CN111683141A - 一种面向用户需求的动态QoS服务选择方法及其系统 - Google Patents

Abstract

本发明提出了一种面向用户需求的动态QoS服务选择方法及其系统，该方法将评价指标分为硬性需求指标和非硬性需求指标，根据硬性需求指标初步筛选服务，确定候选服务集；将候选服务的QoS属性与用户的QoS需求转化为候选服务的QoS属性区间与用户的QoS需求区间，并进行相对优势度计算；基于Skyline方法进行候选服务约简，确定Skyline服务集；基于TOPSIS方法对Skyline服务集进行服务排序，确定最优服务。本发明提高了服务选择的可靠性和效率。

Description

一种面向用户需求的动态QoS服务选择方法及其系统

技术领域

本发明涉及网络数据通信技术，具体涉及一种面向用户需求的动态QoS服务选择方法及其系统。

背景技术

近年来，随着Internet和云计算技术的飞速发展和广泛应用，越来越多功能相似，而性能不同的软件服务被部署于云平台中，使得服务数量成指数增长，造成用户选择服务的难度陡升。由于不同用户有不同的服务需求，因此，如何从众多的服务中高效、准确地选择出符合用户需求的服务，便成为服务选择过程中至关重要的一步。

服务质量(Quality of Services，QoS)与服务实现的功能无关，是衡量服务性能的综合指标。基于QoS属性的服务选择方法是目前服务选择领域较为流行的方法。孙若男等人提出一种使用改进熵权TOPSIS的服务质量评价排序方法。采用客观赋权的熵权法计算QoS各维属性对应的客观权重，并与主观权重相结合，既提高了决策过程的客观性，又可以贴近用户个性化需求。通过将服务排序转换为多目标决策问题，利用熵权改进传统TOPSIS方法得到服务质量的优劣排序。该方法存在的问题有：一是仅仅考虑了服务的QoS属性为精确型实数的情况；二是对用户偏好的分析只限于主观权重的设定；三是没有对候选服务进行过滤筛选，而是对全部候选服务进行排序，决策效率比较低。张晓侠等提出混合QoS感知的服务决策方法，对服务属性为混合数据类型的众多备选服务进行Skyline筛选，进而通过缩减备选服务集范围来加快最优服务决策。但该方法对服务集约简后的服务排序的研究比较粗糙。

发明内容

本发明的目的在于提出一种面向用户需求的动态QoS服务选择方法及其系统。

实现本发明目的的技术解决方案为：一种面向用户需求的动态QoS服务选择方法，包括如下步骤：

步骤1，将评价指标分为硬性需求指标和非硬性需求指标，根据硬性需求指标初步筛选服务，确定候选服务集；

步骤2，将候选服务的QoS属性与用户的QoS需求转化为候选服务的QoS属性区间与用户的QoS需求区间，并进行相对优势度计算；

步骤3，基于Skyline方法进行候选服务约简，确定Skyline服务集；

步骤4，基于TOPSIS方法对Skyline服务集进行服务排序，确定最优服务。

进一步的，步骤1中，将评价指标分为硬性需求指标和非硬性需求指标，根据硬性需求指标初步筛选服务，确定候选服务集，具体方法为：

将硬性指标属性值与设定的容忍阈值比较，过滤掉属性值劣于容忍阈值的服务；所述属性值的优劣与效益的类型有关，对于效益型指标，属性值越大越好，而对于成本型指标，属性值越小越好。

进一步的，步骤2中，将候选服务的QoS属性与用户的QoS需求转化为候选服务的QoS属性区间与用户的QoS需求区间，具体方法为：

设服务s_i的第k维QoS属性为q_k(s_i)，q_k(s_i)的t个监测样本值组成集合

则q_k(s_i)能够表示成区间数：

其中，

设用户对第k个QoS属性的需求区间为

则当属性为硬性需求指标时，U_k由用户给定；当属性为非硬性指标时，缺省的U_k由各候选服务相应属性区间的上下限的最优值构成。

进一步的，步骤2中，对候选服务的QoS属性区间与用户的QoS需求区间进行相对优势度计算以使得到的相对优势度为正向数据，即越大越好，具体方法为：

对于效益型指标来说，对候选服务的QoS属性区间与用户的QoS需求区间进行相对优势度计算即计算候选服务的QoS属性区间大于用户需求区间的相对优势度；对于成本型指标来说，对候选服务的QoS属性区间与用户的QoS需求区间进行相对优势度计算即计算用户需求区间大于候选服务的QoS属性区间的相对优势度，具体公式为：

其中，p表示相对优势度，

表示用户对第k个QoS属性的需求区间，

表示某候选服务的第k个QoS属性的属性区间；

对于两个任意的区间数a₁＝[a₁ ^-,a₁ ⁺]，a₂＝[a₂ ^-,a₂ ⁺]，区间数a_1>a₂的相对优势度的计算公式为：

其中ρ为大于1的常数，常为e。

进一步的，步骤3中，基于Skyline方法进行候选服务约简，确定Skyline服务集，具体方法为：

将服务的QoS属性集映射到N维数据空间，每个维度对应着备选服务的一个QoS属性的属性区间与用户的QoS需求区间的相对优势度，根据候选服务集中各个服务的支配关系，得到所有不被其余服务支配的服务，组成Skyline服务集。

进一步的，步骤4中，基于TOPSIS方法对Skyline服务集进行服务排序，确定最优服务，具体方法为：

步骤4.1，Skyline服务集作为待评价对象，构建标准化评价矩阵P；

其中，p_ij表示第i个服务的第j个属性的属性区间与用户需求区间的相对优势度，n表示约简后候选服务数量，m表示评价指标数量；

步骤4.2，构建加权评价矩阵V；

其中，ω₁,ω₂,...,ω_m是各个评价指标的权重；

步骤4.3，确定正、负理想点；

由于相对优势度为正向数据，所以两种类型的指标，其正理想点都对应该指标相对优势度的最大值，负理想点都对应该指标的最小值，即：

S_j ⁺＝max{v_ij|1≤i≤n}

S_j ^-＝min{v_ij|1≤i≤n}

其中，j＝1,2,...,m。

步骤4.4：计算各候选服务到正、负理想点的距离D_i ⁺、D_i ^-：

其中，i＝1,2,...,n，j＝1,2,...,m；

步骤4.5：计算各候选服务与理想点的贴进度：

其中，i＝1,2,...,n，有Cd_i∈[0,1]；

步骤4.6：对候选方案进行排序，确定最优服务；

根据计算得到的贴进度的大小对候选方案排序，Cd_i越大表明距离负理想点越远，距离正理想点越近，那么该候选方案越优，其排序应越靠前。

更进一步的，步骤4中，所述权重是通过加法合成法将主观权重与客观权重组合得到的组合权重，计算公式如下：

其中，α∈[0，1]表示主观偏好重要性系数，

ω_j分别表示第j个指标的主观权重、客观权重和组合权重，上述主观权重由用户给定，客观权重通过熵权法确定。

一种面向用户需求的动态QOS服务选择系统，包括：

初步筛选模块，用于将评价指标分为硬性需求指标和非硬性需求指标，根据硬性需求指标初步筛选服务，确定候选服务集；

相对优势度计算模块，将候选服务的QoS属性与用户的QoS需求转化为候选服务的QoS属性区间与用户的QoS需求区间，并进行相对优势度计算；

服务约简模块，用于基于Skyline方法进行候选服务约简，确定Skyline服务集；

服务排序模块，用于基于TOPSIS方法对Skyline服务集进行服务排序，确定最优服务。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

步骤1，将评价指标分为硬性需求指标和非硬性需求指标，根据硬性需求指标初步筛选服务，确定候选服务集；

步骤2，将候选服务的QoS属性与用户的QoS需求转化为候选服务的QoS属性区间与用户的QoS需求区间，并进行相对优势度计算；

步骤3，基于Skyline方法进行候选服务约简，确定Skyline服务集；

步骤4，基于TOPSIS方法对Skyline服务集进行服务排序，确定最优服务。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

步骤1，将评价指标分为硬性需求指标和非硬性需求指标，根据硬性需求指标初步筛选服务，确定候选服务集；

步骤2，将候选服务的QoS属性与用户的QoS需求转化为候选服务的QoS属性区间与用户的QoS需求区间，并进行相对优势度计算；

步骤3，基于Skyline方法进行候选服务约简，确定Skyline服务集；

步骤4，基于TOPSIS方法对Skyline服务集进行服务排序，确定最优服务。

本发明与现有技术相比，其显著优点为：

1)使用区间数表示服务的QoS属性值。通过使用区间数而不是精确数度量评价属性，能够表现QoS属性的动态性，使得对服务属性的描述更加合理，提高服务选择的可靠性。

2)根据用户偏好进行指标的分类并设定容忍阈值。将QoS属性根据用户偏好分为硬性需求指标和非硬性需求指标，由用户设定硬性需求指标的容忍阈值，对候选服务集进行筛选，初步减小服务搜索空间。

3)建立区间数模型，结合用户需求对候选服务进行评价。用区间数表示用户的需求，并使用相对优势度与候选服务的QoS区间数比较，在充分考虑用户需求的基础上将区间数转化成精确数，使服务选择的计算更为简单，同时使服务选择过程以用户需求为中心，服务选择过程与用户个人偏好紧密结合。

4)使用Skyline方法筛选候选服务集。Skyline方法能够约简候选服务集，减小搜索空间，因此可以提高选择效率。

附图说明

图1是面向用户需求的动态QoS服务选择方法的流程图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

一种面向用户需求的动态QoS服务选择方法，包括如下步骤：

步骤1，从用户需求角度，将评价指标分为硬性需求指标和非硬性需求指标，通过对硬性指标设定容忍阈值，初步筛选服务；

对于不同的用户而言，由于其个性需求可能不同，对不同指标的看重程度也各有差异。一般情况下，用户偏好是建立在用户对决策问题有一些了解的基础上，有主观与个性化特性。本发明考虑到用户对指标的偏好，除了给定不同指标的主观权重以外，还将指标分为硬性需求指标和非硬性需求指标，由用户根据需求对评价指标进行分类，并给出每一个硬性指标的容忍阈值。属性值劣于容忍阈值的服务将被首先过滤掉。此处，属性值为多个监测样本的平均值。

需要注意的是，QoS属性依据趋优方向的不同，可分为效益型和成本型两种。效益型的数值越大越好，例如吞吐率、可用性、可靠性等；成本型的数值越小越好，例如响应时间、价格等。

步骤2，建立QoS区间数模型，包括QoS属性区间数和用户需求区间数，并对候选服务的QoS属性区间与用户的QoS需求区间进行相对优势度计算；

由于服务QoS属性值具有动态不确定性，只根据历史监测记录的平均值或者最新监测值选取服务往往是不合理的，因此，本发明通过对服务QoS的持续监测，获取QoS历史记录，建立QoS属性区间数，以取代常规的实值模型对服务进行选取。

若存在一个服务s_i，设它的第k维QoS属性为q_k(s_i)，设对q_k(s_i)的t个监测样本值可以表示为集合

则q_k(s_i)可以表示为一个区间数：

其中，

本发明不直接采用属性样本值的最大、最小值作为区间数的上下界，可以减小QoS监测值中的噪声数据对QoS区间数取值的影响。在QoS取值分布函数未知的情况下，QoS区间数的表达形式避免了对QoS取值分布函数的错误假设。

此外，由于人的思维模式具有模糊性，用户往往很难用精确值来表达其需求，因此，还需要将用户的QoS需求也用区间数表示。

设用户对第k个QoS属性的需求区间为

某候选服务的第k个QoS属性区间数为

当属性为硬性需求指标时，U_k由用户给定；当属性为非硬性指标时，缺省的U_k由各候选服务相应属性区间的上下限的最优值构成，最优值因涉及到效益型和成本型指标性质不同，所以不一定是最大或最小。对于效益型指标，属性值越大越好，而对于成本型指标，属性值越小越好。

基于上述过程得到的需求区间和候选服务的QoS属性区间，进行相对优势度比较，可以将用户需求与服务选择过程结合起来，使最终服务的选择结果能更好的满足用户的个人偏好。

定义1设两个任意的区间数a₁＝[a₁ ^-,a₁ ⁺]，a₂＝[a₂ ^-,a₂ ⁺]，则称

为区间数a₁大于a₂的相对优势度，其中ρ为大于1的常数，常为e。

对于效益型指标，属性值越大越好，而对于成本型指标，属性值越小越好。为使得到的相对优势度为正向数据，即越大越好，具体方法为：

对于效益型指标来说，对候选服务的QoS属性区间与用户的QoS需求区间进行相对优势度计算即计算候选服务的QoS属性区间大于用户需求区间的相对优势度；对于成本型指标来说，对候选服务的QoS属性区间与用户的QoS需求区间进行相对优势度计算即计算用户需求区间大于候选服务的QoS属性区间的相对优势度，具体公式为：

基于以上介绍，利用相对优势度可以衡量候选服务的QoS属性相对用户需求的优越程度，供后续服务约简。相对优势度越大，表示该候选服务的该QoS属性值越优越。

步骤3，使用Skyline方法对候选服务集进行约简，减小了搜索空间；

Skyline是一个典型的多目标优化问题，通过考虑计算对象的多维性，在备选集规模较大的情况下，进行局部或全局搜索，对备选集进行筛选，然后再根据自身的偏好进行选择，在数据库查询、多目标决策、数据挖掘等领域有广阔的应用。Skyline是基于支配概念定义的，下面给出支配的定义。

定义2两个N维的决策向量P(p₁,...,p_N)和Q(q₁,...,q_N)，如果

有

(

表示优于，≈表示等于)，并且

则称P支配Q。

在服务选择领域，将服务的QoS属性集映射到N维数据空间，每个维度对应着备选服务的一个QoS属性区间与用户需求区间的相对优势度，根据候选服务集中各个服务的支配关系，得到所有不被其余服务支配的服务，组成Skyline服务集(简称SLs)。由此可以从大量功能相同或相似而质量不同的候选服务中，筛选出不被其他服务支配的Skyline服务，以减小候选服务数量，提高决策效率。

步骤4，基于TOPSIS方法，对约简后的候选服务进行排序；

服务的QoS属性值具有多维性，因此，基于QoS的服务选择问题本身也可以看作是一种多准则决策问题。TOPSIS根据有限个评价对象与理想化目标的接近程度进行排序，是一种逼近理想解的排序法，逻辑清晰严谨，计算步骤简单，是多准则决策中一种常用的有效方法。

本发明方法在进行候选服务集约简后，将SLs服务看作是若干个待评价对象，使用TOPSIS方法对有限候选服务进行优劣顺序排序。TOPSIS方法的基本原理是通过计算评价对象距离正、负理想点的距离来进行排序，距离正理想点的距离越近且又距离负理想点越远，则越优。所谓的正理想点是指各指标值都达到各评价指标的最好值的方案，负理想点则为达到各评价指标的最坏值的方案，正负理想点是根据候选方案的样本值设定的，一般并不存在于候选方案中。对此，TOPSIS引入贴进度的概念来衡量这两种距离，判断方案优劣，步骤如下：

步骤1：根据n个候选方案m个评价指标的原始样本数据构建评价矩阵X；

步骤2：对评价矩阵X进行规格化处理得到标准化评价矩阵P；

在本方法中，原始数据经QoS区间数模型处理后，即相当于将原始数据进行了标准化处理。标准化评价矩阵P表示如下：

其中p_ij表示第i个服务的第j个属性与用户需求区间的相对优势度；

步骤3：构建加权评价矩阵V

在进行方案的优劣比较时，不同的指标的重要性不同，因此，需要根据其重要性程度对其赋予相应的权重。因此，标准化处理后的评价矩阵需要与对应指标权重相乘得到加权评价矩阵。

其中，ω₁,ω₂,...,ω_m是各个评价指标的权重，本模型采用的是组合权重，为了考虑用户的主观偏好，由用户给定主观权重，通过加法合成法与熵权法得到的客观权重相结合。

加法合成法是将主观权重和客观权重以一定比例相加得到最终组合权重，计算公式如下：

其中，α∈[0，1]，是主观偏好重要性系数，表示决策者对主观权重的偏好程度，

ω_j分别表示第j个指标的主观权重、客观权重和组合权重。

熵权法是一种客观赋权方法，其基本思想是从样本各个指标的无序程度，即指标信息熵的角度来反映各指标对评价对象的区分程度，即熵值越小，对应指标的样本数据差异越大，对评价对象的区分能力越大。在多属性指标决策过程中，指标的差异程度越大，代表它在综合决策中所起的作用越大，因而该指标的权重也就相应越大。熵权法确定客观权重的步骤如下：

根据标准化评价矩阵，计算第j个指标对应的信息熵：

其中，

K为常数，K＝ln(n)^-1。如果P_ij＝0，则有

设计算得到各个指标的信息熵为H₁,H₂,...,H_m，则第j个指标的熵权

为：

其中，

且

步骤4：确定正、负理想点；

将正理想点记为S⁺＝{S₁ ⁺,S₂ ⁺,...,S_n ⁺}，将负理想点记为S^-＝{S₁ ^-,S₂ ^-,...,S_n ^-}。由于评价指标分为效益型和成本型，因此其正、负理想点的确定方法不同，如下所示：

效益型指标：

成本型指标：

其中，j＝1,2,...,m。

由于经过区间数模型处理后，得到的相对优势度为正向数据，所以两种类型的指标，其正理想点都对应该指标相对优势度的最大值，负理想点都对应该指标相对优势度的最小值，即：

S_j ⁺＝max{v_ij|1≤i≤n}

S_j ^-＝min{v_ij|1≤i≤n}

其中，j＝1,2,...,m。

步骤5：计算各候选方案到正、负理想点的距离D_i ⁺、D_i ^-：

其中，i＝1,2,...,n，j＝1,2,...,m。

步骤6：根据距离D_i ⁺、D_i ^-计算各候选方案与理想点的贴进度：

其中，i＝1,2,...,n，有Cd_i∈[0,1]。

步骤7：根据贴进度对候选方案进行排序

根据步骤6计算得到的贴进度的大小对候选方案排序。Cd_i越大，表明距离负理想点越远，距离正理想点越近，那么该候选方案越优，其排序应越靠前。

本发明还提供一种面向用户需求的动态QoS服务选择系统，包括：

初步筛选模块，用于将评价指标分为硬性需求指标和非硬性需求指标，根据硬性需求指标初步筛选服务，确定候选服务集；

相对优势度计算模块，用于将候选服务的QoS属性与用户的QoS需求转化为候选服务的QoS属性区间与用户的QoS需求区间，并进行相对优势度计算；

服务约简模块，用于基于Skyline方法进行候选服务约简，确定Skyline服务集；

服务排序模块，用于基于TOPSIS方法对Skyline服务集进行服务排序，确定最优服务。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

步骤1，将评价指标分为硬性需求指标和非硬性需求指标，根据硬性需求指标初步筛选服务，确定候选服务集；

步骤2，将候选服务的QoS属性与用户的QoS需求转化为候选服务的QoS属性区间与用户的QoS需求区间，并进行相对优势度计算；

步骤3，基于Skyline方法进行候选服务约简，确定Skyline服务集；

步骤4，基于TOPSIS方法对Skyline服务集进行服务排序，确定最优服务。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

步骤1，将评价指标分为硬性需求指标和非硬性需求指标，根据硬性需求指标初步筛选服务，确定候选服务集；

步骤2，将候选服务的QoS属性与用户的QoS需求转化为候选服务的QoS属性区间与用户的QoS需求区间，并进行相对优势度计算；

步骤3，基于Skyline方法进行候选服务约简，确定Skyline服务集；

步骤4，基于TOPSIS方法对Skyline服务集进行服务排序，确定最优服务。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种面向用户需求的动态QoS服务选择方法，其特征在于，包括如下步骤：

步骤1，将评价指标分为硬性需求指标和非硬性需求指标，根据硬性需求指标初步筛选服务，确定候选服务集；

步骤2，将候选服务的QoS属性与用户的QoS需求转化为候选服务的QoS属性区间与用户的QoS需求区间，并进行相对优势度计算；

步骤3，基于Skyline方法进行候选服务约简，确定Skyline服务集；

步骤4，基于TOPSIS方法对Skyline服务集进行服务排序，确定最优服务。

2.根据权利要求1所述的面向用户需求的动态QoS服务选择方法，其特征在于，步骤1中，将评价指标分为硬性需求指标和非硬性需求指标，根据硬性需求指标初步筛选服务，确定候选服务集，具体方法为：

将硬性指标属性值与设定的容忍阈值比较，过滤掉属性值劣于容忍阈值的服务；所述属性值的优劣与效益的类型有关，对于效益型指标，属性值越大越好，而对于成本型指标，属性值越小越好。

3.根据权利要求1所述的面向用户需求的动态QoS服务选择方法，其特征在于，步骤2中，将候选服务的QoS属性与用户的QoS需求转化为候选服务的QoS属性区间与用户的QoS需求区间，具体方法为：

设服务s_i的第k维QoS属性为q_k(s_i)，q_k(s_i)的t个监测样本值组成集合

则q_k(s_i)能够表示成区间数：

其中，

设用户对第k个QoS属性的需求区间为

则当属性为硬性需求指标时，U_k由用户给定；当属性为非硬性指标时，U_k由各候选服务相应属性区间的上下限的最优值构成。

4.根据权利要求1所述的面向用户需求的动态QoS服务选择方法，其特征在于，步骤2中，对候选服务的QoS属性区间与用户的QoS需求区间进行相对优势度计算，以使得到的相对优势度为正向数据，即越大越好，具体方法为：

对于效益型指标来说，对候选服务的QoS属性区间与用户的QoS需求区间进行相对优势度计算即计算候选服务的QoS属性区间大于用户需求区间的相对优势度；对于成本型指标来说，对候选服务的QoS属性区间与用户的QoS需求区间进行相对优势度计算即计算用户需求区间大于候选服务的QoS属性区间的相对优势度，具体公式为：

其中，

表示用户对第k个QoS属性的需求区间，

表示某候选服务的第k个QoS属性区间数；

对于两个任意的区间数a₁＝[a₁ ^-,a₁ ⁺]，a₂＝[a₂ ^-,a₂ ⁺]，区间数a_1>a₂的相对优势度的计算公式为：

其中ρ为大于1的常数，常为e。

5.根据权利要求1所述的面向用户需求的动态QoS服务选择方法，其特征在于，步骤3中，基于Skyline方法进行候选服务约简，确定Skyline服务集，具体方法为：

将服务的QoS属性集映射到N维数据空间，每个维度对应着备选服务的一个QoS属性的属性区间与用户的QoS需求区间的相对优势度，根据候选服务集中各个服务的支配关系，得到所有不被其余服务支配的服务，组成Skyline服务集。

6.根据权利要求1所述的面向用户需求的动态QoS服务选择方法，其特征在于，步骤4中，基于TOPSIS方法对Skyline服务集进行服务排序，确定最优服务，具体方法为：

步骤4.1，Skyline服务集作为待评价对象，构建标准化评价矩阵P；

其中，p_ij表示第i个服务的第j个属性的属性区间与用户需求区间的相对优势度，n表示约简后候选服务数量，m表示评价指标数量；

步骤4.2，构建加权评价矩阵V；

其中，ω₁,ω₂,...,ω_m是各个评价指标的权重；

步骤4.3，确定正、负理想点；

由于相对优势度为正向数据，所以两种类型的指标，其正理想点都对应该指标相对优势度的最大值，负理想点都对应该指标的最小值，即：

S_j ⁺＝max{v_ij|1≤i≤n}

S_j ^-＝min{v_ij|1≤i≤n}

其中，j＝1,2,...,m。

步骤4.4：计算各候选服务到正、负理想点的距离D_i ⁺、D_i ^-：

其中，i＝1,2,...,n，j＝1,2,...,m；

步骤4.5：计算各候选服务与理想点的贴进度：

其中，i＝1,2,...,n，有Cd_i∈[0,1]；

步骤4.6：对候选方案进行排序，确定最优服务；

根据计算得到的贴进度的大小对候选方案排序，Cd_i越大表明距离负理想点越远，距离正理想点越近，那么该候选方案越优，其排序应越靠前。

7.根据权利要求6所述的面向用户需求的动态QoS服务选择方法，其特征在于，步骤4中，所述权重是通过加法合成法将主观权重与客观权重组合得到的组合权重，计算公式如下：

其中，α∈[0，1]表示主观偏好重要性系数，

ω_j分别表示第j个指标的主观权重、客观权重和组合权重，上述主观权重由用户给定，客观权重通过熵权法确定。

8.一种面向用户需求的动态QoS服务选择系统，其特征在于，包括：

初步筛选模块，用于将评价指标分为硬性需求指标和非硬性需求指标，根据硬性需求指标初步筛选服务，确定候选服务集；

相对优势度计算模块，用于将候选服务的QoS属性与用户的QoS需求转化为候选服务的QoS属性区间与用户的QoS需求区间，并进行相对优势度计算；

服务约简模块，用于基于Skyline方法进行候选服务约简，确定Skyline服务集；

服务排序模块，用于基于TOPSIS方法对Skyline服务集进行服务排序，确定最优服务。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

步骤1，将评价指标分为硬性需求指标和非硬性需求指标，根据硬性需求指标初步筛选服务，确定候选服务集；

步骤2，将候选服务的QoS属性与用户的QoS需求转化为候选服务的QoS属性区间与用户的QoS需求区间，并进行相对优势度计算；

步骤3，基于Skyline方法进行候选服务约简，确定Skyline服务集；

步骤4，基于TOPSIS方法对Skyline服务集进行服务排序，确定最优服务。

10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

步骤1，将评价指标分为硬性需求指标和非硬性需求指标，根据硬性需求指标初步筛选服务，确定候选服务集；

步骤2，将候选服务的QoS属性与用户的QoS需求转化为候选服务的QoS属性区间与用户的QoS需求区间，并进行相对优势度计算；

步骤3，基于Skyline方法进行候选服务约简，确定Skyline服务集；

步骤4，基于TOPSIS方法对Skyline服务集进行服务排序，确定最优服务。

Images