CN113553494A - 一种基于面向功能服务模式的服务组合方法 - Google Patents

Abstract

本发明公开了一种基于面向功能服务模式的服务组合方法。步骤1：面向功能服务模式建立挖掘算法，历史记录中有大量为满足已有用户需求所构建的服务组合方案，找到这些服务解决方案中有价值的流程片段；步骤2：基于模式的相关服务正向搜索策略，与输入参数相关的单独服务，也包括相关的面向功能服务模式，从而建立完成由输入参数到输出参数转换的服务流程；步骤3：最优服务解决方案的反向启发式搜索策略，通过反向启发式搜索策略对该服务网络进行优化。本发明克服现有技术没有考虑领域先验知识的缺点，弥补了服务组合领域中利用已有部分服务解决方案片段进行服务组合的空白。

Description

一种基于面向功能服务模式的服务组合方法

技术领域

本发明涉及服务选择技术领域，尤其涉及一种基于面向功能服务模式的服务组合方法。

背景技术

为满足用户所提出的复杂功能性服务需求，服务组合技术被广泛用于构建复杂的、增值的组合服务。在服务组合的过程中，服务发现是该组合过程中被频繁使用的步骤，因此，如何高效且准确地寻找相关服务成为至关重要的环节。由于互联网上的可用服务数量快速增长，为服务发现和服务组合带来巨大挑战。

发明内容

本发明提供一种基于面向功能服务模式的服务组合方法，克服上述现有技术没有考虑领域先验知识的缺点，弥补了服务组合领域中利用已有部分服务解决方案片段进行服务组合的空白。

本发明通过以下技术方案实现：

一种基于面向功能服务模式的服务组合方法，所述服务组合方法包括以下步骤：

步骤1：面向功能服务模式建立挖掘算法，历史记录中有大量为满足已有用户需求所构建的服务组合方案，找到这些服务解决方案中有价值的流程片段；

步骤2：基于模式的相关服务正向搜索策略，与输入参数相关的单独服务，也包括相关的面向功能服务模式，从而建立完成由输入参数到输出参数转换的服务流程；

步骤3：最优服务解决方案的反向启发式搜索策略，通过反向启发式搜索策略对该服务网络进行优化。

进一步的，所述步骤1具体为，由于服务解决方案可以被抽象的描述为有向无环图，有价值的流程片段挖掘即可以被当作频繁子图挖掘，频繁子图和面向功能服务模式都具有相同的含义。

进一步的，所述步骤2具体为，如图2所示，针对每层，算法首先遍历先验搜索空间，即由所有面向功能服务模式组成的搜索空间，然后遍历由单独服务组成的普通搜索空间，找到可以被上一层所得到的输出参数满足的服务构件，即上一层所得到的输出参数中包含所有调用该服务构件所需要的输入参数，当得到用户提出需求中的所有输出参数时，算法停止，由这些分层的相关服务构件组成的可执行路径即为满足用户功能需求的多种服务解决方案。

进一步的，所述步骤3具体为，反向启发式搜索策略从虚拟服务S_Out到S_In进行反向搜索，主要包括两个步骤：首先，通过语义概念匹配关系将处于多层的候选服务构件相连接，构成多条从虚拟服务S_In到S_Out可达的服务解决方案；然后，通过启发式算法优化服务网络，找到最优的服务解决方案。

本发明的有益效果是：

本发明通过发现历史服务记录中体现邻域中先验知识的面向功能服务模式(即由于功能相关性，多个服务被同时调用而形成的有价值流程片段)，从而提高相关服务的发现效率；与从零开始构建服务解决方案的方法相比，该方法由于考虑面向功能服务模式有效地缩减了相关服务的搜索空间，提高了搜索效率，因此取得了很好的实验效果。

附图说明

图1本发明的流程示意图。

图2本发明的频繁模式树图。

具体实施方式

下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

当没有任意一个独立的服务可以解决用户所提出的需求时，服务组合技术通过将多个功能相关的服务组合到一起来满足用户需求。为了有效的将功能相关的服务组合到一起，首选定义Web服务，以及Web服务之间关联关系的形式化描述和表达。

定义1：从服务功能角度，一个Web服务s可以被定义为f_s＝＜In，Out＞，s∈S，In，Out∈P，其中，In表示调用服务s所需要的输入参数，Out表示调用服务s之后所得到的输出参数，S表示所有服务的集合，P表示所有与集合S内服务相关的输入输出参数集合。

本节默认为采用领域本体

和语义标注的方法，服务输入输出参数集合P内的所有参数都可以用领域本体

内的语义概念表达。服务s₁和s₂兼容指的是服务s₁的输出参数可以作为服务s₂的输入参数，当且仅当描述服务s₁输出参数的语义概念与描述服务s₂输入参数的语义概念之间具有语义关联关系。为了衡量语义概念之间关联关系的质量，需要建立语义概念相似性的匹配精度度量机制。下面给出几种用于衡量同一个领域本体

内语义概念a和b之间的语义匹配精度度量：

·精确匹配(Exact)：如果语义概念a和语义概念b描述和表达的含义是相同的或等价的，那么语义概念a和b之间则为精确匹配，表示为a≡b。

·子集匹配(Plugin)：如果语义概念a为语义概念b的子集，也就是说，语义概念a所表达的含义比语义概念b所表达的含义更具体，那么语义概念a和b之间则为子集匹配，表示为

·超集匹配(Subsume)：如果语义概念a为语义概念b的超集，也就是说，语义概念a所表达的含义比语义概念b所表达的含义更抽象，那么语义概念a和b之间则为超集匹配，表示为

·不匹配(Disjoint)：如果语义概念a和语义概念b之间没有不存在任何可以比较的语义关系时，则称语义概念a和b之间不匹配，表示为a⊥b。

在本节的研究中，使用精确匹配和子集匹配作为判断两个服务是否兼容的评判标准，此外，当涉及到更加宽泛的服务组合时，可以考虑将超集匹配也作为判断服务之间兼容性的标准。

定义2：给定两组领域本体

中的语义概念C₁和C₂，定义运算符

当且仅当存在

时，称C₁和C₂之间满足全匹配关系。值得注意的是运算符

不满足交换律，即

根据定义2，可以判断两个Web服务s_i和s_j是否兼容。当且仅当描述服务s_i输出参数的语义概念

与描述服务s_j输入参数的语义概念

满足

时，称服务s_i和s_j是兼容的。服务网络根据服务输入输出参数的兼容关系建立了一个或多个数据中服务之间的依赖关系，其形式化定义如定义3所示。

定义3：服务网络的实例sn_i被定义为多元组

其中，

表示服务网络sn_i中涉及的所有服务集合；

和

分别表示通过执行服务网络sn_i可以将外部所提供的输入参数语义概念

转换为输出参数语义概念

晦，G，晦分别表示从

到

从

到

以及从

到

的有向边，并且每条边都满足全匹配关系。

因此，服务网络可以被当作是由服务集合

输入参数语义概念

输出参数语义概念

以及有向边晦，G，晦组成的分层有向图，每层包含若干服务，层与层之间使用有向边相连接。

定义4：给定服务需求r＝＜In_r，Out_r＞，In_r，Out_r≠φ，In_r，

其中，In_r表示用户可以提供的输入语义概念，Out_r表示用户期待得到的输出语义概念，那么，定义服务组合问题为找到满足用户需求的最优服务网络sn*(即没有任何冗余的服务解决方案)，使其同时满足条件

和

定义5：服务功能模式被定义为频繁出现在最优服务解决方案sn*中的部分服务解决方案片段(频繁子图)，即

由于服务功能模式存在于最优服务解决方案中，因此服务功能模式中不存在任何冗余。

实施例1

一种基于面向功能服务模式的服务组合方法，所述服务组合方法包括以下步骤：

步骤1：面向功能服务模式建立挖掘算法，历史记录中有大量为满足已有用户需求所构建的服务组合方案，找到这些服务解决方案中有价值的流程片段；

步骤2：基于模式的相关服务正向搜索策略，与输入参数相关的单独服务，也包括相关的面向功能服务模式(通过步骤1中挖掘方法得到的频繁子图)，从而建立完成由输入参数到输出参数转换的服务流程；

步骤3：最优服务解决方案的反向启发式搜索策略，通过反向启发式搜索策略对该服务网络进行优化。

进一步的，所述步骤1具体为，由于服务解决方案可以被抽象的描述为有向无环图(DirectedAcyclic Graph，DAG)，有价值的流程片段挖掘即可以被当作频繁子图挖掘(Frequent Subgraph Mining)，频繁子图和面向功能服务模式都具有相同的含义。

进一步的，所述步骤2具体为，如图2所示，针对每层，算法首先遍历先验搜索空间，即由所有面向功能服务模式组成的搜索空间，然后遍历由单独服务组成的普通搜索空间，找到可以被上一层所得到的输出参数满足的服务构件，即上一层所得到的输出参数中包含所有调用该服务构件所需要的输入参数，当得到用户提出需求中的所有输出参数时，算法停止，由这些分层的相关服务构件组成的可执行路径即为满足用户功能需求的多种服务解决方案。

进一步的，所述步骤3具体为，反向启发式搜索策略从虚拟服务S_Out到S_In进行反向搜索，主要包括两个步骤：首先，通过语义概念匹配关系将处于多层的候选服务构件相连接，构成多条从虚拟服务S_In到S_Out可达的服务解决方案；然后，通过启发式算法优化服务网络，找到最优的服务解决方案。

步骤1：每层中的候选服务构件都被放进一个列表中，这些列表中的候选服务构件可以被同时并行调用。服务解决方案即是从每层中选择候选服务构件并组成可执行的路径。算法从虚拟服务S_Out开始，寻找前一层中可以提供虚拟服务S_Out输入参数语义概念的服务构件。为了保证执行路径的连通性，如果前一层中无法找到提供某个作为输入参数的语义概念，那么就在前一层中创建一个虚拟服务，该虚拟服务的输入参数和输入参数都等于该语义概念。其原因是，由于存在虚拟服务S_Out，表明多层的服务网络中可以提供虚拟服务S_In的所有输入参数，这些语义概念不一定全部由前一层提供，也可能由前一层之前的某层内的服务构件提供，因此，创建虚拟服务保证执行路径的可联通性。然后，由于这些提供被选择的服务构件可能提供相同的语义概念，通过计算这些服务构件之间的不同组合，确定从前一层到虚拟服务S_Out的多条可达路径。算法逐层的连接可达路径，直到虚拟服务S_In被连接。

例如，在图2中，处于第5层的虚拟服务S_Out具有两个输入参数In＝{X，Y}，在第4层中有5个候选服务构件，分别为服务a，b，c，d，e。其中，服务a的输出参数为Out_a＝{X}，服务b的输出参数为Out_b＝{Y}，服务c的输出参数为Out_c＝{X，Y}，服务d的输出参数为Out_d＝{X}和服务e的输出参数为Out_e＝{Y}。算法为虚拟服务S_Out的每个输入参数创建列表存放可以提供该参数的服务构件，即参数X的列表Set(X)＝{a，c，d}和参数Y的列表Set(Y)＝{b，c，e}，分别从每个参数列表中选择一个候选服务构件组成虚拟服务S_Out在每条可执行路径上的邻居，即(a，b)，(a，c)，(a，e)，(c，b)，(c)，(c，e)和(d，e)，这些组合都可以为虚拟服务S_Out提供所需要的输入参数。

步骤2：服务解决方案sOl表示由每层中的候选服务构件组成的可执行路径。反向启发式算法的目的是寻找包含最少服务个数的服务解决方案，函数cost(sol)根据每个服务解决方案中的服务数量计算组成该服务解决方案的代价，同时，在考虑服务质量相关的组合问题时，可以使用服务质量函数替换此处的代价函数。基于以上分析，本节定义启发式函数如下公式所示：

其中，L₁表示服务解决方案的第一层，L_N表示服务解决方案的最后一层，并且使用代价函数cost，计算每层中候选服务的数量，虚拟服务不产生任何代价，即虚拟服务的代价值为0。

进一步的，步骤1具体还为，分析文献得出基于Apriori和模式增长的策略是两种比较流行的频繁子图挖掘方法。在大部分的情况下，基于模式增长的方法具有更好的实验效果，其原因为通过采用将频繁子图的增长和检测过程结合，基于模式增长的方法可以在不产生候选集的情况下发现所有频繁子图，从而提高算法效率。但是，根据实验结果分析，由于频繁子图的平均规模较小，即频繁子图中的平均节点个数较少，基于Apriori的方法与基于模式增长的方法效率相差不大，且基于Apriori的方法易于理解和实现，因此，选择基于Apriori的方法作为频繁子图挖掘的算法。

给定数据集，基于Apriori的方法采用图广度优先的搜索策略，算法1给出该方法的伪代码。该算法的主要特征为在考虑规模为k的子图时，首先考虑所有规模为k-1的子图。在生成频繁子图候选集时，向下封闭属性(Downward Closure Property)起到巨大作用，即如果一张图被认为是频繁的，那么这张图的全部子图也被认为是频繁的。因此，如果任意规模为k-1的子图不是频繁的，那么利用向下封闭属性可以有效安全的对频繁子图候选集进行剪枝操作。频繁子图挖掘采用迭代的模式挖掘策略，主要有以下三个步骤组成：候选子图生成(第6行)：候选子图模式是通过在上一次扫描过程中所产生结果的自连接而产生的。第k次迭代产生的候选子图的所有频繁子图一定出现在第k-1次迭代所产生结果中。候选子图计数(第7-13行)：每次扫描都会通过子图同构检测方法，计算候选子图在数据集中出现次数，通过支持度计数来确定子图是否频繁。剪枝(第14-16行)：只有出现次数小不于最小支持度阈值的子图才能成为下一次扫描的候选子图。当在某次扫描中没有新的候选子图出现时，则算法终止。

下面给出实例帮助理解算法的运行过程，如图1所示。给定含有8个不同服务解决方案的图数据集和最小支持度阈值

(见左侧)，算法通过多次迭代生成由不同规模频繁子图组成的网格(见右侧)，其中每层包含的频繁子图为本次迭代所产生的结果。如层1中，所有的子图规模都为1且出现次数不小于最小支持度阈值与数据集中所包含的图总数的乘积，即子图A，B，…。这些满足条件的频繁子图的排列组合作为下一次迭代的候选子图，即子图C→D，C→F，…。当没有新的候选子图生成时，算法停止，P1和P2表示所得到的频繁子图。

值得注意的是每个服务解决方案都被抽象地表达为有向无环图，因此，图中的每个节点都使用适当的编码来减少不必要的计算，如中所采用的按照字母表顺序编码，即图中每条边所连接的两个节点必须满足字母表顺序，如D→C因为违反了编码规则，所以一定不会出现在任何服务解决方案中。所有候选子图都需要满足字母表编码顺序，可以有效减少不必要的计算代价。

进一步的，步骤2具体还为，基于面向服务功能模式的正向搜索方法如算法2所示，第2-6行是方法的初始化部分，在第0层中创建虚拟服务S_In，该服务没有任何输入参数，其输出参数为用户需求r中作为需求输入参数的语义概念，即需求r可以提供的语义概念。变量i表示当前的层数，L_i表示所有第i层中发现的相关服务构件，Out_i表示通过调用第i层中这些相关服务构件所产生的语义概念，或称为第i层的输出语义概念。

表示算法目前为止获得的所有语义概念，即当前层以及之前所有层得到的语义概念的总和。第10-16行描述了算法遍历先验搜索空间的过程，即通过挖掘所得到的面向服务功能模式集。遍历面向服务功能模式集之后，算法通过第18-24行在剩余的服务中搜索输入参数可以被当前所得到的语义概念满足的相关服务，这里剩余的服务指将候选服务集S通过第15行过滤掉所有出现在相关面向服务功能模式的服务而剩余的候选服务。当算法获得所有服务需求的输出语义概念或没有新的服务构件被发现并添加到当前层时，算法停止(第7行)。最后，在最后一层中创建虚拟服务S_Out，该服务的输入参数为需求中需要获得的所有语义概念，输出参数为空。算法中的虚拟服务S_In和S_Out是为了下一小节中对服务网络进行优化时需要使用的。

Claims (4)

1.一种基于面向功能服务模式的服务组合方法，其特征在于，所述服务组合方法包括以下步骤：

步骤1：面向功能服务模式建立挖掘算法，历史记录中有大量为满足已有用户需求所构建的服务组合方案，找到这些服务解决方案中有价值的流程片段；

步骤2：基于模式的相关服务正向搜索策略，与输入参数相关的单独服务，也包括相关的面向功能服务模式，从而建立完成由输入参数到输出参数转换的服务流程；

步骤3：最优服务解决方案的反向启发式搜索策略，通过反向启发式搜索策略对该服务网络进行优化。

2.根据权利要求1所述一种基于面向功能服务模式的服务组合方法，其特征在于，所述步骤1具体为，由于服务解决方案可以被抽象的描述为有向无环图，有价值的流程片段挖掘即可以被当作频繁子图挖掘，频繁子图和面向功能服务模式都具有相同的含义。

3.根据权利要求1所述一种基于面向功能服务模式的服务组合方法，其特征在于，所述步骤2具体为，针对每层，算法首先遍历先验搜索空间，即由所有面向功能服务模式组成的搜索空间，然后遍历由单独服务组成的普通搜索空间，找到可以被上一层所得到的输出参数满足的服务构件，即上一层所得到的输出参数中包含所有调用该服务构件所需要的输入参数，当得到用户提出需求中的所有输出参数时，算法停止，由这些分层的相关服务构件组成的可执行路径即为满足用户功能需求的多种服务解决方案。

4.根据权利要求1所述一种基于面向功能服务模式的服务组合方法，其特征在于，所述步骤3具体为，反向启发式搜索策略从虚拟服务S_Out到S_In进行反向搜索，主要包括两个步骤：首先，通过语义概念匹配关系将处于多层的候选服务构件相连接，构成多条从虚拟服务S_In到S_Out可达的服务解决方案；然后，通过启发式算法优化服务网络，找到最优的服务解决方案。

Images