CN112953760B - 面向服务价值的低成本大规模个性化服务定制方法 - Google Patents

Abstract

本发明公开一种面向服务价值的低成本大规模个性化服务定制方法，方法包括：构建服务需求模式库和服务模式库；建立需求模式与服务模式的匹配概率；构建服务价值关系图，通过图的广度优先遍历实现对用户需求的排序；利用遗传算法在需求模式库中找到满足当前用户需求的最佳需求模式集；利用匹配概率，找出与最佳需求模式集匹配的最佳服务模式集，生成满足需求的服务解决方案；计算服务解决方案的第一成本；判断服务网络中是否存在服务子网j满足当前用户需求；如存在，计算第二成本，根据第一成本、第二成本输出服务解决方案。本发明能够解决诸如云制造、Web服务互联网环境下面向用户服务价值的低成本大规模个性化服务定制问题。

Description

面向服务价值的低成本大规模个性化服务定制方法

技术领域

本发明涉及云制造，web服务互联网等技术领域，特别涉及一种面向服务价值的低成本大规模个性化服务定制方法。

背景技术

在云制造平台以及web服务系统中，如何针对复杂的用户需求构造服务解决方案是系统正常运行的关键。大部分现有的服务组合方法只针对单个用户需求，但现实环境中用户需求更多情况下是并发大规模的，在大规模用户需求环境下传统服务组合方法都是单独为每个需求构造服务解决方案，并且较少考虑一些经过验证的先验知识和历史数据，这使得其提供的服务解决方案效率和效果均不佳。同时，传统服务定制方法单纯从用户价值诉求一侧考虑，忽略了服务提供者的价值利益。在正常的服务系统中，只有双方的利益得到均衡优化才能维持服务系统的长期稳定发展。

发明内容

基于此，本发明提出了一种面向服务价值的低成本大规模个性化服务定制方法，这种方法不但使用具有先验知识、经过历史数据验证的需求模式和服务模式、以及可以复用的服务网络来提升服务定制的效率，而且还可以从服务提供者和用户双方的角度来实现用户服务价值-供应商服务成本的均衡优化。

本发明实施例提供了一种面向服务价值的低成本大规模个性化服务定制方法，其包括以下步骤：

S1：基于一定规模的历史数据集，构建面向领域和/或跨领域的服务需求模式库和服务模式库；所述服务模式库用于存储服务模式sp，所述服务需求模式库用于存储需求模式rp；所述需求模式rp代表在多个历史需求中抽取出来的频繁连续的需求片段，所述服务模式sp代表从大规模的历史服务组合解决方案中所抽取出来的频繁出现的完整或部分服务的组合；

S2：建立每一对需求模式与服务模式之间的匹配概率；

S3：对于用户需求集R中的每个用户个性化需求，根据其服务性能约束对应的服务价值水平协议构建服务价值关系图，通过图的广度优先遍历实现对大规模用户需求的排序，得到按降序排列的需求集{r_i}，i＝1,2,…,n；

S4：对每个用户需求，利用遗传算法在需求模式库中找到能满足当前用户需求r_i的最佳需求模式集RP_i；

S5：利用建立的需求模式与服务模式的匹配概率，找出与最佳需求模式集RP_i匹配的最佳的服务模式集SP_i，并以此生成满足当前用户需求r_i的服务解决方案；

S6：采用工作流模型聚合公式，计算所述服务解决方案的第一成本cost_i；

S7：在处理当前用户需求r_i时，对已经处理的所有需求迭代形成的服务网络进行剪枝，判断服务网络中是否存在服务子网j满足当前用户需求r_i；其中，服务网络是将分散在Internet和现实中的各类服务按特定方式连接形成的网络，彼此之间通过特定的协同与互操作协议进行交互；

S8：如果存在服务子网j满足当前用户需求r_i，计算其第二成本cost_j，并根据第一成本cost_i以及第二成本cost_j输出经过优化选择的满足当前用户需求的服务解决方案。

优选地，在S1步骤中：

利用已有的频繁模式挖掘算法FP-growth基于一定规模的历史数据集分别从历史用户需求及其对应的服务解决方案中构建面向领域和跨领域的服务需求模式库和服务模式库；其中，

需求模式rp定义为rp＝(rpⁱⁿ,rp^out,rp^q,rp^p)，需求模式rp代表在多个历史需求中抽取出来的频繁连续的需求片段；

rpⁱⁿ代表了需求模式期望输入参数，rp^out代表了需求模式输出参数，rp^q代表了需求模式的服务价值约束水平,rp^p代表需求模式被满足时支付的价钱；

服务模式sp定义为sp＝(spⁱⁿ,sp^out,sp^q,sp^p)，服务模式sp代表从大规模的历史服务组合解决方案中所抽取出来的频繁出现的完整/部分服务组合；

spⁱⁿ代表服务模式的输入参数，sp^out代表服务模式的输出参数,sp^q代表服务性能指标，,sp^q代表服务模式的价格。

优选地，在S2步骤中：

根据公式

计算服务模式sp_j的先验知识，p_ij越大代表服务模式更有可能满足需求模式rp_i；

其中p(sp_j)＝s₊/n，s₊代表在历史服务解决方案中服务模式sp_j出现的次数，n代表历史记录中服务解决方案的总个数；

p(rp_i)＝r₊/n,r₊代表在历史服务请求中需求模式rp_i出现的次数；

p(sp_j/rp_i)＝c₊/r₊，c₊表示服务模式sp_j与需求模式rp_i在历史服务需求-服务解决方案记录中共同出现的次数；

根据公式

计算服务模式sp_j与需求模式rp_i的相似性；

其中I代表指示函数，当I中条件成立时值为1，条件不成立时值为0；

代表满足符号；当服务模式的服务价值满足需求模式的服务价值约束时，指示函数值为1，否则为0；

根据公式s(rp_i,sp_j)＝v₁p_ij+v₂a_ij计算服务模式sp_j与需求模式rp_i的匹配概率；

其中v₁和v₂代表权重，且v₁₊v₂＝1；

根据公式

计算需求模式rp_i的先验知识；

其中{sp₁,…,sp_u}为与需求模式rp_i相映射的服务模式，需求模式rp_i的先验知识越高代表rp_i是一个更通用的模式，越能被服务模式所满足。

优选地，在S3步骤中：

每个用户需求r_i定义为

其中

分别为用户需求提供的输入参数和期望的输出参数，

的不同代表了不同用户服务价值需求的功能差异；

其中

为用户需求的服务性能约束，

分别代表请求服务的可用性，可靠性，以及响应时间；

r^p为用户需求被满足时用户支付的费用；

具体服务s_i定义为s_i＝{I_i,O_i,Q_i,P_i}；

I_i,O_i分别代表服务的输入参数和输出参数，代表了服务的功能；

Q_i＝{A_i,E_i,T_i,}代表服务的服务性能，其中A_i代表是服务可用性，E_i代表服务可靠性，T_i代表服务响应时间，P_i代表服务价格；

服务价值水平协议集表示为SetSLA＝{SLA₁,SLA₂,..SLA_n}，对于每一个服务价值水平协议SLA_n，Qset_n为服务价值水平协议相应的服务价值的性能标准集合；

服务价值水平协议SLA_n对应的服务价值的性能标准集合为Qset_n＝{q_n ¹,q_n ²,..,q_n ^k}；

q_n ⁱ代表了每项具体的服务性能约束指标，包括响应时间，可用性，吞吐量；

通过计算用户需求的服务性能约束所归属服务价值水平协议，构建一个服务价值关系图，通过服务价值关系图广度优先的顺序对用户需求按降序进行排序，得到按降序排列的需求集{r_i}，其中，i＝1,2,…,n；这里，先处理的用户需求由于其性能要求更高，因此对应的服务解决方案有更大概率满足后续用户需求。

优选地，在S4步骤中：

遗传算法中一条染色体X代表了一个需求对应的需求模式集，染色体X适应度函数设计考虑下面三个因素：

根据公式c₁(X)＝|r_i ^q-q(RP_i)|计算用户需求r_i的服务价值约束与需求模式集RP_i服务价值指标差值；

其中q(RP_i)为根据工作流模型及其聚合公式计算组合服务价值；

根据公式

计算当前用户需求r_i与需求模式RP_i的功能相似度；

其中

代表需求模式集RP_i中所有需求模式的功能输出参数集合；

根据公式

计算染色体X的先验知识；X的先验知识越大代表X越有可能被服务模式所满足；

遗传算法适应度函数f(X)＝w₁c₁(X)+w₂c₂(X)+w₃c₃(X)；

其中w₁，w₂，w₃分别代表了3个指标的权重，w₁+w₂+w₃＝1。

优选地，在S5步骤中：

所述利用建立的需求模式与服务模式的匹配概率，找出与最佳需求模式集RP_i匹配的最佳的服务模式集SP_i，并以此生成满足当前用户需求r_i的服务解决方案具体包括：

找出RP_i中与每个需求模式rp_i概率最高的服务模式sp_j加入到SP_i中，之后迭代的计算服务模式库中剩余每个服务模式sp_j与需求模式集RP_i的相关度；在计算服务模式与RP_i相关度时设置相关度阈值a₁，将与需求模式集RP_i相关度小于a₁的服务模式从服务模式库去掉，同时考虑服务模式与SP_i中已选择的服务模式的重叠度，去除掉重叠度大于a₂的服务模式，最后在每次迭代过程中选择一个与RP_i相关度最大的服务模式加入到SP_i中；

根据公式

计算与每个需求模式rp_i匹配度最高的服务模式sp_j；

根据公式

计算每个服务模式sp_i与需求模式集RP_i的相关度；

根据公式

计算服务模式sp_i与SP_i的重叠度；

当服务模式生成的服务解决方案不能完全满足r_i时，对于缺失的服务节点，从候选服务集中选出一个最佳的候选服务来补充原有服务模式来生成r_i对应的服务解决方案。

优选地，当服务模式生成的服务解决方案不能完全满足r_i时，对于缺失的服务节点，从候选服务集中选出一个最佳的候选服务来补充原有服务模式来生成r_i对应的服务解决方案，具体为：

对当前服务节点的候选服务集按照服务价格进行升序排序，然后根据排序后的候选服务集按照服务价格从低到高筛选候选服务，选择第一个满足用户需求的服务与原有服务模式相结合来生成完整的服务解决方案。

优选地，在S8步骤中：

比较第一成本cost_i与第二成本cost_j大小；其中，当cost_i<cost_j时，采用所述服务解决方案同时采用渐进迭加的策略将新使用的服务解决方案导入到服务网络中；否则直接复用已有的服务子网j来满足当前用户需求r_i；如果不存在服务子网j满足当前用户需求r_i，则直接使用所述服务解决方案来满足用户需求r_i并采用渐进迭加策略的策略将所述服务解决方案导入到服务网络中。

本发明实施例还提供了一种面向服务价值的低成本大规模个性化服务定制设备，其特征在于，包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如上述的面向服务价值的低成本大规模个性化服务定制方法。

与现有技术相比，本发明的有益效果在于：

1.传统服务组合方法在大规模用户需求环境下，大多是从单个原子服务出发为每个用户需求构造服务解决方案，并且较少考虑一些经过验证的先验知识和历史数据，这使得其提供的服务解决方案效率和效果均不佳。本发明提出的方法中，充分利用了历史服务记录中的先验知识和可复用的服务网络(服务解决方案)、经过历史数据验证的需求模式和服务模式、以及可以复用的服务网络。这样不仅可以加快服务定制的速度，还可以获得更好的服务定制效果。

2.传统的服务定制方法大都从用户需求一侧出发，选取最优的服务组合给用户，较少考虑到服务提供者的利益。在一个服务生态系统中，综合考虑服务需求-供给双方的利益才是维持该系统长期稳定发展的基础。因此，本发明提出的方法可以帮助从服务提供者和服务用户双方的角度来实现用户服务价值-供应商服务成本的均衡优化。

附图说明

附图1为本发明第一实施例提供的面向服务价值的低成本大规模个性化服务定制方法的一种流程图。

附图2为本发明实施例提供的面向服务价值的低成本大规模个性化服务定制方法的另一种流程图。

附图3本发明实施例中的服务价值关系图。

附图4本本发明实施例中的服务网络示例图。

附图5为本发明实施例在服务网络中定制的服务子网图。

附图6为本发明实施例的用户需求与服务组合效率关系图。

附图7为本发明实施例的用户需求与服务收益效率关系图。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

下面结合附图与具体实施方式对本发明作进一步详细描述：

请参阅图1及图2，本发明第一实施例提供了一种面向服务价值的低成本大规模个性化服务定制方法，包括以下步骤：

S1：基于一定规模的历史数据集，构建面向领域和/或跨领域的服务需求模式库和服务模式库；所述服务模式库用于存储服务模式sp，所述服务需求模式库用于存储需求模式rp；所述需求模式rp代表在多个历史需求中抽取出来的频繁连续的需求片段，所述服务模式sp代表从大规模的历史服务组合解决方案中所抽取出来的频繁出现的完整或部分服务的组合。

S2：建立每一对需求模式与服务模式之间的匹配概率。

具体如表1所示，对于每个历史用户需求及其对应的服务解决方案，可以利用已有的频繁模式挖掘算法FP-growth挖掘出相应的需求模式和服务模式，并建立相应的需求模式、服务模式之间的匹配概率。当然，也可以采用其他挖掘算法，本发明不做具体限定。

在本实施例中，匹配概率主要考虑两个因素，第一使用贝叶斯定理计算服务模式sp_j用来满足一个需求模式rp_i的后验概率，第二考虑需求模式与服务模式的相似性。

表1需求模式-服务模式映射实例表

其中，先根据公式

计算服务模式sp_j的先验知识。

先验知识代表了一个服务模式sp_j用来满足一个需求模式rp_i的后验概率。p_ij越大代表服务模式sp_j越有可能满足需求模式rp_i。这个概率是从历史服务请求和历史服务解决方案中抽象出的经验知识。

其中p(sp_j)＝s₊/n，s₊代表在所有历史服务解决方案中服务模式sp_j出现的次数。

n代表历史记录中服务解决方案总个数。

p(rp_i)＝r₊/n,r₊代表在历史服务需求中需求模式rp_i出现的次数。

p(sp_j/rp_i)＝c₊/r₊,c₊表示服务模式sp_j与需求模式rp_i在历史服务需求-服务解决方案记录中共同出现的次数。

根据公式

计算服务模式sp_j与需求模式rp_i的相似性。

其中I代表指示函数，当I中条件成立时值为1，条件不成立时值为0。

代表满足符号。当sp_j的服务性能满足rp_i的服务性能约束时，指示函数值为1否则为0。

根据公式s(rp_i,sp_j)＝v₁p_ij+v₂a_ij计算出需求模式rp_i与服务模式sp_j之间的匹配概率。

其中v₁和v₂代表权重，且v₁₊v₂＝1。

根据公式

计算需求模式rp_i的先验知识。

其中{sp₁,…,sp_u}为与需求模式rp_i相映射的服务模式。需求模式rp_i的先验知识越高代表rp_i是一个更通用的模式，越能被服务模式所满足。

S3：对于用户需求集R中的每个用户个性化需求，根据其服务性能约束对应的服务价值水平协议构建服务价值关系图，通过图的广度优先遍历实现对大规模用户需求的排序，得到按降序排列的需求集{r_i}，i＝1,2,…,n。

其中，用户需求处理顺序的不同对服务提供者的收益将产生影响，先处理的用户需求由于其服务性能更高，对应的服务解决方案有更大概率满足后续用户需求。

如在附图3中所示的服务价值关系图，对于SLA₁和SLA₂两个顶点，SLA₁代表的服务价值的性能标准集Qset₁优于SLA₂代表的服务价值的性能标准集Qset₂。下式代表了Qset₁与Qset₂对应节点的各项服务价值的性能标准之间的约束关系：

符号>代表优于关系，对于正向参数q₁ ⁱ大于q₂ ⁱ,对于负向参数q₁ ⁱ小于q₂ ⁱ。

同一层中的SLA₂和SLA₃两个节点，所代表的服务价值的性能标准集是一种不等关系。

下式代表了Qset₂与Qset₃对应节点的各项服务价值的性能标准之间的约束关系。

以大规模用户出行旅游需求为例，每个用户需求需要预定机票，宾馆服务，不同的需求对服务性能要求各不相同。例如在表2中的三个需求r₁,r₂,r₃及对应的服务价值约束，需求r₁在各项指标上都优于需求r₂以及r₃。需求r₂以及r₃是一种不等关系，在可用性上r₃优于r₂，在可靠性上r₂优于r₃。因此在服务价值关系图中r₁在r₂,r₃的上层，r₂和r₃处于同一层。

表2需求服务价值约束表

S3：对每个用户需求，利用遗传算法在需求模式库中找到能满足当前用户需求r_i的最佳需求模式集RP_i。

其中，遗传算法适应度函数考虑需求模式集RP_i成本，先验知识以及需求与需求模式集的功能相似性三个因素。遗传算法中一条染色体X代表了一个需求对应的需求模式集，染色体X适应度函数设计考虑下面三个因素:

根据公式c₁(X)＝|r_i ^q-q(RP_i)|计算用户需求r_i的服务价值约束与需求模式集RP_i服务价值指标差值。其中q(RP_i)为根据工作流模型及其聚合公式计算组合服务价值。

根据公式

计算当前用户需求r_i与需求模式RP_i的功能相似度。

其中

计算需求模式集RP_i中所有需求模式的功能输出参数集合。

根据公式

计算染色体X的先验知识。X的先验知识越大，代表越能被服务模式所满足。

遗传算法适应度函数f(X)＝w₁c₁(X)+w₂c₂(X)+w₃c₃(X)。

其中w₁，w₂，w₃分别代表了3个指标的权重，且满足w₁+w₂+w₃＝1。

具体的，仍然以用户的一个外出旅游需求为例，其需要美团、携程等服务系统提供机票预定服务、宾馆预定服务以及景点门票预订服务等需求。机票、宾馆有不同的价格和服务价值，同时用户还可以根据自己的情况以及爱好选择起飞时间、宾馆价格等。如何根据用户需求的约束，推介最佳的服务组合满足用户需求服务价值诉求的同时优化服务提供者利益是系统正常运行的关键。

例如：对于一个具体的用户旅游出行需求r＝{rⁱⁿ,r^out,r^p,r^q},rⁱⁿ代表用户期望输入参数如外出旅游启程时间10.1以及返回时间10.4，r^out＝(A，B，C，D)分表代表预定机票、宾馆、景点门票服务。r^p＝1000代表用户需求在被满足时愿意支付的费用。r^q＝(0.95,0.98,0.1)分表代表用户请求预定宾馆、机票及景点服务的可用性，可靠性以及响应时间等服务价值因素。

在表3中显示了历史旅游出行需求以及对应的需求模式，根据用户需求r的功能以及性能约束条件从需求模式库中利用所述的遗传算法本发明可以找到一个最佳的需求模式集RP＝{rp₂,rp₃,rp₅}来代替当前用户的旅游需求r。

表3历史旅游出行需求表

S5：利用建立的需求模式与服务模式的匹配概率，找出与最佳需求模式集RP_i匹配的最佳的服务模式集SP_i，并以此生成满足当前用户需求r_i的服务解决方案。

具体地，首先找出RP_i中与每个需求模式rp_i概率最高的服务模式sp_j加入到SP_i中。之后迭代的计算服务模式库中剩余每个服务模式sp_j与需求模式集RP_i的相关度。在计算服务模式与RP_i相关度时设置相关度阈值a₁，将与需求模式集相关度小于a₁的服务模式从相应服务模式库去掉。同时考虑服务模式与SP_i中已选择的服务模式的重叠度，去除掉重叠度大于a₂的服务模式。最后选择一个与RP_i相关度最大的服务模式加入到SP_i中。

根据公式

计算与每个需求模式匹配度最高的服务模式：

根据公式

计算每个服务模式sp_i与需求模式集RP_i的相关度：

根据公式

计算服务模式sp_i与SP_i的重叠度。

例如，对于用户的旅游出行需求r，要利用S4步骤找出的最佳需求模式集RP＝{rp₂,rp₃,rp₅}来代替用户需求r。则第一步先根据所述公式计算出与需求模式rp₂,rp₃,rp₄匹配概率最高的三个服务模式为sp₁,sp₃,sp₄并将其加入到SP中。第二步迭代的计算剩余服务模式与需求模式集RP的相关度，将相关度小于a₁以及与SP重叠度大于a₂的服务模式去除掉。最终计算出最佳服务模式集SP＝{sp₁,sp₃,sp₄}。

由于SP可以完全满足需求用户的旅游出行需求r，因此不需要额外的服务来生成完整的服务解决方案。其中sp₁代表在历史服务记录中频繁一起出现的具体航班和宾馆1,sp₃代表在历史服务记录中频繁一起出现的宾馆2和景点1。sp₄代表在历史服务记录中频繁出现的具体景点2。在表4中详细列出了服务模式包含的具体服务以及服务的功能和服务价值参数。

表4服务模式明细表

S5：采用工作流模型聚合公式，计算所述服务解决方案的第一成本cost_i。

其中，如表5所示，在工作流模型中主要包含顺序结构，并行结构，选择结构，循环结构四种结构，根据这四种结构可以计算出组合服务的各项服务性能指标值。

表5服务价值指标聚合公式

S7：在处理当前用户需求r_i时，对已经处理的所有需求迭代形成的服务网络进行剪枝，判断服务网络中是否存在服务子网j满足当前用户需求r_i；其中，服务网络是将分散在Internet和现实中的各类服务按特定方式连接形成的网络，彼此之间通过特定的协同与互操作协议进行交互

如附图4和5所示，对服务网络进行剪枝的过程中，去除掉不属于当前用户需求的输出参数，节点以及边输入参数，判断剩余的服务子网是否满足当前需求的功能约束以及服务性能约束，若满足代表当前服务子网可作为需求r的一种服务解决方案。

S8：如果存在服务子网j满足当前用户需求r_i，计算其第二成本cost_j，并根据第一成本cost_i以及第二成本cost_j输出经过优化选择的服务解决方案。

具体地，首先比较第一成本cost_i与第二成本cost_j大小；其中，当cost_i<cost_j时，采用所述服务解决方案同时采用渐进迭加的策略将新使用的服务解决方案导入到服务网络中；否则直接复用已有的服务子网j来满足当前用户需求r_i；如果不存在服务子网j满足当前用户需求r_i，则直接使用所述服务解决方案来满足用户需求r_i并采用渐进迭加策略的策略将所述服务解决方案导入到服务网络中。

例如，对于当前旅游出行需求r，计算出第一成本cost_i为850，第二成本cost_j为940，故采用S5中定制的服务解决方案并采用渐进迭加的策略将新使用的服务解决方案导入到服务网络中。

在本实施例中，按照在步骤S3中的需求排序结果依次处理各个用户的需求r_i，就可以获得每个用户对应的优化选择的个性化服务解决方案。

为了验证上述的一种面向服务价值的低成本大规模个性化服务定制方法的正确性和有效性，以QWS，WS-DREAM两个公开的服务数据集进行了实验验证。实验的方式是采用Java语言对所提出的算法进行编程；其运行配置为HP Pro电脑：英特尔酷睿i3处理器和4GBRAM内存。

可以从服务的WSDL文件中提取服务的输入输出参数。对于服务的协商价格，本发明设定服务协商价格与服务构建价格的比率在[0.5,0.75]。

对于大规模用户请求集，由于没有公开的服务请求集，本发明模拟生成了3000个用户服务请求。为了更好的模拟真实用户需求，用户需求通过以下规则产生。

表6算法参数设置

a<sub>1</sub>(阈值)	0.7
		a<sub>2</sub>(阈值)	0.3
w<sub>1</sub>(权重)	0.3
		w<sub>2</sub>(权重)	0.3
w<sub>3</sub>(权重)	0.4
		v<sub>1</sub>(权重)	0.5
v<sub>2</sub>(权重)	0.5

·算法从公开的服务集中提取处1000个输入输出参数，分成20组。从前十组任意选取5-10个参数作为需求输入参数，从后十组参数中选取10-15个参数作为需求的输出参数。输入参数与输出参数最多来自三个组。

·需求的Qos约束水平即服务可靠性，可用性以及相应时间取值范围分别是[0.8,1.0],[0.9,1.0],[1,10]。

·用户支付的费用价格范围为[100,1000],用户支付费用与用户的服务价值约束水平是一致的，即需求的Qos属性越高，用户愿意支付的费用越大。同时需求输出参数越多，用户支付费用也会变大。

附图6与附图7分别显示了本发明与另外两种服务组合算法IEA,EDMOEA在处理不同需求情况下，需求数量与成本，效率关系图。由图6和图7可以看出本发明提出的方法在大规模用户需求环境下相比传统服务组合优化方法在服务定制效率上能取得更好的效果，而且还可以从服务提供者和用户双方的角度来实现用户服务价值-供应商服务成本的均衡优化。

与现有技术相比，本发明的有益效果在于：

1.传统服务组合方法在大规模用户需求环境下，大多是从单个原子服务出发为每个用户需求构造服务解决方案，并且较少考虑一些经过验证的先验知识和历史数据，这使得其提供的服务解决方案效率和效果均不佳。本发明提出的方法中，充分利用了历史服务记录中的先验知识和可复用的服务网络(服务解决方案)、经过历史数据验证的需求模式和服务模式、以及可以复用的服务网络。这样不仅可以加快服务定制的速度，还可以获得更好的服务定制效果。

2.传统的服务定制方法大都从用户需求一侧出发，选取最优的服务组合给用户，较少考虑到服务提供者的利益。在一个服务生态系统中，综合考虑服务需求-供给双方的利益才是维持该系统长期稳定发展的基础。因此，本发明提出的方法可以帮助从服务提供者和服务用户双方的角度来实现用户服务价值-供应商服务成本的均衡优化。

本发明第二实施例还提供了一种面向服务价值的低成本大规模个性化服务定制设备，其包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如上述的面向服务价值的低成本大规模个性化服务定制方法。

在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种面向服务价值的低成本大规模个性化服务定制方法，其特征在于，包括以下步骤：

S1：基于一定规模的历史数据集，构建面向领域和/或跨领域的服务需求模式库和服务模式库；所述服务模式库用于存储服务模式sp，所述服务需求模式库用于存储需求模式rp；所述需求模式rp代表在多个历史需求中抽取出来的频繁连续的需求片段，所述服务模式sp代表从大规模的历史服务组合解决方案中所抽取出来的频繁出现的完整或部分服务的组合；

S2：建立每一对需求模式与服务模式之间的匹配概率；

S3：对于用户需求集R中的每个用户个性化需求，根据其服务性能约束对应的服务价值水平协议构建服务价值关系图，通过图的广度优先遍历实现对大规模用户需求的排序，得到按降序排列的需求集{r_i}，i＝1,2,…,n；

S4：对需求集中的每个用户需求，利用遗传算法在需求模式库中找到能满足当前用户需求r_i的最佳需求模式集RP_i；

S5：利用建立的需求模式与服务模式的匹配概率，找出与最佳需求模式集RP_i匹配的最佳服务模式集SP_i，并以此生成满足当前用户需求r_i的服务解决方案；

S6：采用工作流模型聚合公式，计算所述服务解决方案的第一成本cost_i；

S7：在处理当前用户需求r_i时，对已经处理的所有需求迭代形成的服务网络进行剪枝，判断服务网络中是否存在服务子网j满足当前用户需求r_i；

S8：如果存在服务子网j满足当前用户需求r_i，计算其第二成本cost_j，并根据第一成本cost_i以及第二成本cost_j输出经过优化选择的满足当前用户需求的服务解决方案。

2.根据权利要求1所述的面向服务价值的低成本大规模个性化服务定制方法，其特征在于，在S1步骤中：

利用已有的频繁模式挖掘算法FP-growth基于一定规模的历史数据集分别从历史用户需求及其对应的服务解决方案中构建面向领域和跨领域的服务需求模式库和服务模式库；其中，

需求模式rp定义为rp＝(rpⁱⁿ,rp^out,rp^q,rp^p)，需求模式rp代表在多个历史需求中抽取出来的频繁连续的需求片段；

rpⁱⁿ代表了需求模式期望输入参数，rp^out代表了需求模式输出参数，rp^q代表了需求模式的服务价值约束水平,rp^p代表需求模式被满足时支付的价钱；

服务模式sp定义为sp＝(spⁱⁿ,sp^out,sp^q,sp^p)，服务模式sp代表从大规模的历史服务组合解决方案中所抽取出来的频繁出现的完整/部分服务组合；

spⁱⁿ代表服务模式的输入参数，sp^out代表服务模式的输出参数,sp^q代表服务性能指标，sp^q代表服务模式的价格。

3.根据权利要求2所述的面向服务价值的低成本大规模个性化服务定制方法，其特征在于，在S2步骤中：

根据公式

计算服务模式sp_j的先验知识，p_ij越大代表服务模式更有可能满足需求模式rp_i；

其中p(sp_j)＝s₊/n，s₊代表在历史服务解决方案中服务模式sp_j出现的次数，n代表历史记录中服务解决方案的总个数；

p(rp_i)＝r₊/n,r₊代表在历史服务请求中需求模式rp_i出现的次数；

p(sp_j/rp_i)＝c₊/r₊，c₊表示服务模式sp_j与需求模式rp_i在历史服务需求-服务解决方案记录中共同出现的次数；

根据公式

计算服务模式sp_j与需求模式rp_i的相似性；

其中I代表指示函数，当I中条件成立时值为1，条件不成立时值为0；

代表满足符号；当服务模式的服务价值满足需求模式的服务价值约束时，指示函数值为1，否则为0；

根据公式s(rp_i,sp_j)＝v₁p_ij+v₂a_ij计算服务模式sp_j与需求模式rp_i的匹配概率；

其中v₁和v₂代表权重，且v₁₊v₂＝1；

根据公式

计算需求模式rp_i的先验知识；

其中{sp₁,…,sp_u}为与需求模式rp_i相映射的服务模式，需求模式rp_i的先验知识越高代表rp_i是一个更通用的模式，越能被服务模式所满足。

4.根据权利要求3所述的面向服务价值的低成本大规模个性化服务定制方法，其特征在于，在S3步骤中：

每个用户需求r_i定义为

其中r_i ⁱⁿ,r_i ^out分别为用户需求提供的输入参数和期望的输出参数，r_i ⁱⁿ,r_i ^out的不同代表了不同用户服务价值需求的功能差异；

其中r_i ^q＝{r_i ^A,r_i ^E,r_i ^T}，r_i ^q为用户需求的服务性能约束，r_i ^A,r_i ^E,r_i ^T,分别代表请求服务的可用性，可靠性，以及响应时间；

r^p为用户需求被满足时用户支付的费用；

具体服务s_i定义为s_i＝{I_i,O_i,Q_i,P_i}；

I_i,O_i分别代表服务的输入参数和输出参数，代表了服务的功能；

Q_i＝{A_i,E_i,T_i,}代表服务的服务性能，其中A_i代表是服务可用性，E_i代表服务可靠性，T_i代表服务响应时间，P_i代表服务价格；

服务价值水平协议集表示为SetSLA＝{SLA₁,SLA₂,..SLA_n}，对于每一个服务价值水平协议SLA_n，Qset_n为服务价值水平协议相应的服务价值的性能标准集合；

服务价值水平协议SLA_n对应的服务价值的性能标准集合为Qset_n＝{q_n ¹,q_n ²,..,q_n ^k}；

q_n ⁱ代表了每项具体的服务性能约束指标，包括响应时间，可用性，吞吐量；

通过计算用户需求的服务性能约束所归属服务价值水平协议，构建一个服务价值关系图，通过服务价值关系图广度优先的顺序对用户需求按降序进行排序，得到按降序排列的需求集{r_i}，i＝1,2,…,n；这里，先处理的用户需求由于其性能要求更高，因此对应的服务解决方案有更大概率满足后续用户需求。

5.根据权利要求1所述的面向服务价值的低成本大规模个性化服务定制方法，其特征在于，在S4步骤中：

遗传算法中一条染色体X代表了一个需求对应的需求模式集，染色体X适应度函数设计考虑下面三个因素：

根据公式c₁(X)＝|r_i ^q-q(RP_i)|计算用户需求r_i的服务价值约束与需求模式集RP_i服务价值指标差值；

其中q(RP_i)为根据工作流模型及其聚合公式计算组合服务价值；

根据公式

计算当前用户需求r_i与需求模式rp_i的功能相似度；

其中

代表需求模式集RP_i中所有需求模式的功能输出参数集合；

根据公式

计算染色体X的先验知识；X的先验知识越大代表X越有可能被服务模式所满足；

遗传算法适应度函数f(X)＝w₁c₁(X)+w₂c₂(X)+w₃c₃(X)；

其中w₁，w₂，w₃分别代表了3个指标的权重，w₁+w₂+w₃＝1。

6.根据权利要求1所述的面向服务价值的低成本大规模个性化服务定制方法，其特征在于，在S5步骤中：

所述利用建立的需求模式与服务模式的匹配概率，找出与最佳需求模式集RP_i匹配的最佳的服务模式集SP_i，并以此生成满足当前用户需求r_i的服务解决方案具体包括：

找出RP_i中与每个需求模式rp_i概率最高的服务模式sp_j加入到SP_i中，之后迭代的计算服务模式库中剩余每个服务模式sp_j与需求模式集RP_i的相关度；在计算服务模式与RP_i相关度时设置相关度阈值a₁，将与需求模式集相关度小于a₁的服务模式从服务模式库去掉，同时考虑服务模式与SP_i中已选择的服务模式的重叠度，去除掉重叠度大于a₂的服务模式，最后在每次迭代过程中选择一个与RP_i相关度最大的服务模式加入到SP_i中；

根据公式

计算与每个需求模式rp_i匹配度最高的服务模式sp_j；

根据公式

计算每个服务模式sp_i与需求模式集RP_i的相关度；

根据公式

计算服务模式sp_i与SP_i的重叠度；

当服务模式生成的服务解决方案不能完全满足r_i时，对于缺失的服务节点，从候选服务集中选出一个最佳的候选服务来补充原有服务模式来生成r_i对应的服务解决方案。

7.根据权利要求6所述的面向服务价值的低成本大规模个性化服务定制方法，其特征在于，当服务模式生成的服务解决方案不能完全满足r_i时，对于缺失的服务节点，从候选服务集中选出一个最佳的候选服务来补充原有服务模式来生成r_i对应的服务解决方案，具体为：

对当前服务节点的候选服务集按照服务价格进行升序排序，然后根据排序后的候选服务集按照服务价格从低到高筛选候选服务，选择第一个满足用户需求的服务与原有服务模式相结合来生成完整的服务解决方案。

8.根据权利要求1所述的面向服务价值的低成本大规模个性化服务定制方法，其特征在于，在S8步骤中：

比较第一成本cost_i与第二成本cost_j大小；其中，当cost_i<cost_j时，采用所述服务解决方案同时采用渐进迭加的策略将新使用的服务解决方案导入到服务网络中；否则直接复用已有的服务子网j来满足当前用户需求r_i；如果不存在服务子网j满足当前用户需求r_i，则直接使用所述服务解决方案来满足用户需求r_i并采用渐进迭加策略的策略将所述服务解决方案导入到服务网络中。

Images