算公式为：

<mrow> <msub> <mi>w</mi> <mrow> <mi>q</mi> <mi>i</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>w</mi> <mi>i</mi> </msub> <mo>&amp;times;</mo> <msubsup> <mi>w</mi> <mi>i</mi> <mo>&amp;prime;</mo> </msubsup> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>w</mi> <mi>i</mi> </msub> <mo>&amp;times;</mo> <msubsup> <mi>w</mi> <mi>i</mi> <mo>&amp;prime;</mo> </msubsup> </mrow> </mfrac> </mrow>

式中，n为属性个数。

4.根据权利要求1所述的基于QoS的可信Web服务组合优化方法，其特征在于，步骤(1)中QoS可信效用值的计算公式如下：

<mrow> <mi>Q</mi> <mi>o</mi> <mi>S</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>q</mi> <mrow> <mi>c</mi> <mi>i</mi> </mrow> </msub> <msub> <mi>w</mi> <mrow> <mi>q</mi> <mi>i</mi> </mrow> </msub> </mrow>

式中，q_ci是第i个属性对应的可信属性值，w_qi是第i个属性对应的综合的属性权重。

5.根据权利要求1所述的基于QoS的可信Web服务组合优化方法，其特征在于，步骤(2)中所述的改进的多目标布谷鸟搜索算法，包括以下步骤：

1)初始化第一种群，其中含有n个Web服务组合方案，每个Web服务组合方案中具有K个全局QoS优化目标，初始化被发现的概率P_a,最大迭代次数，莱维步长A；

2)分别计算每个Web服务组合方案所对应的目标函数；

3)初始化迭代次数为1；

4)通过莱维飞行产生新的具有n个Web服务组合方案的第二种群，并分别计算这n个Web服务组合方案的目标函数；

5)将第一种群和第二种群进行合并形成具有2n个个体的临时种群；

6)对于临时种群中的所有个体进行非支配排序；

7)按照被发现的概率p_a丢弃较差的Web服务组合方案；

8)根据非支配排序序号找到当前的Pareto最优解集并且利用个体适应度函数选择出n个最好的Web服务组合方案作为下一代的Web服务组合方案集；

9)动态更新步长α，步长更新公式为更新迭代次数，加1；

10)若迭代次数大于或等于最大迭代次数，则终止迭代，执行步骤11)；否则，继续执行步骤4)至10)；

11)输出最终最优的Web服务组合方案集。