CN114625497B - 一种基于协同感知的可信服务组合方法 - Google Patents

一种基于协同感知的可信服务组合方法 Download PDF

Info

Publication number
CN114625497B
CN114625497B CN202111633859.2A CN202111633859A CN114625497B CN 114625497 B CN114625497 B CN 114625497B CN 202111633859 A CN202111633859 A CN 202111633859A CN 114625497 B CN114625497 B CN 114625497B
Authority
CN
China
Prior art keywords
service
task
services
cooperation
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111633859.2A
Other languages
English (en)
Other versions
CN114625497A (zh
Inventor
李尤慧子
石玉庭
殷昱煜
赵乃良
梁婷婷
李玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202111633859.2A priority Critical patent/CN114625497B/zh
Publication of CN114625497A publication Critical patent/CN114625497A/zh
Application granted granted Critical
Publication of CN114625497B publication Critical patent/CN114625497B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于协同感知的可信服务组合方法，包括任务分解、服务发现、服务组合、服务优化、服务组合求解、信誉更新等步骤。本发明方法包含三部分的内容：兼顾协同和执行质量的协同水平评估模型、可信算法的信誉模块和非功能QoS属性修正模块。通过本发明提供的基于协同感知的可信服务组合方法，可以在服务组合领域高效保证任务执行质量的同时兼顾服务间的高协同，减少服务间因沟通合作带来的不必要成本，一定程度上减少虚假服务的参与，保证数据的可信。

Description

一种基于协同感知的可信服务组合方法
技术领域
本发明属于服务组合中服务组合模型和数据可信领域，涉及一种参考服务间协同效应影响的可信服务组合方法。
背景技术
随着互联网的飞速发展，服务业作为推动现代化的主力军必须加快发展步伐，因此，一种新的面向服务的模式——云服务被提出。云服务旨在在分布式服务资源和能力之间进行共享和协作并与需求构成一种按需的资源分配和使用方式，在选取最优性能服务的同时将这些服务组合成一个满足用户需求的复合服务需要不断进行探索。服务组合是一种典型的NP-Hard问题，现阶段的服务组合方法存在时间复杂度高、组合效果差、组合路径只能达到次优解等问题。
近十多年以来，国内外的许多学者在云制造服务组合问题上不断探索且卓有建树。多数研究只考虑的服务的非功能QoS属性的影响，将服务视为单独的个体，不考虑服务与服务之间的相关性影响；有部分研究考虑历史合作次数对服务组合的影响，却没有深度剖析合作次数影响的原因；而考虑服务之间的相关性可以提高最优解的有效性，减少实际服务与服务之间合作产生的成本支出，提高合作效率。
发明内容
本发明的目的在于解决传统服务组合对整体任务执行结果、服务相关性、数据可信性方面等问题，而提出一种基于协同感知的可信服务组合方法。
本发明在传统服务组合的基础上，通过协同评估模型评估服务间的协同效应和任务整体执行结果，并通过可信算法的信誉模块，修正服务的信誉值和非功能性QoS属性值。该方法能够实现比传统服务组合更加安全、更加高效；通过改进的遗传算法来以较快的收敛速度找到给定项目对应的最优服务组合。
一种基于协同感知的可信服务组合方法，该方法包括以下步骤：
步骤1：每个任务T可以分解为一系列的子任务Ti，Ti＝{T1，T2，…Ti，TI}，其中，Ti表示任务的第i个子任务，I为子任务的数量；
步骤2：满足任务要求的服务被聚合在一起形成候选服务集，子任务Ti对应一个候选服务集CSi，
Figure BDA0003440987180000021
其中，
Figure BDA0003440987180000022
表示第i个子任务对应的第j个候选服务；
步骤3：子任务Ti从候选服务集中选择符合任务要求的服务
Figure BDA0003440987180000023
最终选择出服务总要求的服务链，选出的服务链可表示为：
Figure BDA0003440987180000024
步骤4：假设子任务Ti有m个候选服务
Figure BDA0003440987180000025
理论上，完成任务T有
Figure BDA0003440987180000026
条符合要求的服务链，J为子任务的数量，选择服务链的过程中根据任务要求考虑若干QoS指标约束，根据各种指标的约束不断调整选择的服务和计算服务间的协同度，最终确保所选择的服务链在满足所有任务要求，即，在所有可能的组合路径中选择一个最优的组合路径；
步骤5：在步骤4的QoS指标约束下和最大化协同度的基础上，利用改进的遗传算法求解满足任务要求的最优的组合路径；
步骤6：执行本次任务前，中间平台向参与任务执行节点通信，进行共识投票，服务根据自己已有的信誉记录对执行结果进行决策，执行后，中间平台和服务本身对反馈的结果进行信誉分数更新，中间平台对服务非功能QoS属性进行调整。
进一步地，所述步骤4中，QoS指标包括时间time、成本cost、成功率success-ability、可靠性reliability中的一种或多种。
进一步地，所述步骤4中，可信服务组合方法中的目标函数涉及服务之间的协同度以及任务执行质量，目标函数是使得给定任务完成最优且具有高度协同，减少不必要的消耗。
进一步地，所述步骤4包括：
步骤4-1：正负指标归一化
正特性和负特性以不同的方式缩放，时间time特性和成本cost特性属于负指标,对结果造成负影响，而可靠性reliability、成功率success-ability是属于正指标，对结果造成正影响，属性归一化处理如下定义：
Figure BDA0003440987180000031
Figure BDA0003440987180000032
其中，qu表示属性对应的数值，Qu表示该属性归一化后数值，u可表示为cost、time、reliability、success-ability非功能QoS属性，正属性按照4.1-1式计算，而负属性按照4.1-2计算；
步骤4-2目标约束公式：
Figure BDA0003440987180000033
Figure BDA0003440987180000034
Figure BDA0003440987180000035
Figure BDA0003440987180000036
其中，Costall表示此服务组合预计花费的总成本，cost为用户需求最大花费阈值；Timeall表示此服务组合预计花费的总时间，time为用户需求最大时间阈值；Sucall表示此服务组合预计的总成功率，suc为用户需求最小成功率阈值；Relall表示此服务组合路径预计的总可靠性，rel为用户需求最小可靠性阈值，Q为属性经过归一化的值，
Figure BDA0003440987180000041
表示子任务Ti选择的j服务。
步骤4-3：协同计算模型
单指标协同计算公式：
Figure BDA0003440987180000042
其中，
Figure BDA0003440987180000043
表示子任务i和子任务j关于opt指标的协同度，opt可表示为技术协同Technical synergy、质量协同Quality synergy、组织关系Geographicalrelationship、资源相关关系Resource-related relationship；
任务整体协同计算：
Figure BDA0003440987180000044
Figure BDA0003440987180000045
F＝p1Costagg+p2Timeagg+p3Sucagg+p4Relagg 4.3-3
Figure BDA0003440987180000046
式4.3-1中，Si，j表示子任务i和j关于合作水平高低的总协同度，Uij表示两组具有相连关系的服务的每个指标的协同度，介于0和1之间，数值0的服务间指标最不协同，数值1的服务间指标最协同，整体任务的总协同度用线性加权计算，wn为对应指标影响因子的权重；
式4.3-2中，C表示利用物理耦合模型计算任务整体的协同度；
式4.3-3，F为任务综合执行指数，反映子任务间的执行水平水平，p1、p2…pn为权重因数，Costagg表示此服务组合预计花费的总成本，Timeagg表示此服务组合预计花费的总时间，Sucagg表示此服务组合预计的总成功率，Relagg表示此服务组合路径的总可靠性；
式4.3-4中，H为修正后的协同度，将任务整体协同度C与任务综合执行指数F结合起来，反映整体任务协同水平以及执行水平。
进一步地，所述步骤5包括：
一个具体的复合服务被编码为染色体，染色体以整数数组的形式呈现，其长度等于所涉及的抽象服务的数量，整数组中的每个项依次包含匹配该抽象服务的候选服务，
Figure BDA0003440987180000051
表示i任务的j子任务，而
Figure BDA0003440987180000052
表示对应此任务的第k个可选服务；
适应度函数用于提供个体适应度的度量，选择算法在相对适应度不同的情况下选择单个个体进行复制，使用排序方法来计算防止过早收敛的个体的适应度，排序方法根据每个个体在群体中的排名而不是其先前的表现来分配适合度，个体的适应度由以下规则确定：
Figure BDA0003440987180000053
其中，Fit(T)表示目标函数值，即概率值，通过该目标函数值的大小进行排序，
Figure BDA0003440987180000054
表示对应任务T的服务组合集，Max表示最好的个体被选中的概率，用于确定对最适合的个体的偏见或选择压力，Min为下限，表示最坏的个体被选中的的概率，Nind为群体规模，Inc为相邻个体适合度之间的差异，Low为最不适合个体的预期试验次数。
进一步地，所述步骤6还包括根据任务执行结果反馈修改。
进一步地，所述步骤6中，所述可信服务组合方法中对具有虚假数据的服务的非功能QoS属性值根据任务结果反馈调整。
进一步地，所述步骤6包括：
服务提供商自身保存历史合作记录和结果以及对已合作服务提供商的信誉值，服务组合算法平台维护一张含有所有服务提供商的总信誉值表；
选择阶段：挑选合适的服务组成复合服务，挑选同时验证被挑选服务的信誉值是否低于阈值，低于阈值则不被考虑在内；
决策阶段：中间平台向本次任务的服务集合分发消息，包含此次服务集合节点，各服务节点查询自身信誉表进行决策；
执行阶段：开始执行复合服务，结果反馈服务组合算法平台以及对应的服务提供商；
信誉模块：服务提供商，根据投票详情和服务结果进行本次任务信誉更新，任务执行结果和投票详情成正相关，信誉加分，反之扣分；服务算法平台，根据投票详情和服务结果进行本次任务信誉更新，任务执行结果和投票详情成正相关，信誉加分，反之扣分；
动态调整：根据实际执行结果和预期执行结果的百分比修正更新本次负相关服务的非功能性QoS属性值，
修正非功能QoS属性公式：
Figure BDA0003440987180000061
其中，
Figure BDA0003440987180000062
表示此服务更新后的j属性值，
Figure BDA0003440987180000063
表示此服务原本的j属性值，calRes表示执行后的任务结果，relRes表示预期的任务结果。
本发明的有益效果：本发明在传统服务组合的基础上，探讨服务间合作水平高低，以协同度反映给定非功能属性QoS参数以及协同指标的服务间的合作水平，具体表现为执行后的任务的时间、成本、成功率等是否与预期计算一致或者在一定的误差内(合作必然带来服务的交互沟通转换成本)，建立协同评估模型反应服务之间的合作以及任务整体的预估执行结果。本次任务执行服务节点进行共识决策，根据执行后反馈的结果进行信誉更新，信誉值低于阈值不被考虑在服务组合内。
附图说明
图1是本发明的服务组合整体过程图；
图2是本发明的改进遗传算法的编码方式示意图；
图3是本发明的信誉模块的框架图。
具体实施方式
以下结合附图对本发明作进一步说明。
请参阅图1-3，一种基于协同感知的可信服务组合方法，包括以下步骤：
步骤1任务分解
每个任务T可以分解为一系列的子任务Ti，Ti＝{T1，T2，…Ti，TI}，其中，Ti表示任务的第i个子任务，I为子任务的数量。
步骤2服务发现
满足任务要求的服务被聚合在一起形成候选服务集，子任务Ti对应一个候选服务集CSi，
Figure BDA0003440987180000071
其中，
Figure BDA0003440987180000072
表示第i个子任务对应的第j个候选服务。
步骤3服务组合
子任务Ti从候选服务集中选择符合任务要求的服务
Figure BDA0003440987180000081
最终选择出服务总要求的服务链(组合路径)，选出的服务链可表示为：
Figure BDA0003440987180000082
步骤1至步骤3的流程请翻阅图1，示例图任务分解为4个子任务，每个子任务存在对应的候选服务集，理论共有36种可能服务链，从中选择最优满足任务需求的服务链。选择过程下文介绍。
步骤4服务优化
假设子任务Ti有m个候选服务
Figure BDA0003440987180000083
理论上，完成任务T可能有
Figure BDA0003440987180000084
条符合要求的服务链，J为子任务的数量，选择服务链的过程中会根据任务要求考虑一些QoS指标约束，如时间time、成本cost、成功率success-ability、可靠性reliability等。根据各种指标的约束不断调整选择的服务和计算服务间的协同度，最终确保所选择的服务链在满足所有任务要求，即，在所有可能的组合路径中选择一个最优的组合路径，以下是对协同评估模型的介绍。
步骤4-1：正负指标归一化
不同的非功能QoS属性的度量单位不同，数值可能存在较大差距，为了减少对于后续组合造成的权重影响，正特性和负特性以不同的方式缩放，时间time特性和成本cost特性属于负指标,对结果造成负影响，而可靠性reliability、成功率success-ability是属于正指标，对结果造成正影响，属性归一化处理如下定义：
Figure BDA0003440987180000085
Figure BDA0003440987180000086
其中qu表示属性对应的数值，Qu表示该属性归一化后数值，u可表示为cost、time、reliability、success-ability等非功能QoS属性，正属性按照4.1-1式计算，而负属性按照4.1-2计算。
步骤4-2：目标约束公式
Figure BDA0003440987180000091
Figure BDA0003440987180000092
Figure BDA0003440987180000093
Figure BDA0003440987180000094
其中，Costall表示此服务组合预计花费的总成本，cost为用户需求最大花费阈值；Timeall表示此服务组合预计花费的总时间，time为用户需求最大时间阈值；Sucall表示此服务组合预计的总成功率，suc为用户需求最小成功率阈值；Relall表示此服务组合路径预计的总可靠性，rel为用户需求最小可靠性阈值，Q为属性经过归一化的值，
Figure BDA0003440987180000095
表示子任务Ti选择的j服务。
步骤4-3：协同计算模型
单指标协同计算公式：
Figure BDA0003440987180000096
其中，s(i，ind)表示子任务i关于ind协同指标内容，
Figure BDA0003440987180000097
表示子任务i和子任务j关于协同指标ind的协同度，ind可表示为技术协同Technical synergy、质量协同Qualitysynergy、组织关系Geographical relationship、资源相关关系Resource-relatedrelationship，具体内容如下介绍：
技术协同Technical synergy：复合服务拆分成子任务的执行过程中，涉及到数十种不同的技术，并且单个技术之间定义不同的技术标准，为了顺利执行任务，服务提供商须制定公司标准满足客户需要且面向合作公司减少技术交互成本。
质量协同Quality synergy：质量管理体系认证指的是国际组织建立的统一质量管理体系ISO9001。如果企业的质量管理体系符合ISO9001标准，则意味着企业符合国际统一的标准。它不仅代表单个服务的质量管理体系，而且意味着该服务提供商符合国际统一的质量管理体系。同时，如果合作服务都符合某一特定标准，服务提供商之间的质量管理是相似的，可以更好地相互合作。
组织关系Geographical relationship：受文化的影响熏陶，两服务同属同一组织时，服务之间的协同会比分别属于不同组合的服务更好。组织文化可以为它们的行动提供任务情境的解释和惯例，区别于其他其他平台服务，使协作更容易，协同效率更好。
资源相关关系Resource-related relationship：指资源共享和资源互补。统一创建资源，并与其他服务共享资源，无需重复配置准备资源，降低操作成本；而资源互补，减少额外的资源之处，减少服务成本。
任务整体协同计算公式：
Figure BDA0003440987180000101
Figure BDA0003440987180000102
F＝p1Costagg+p2Timeagg+p3Sucagg+p4Relagg 4.3-3
Figure BDA0003440987180000103
式4.3-1中，Si，j表示子任务i和j关于合作水平高低的总协同度。Ui，j表示具有相连关系的服务间的每个指标的协同度，wn为对应指标影响因子的权重。
4.3-2式表示利用物理耦合模型计算任务整体的协同度C。
4.3-3式表示根据任务要求计算的任务综合执行水平F，p1、p2…pn为权重因数。
4.3-4式中H为修正后的协同度，将任务整体协同度C与任务综合执行水平F结合起来，反映整体任务协同水平以及执行水平。
步骤5服务组合求解
在步骤4的QoS指标约束下和最大化协同度的基础上，利用改进的遗传算法求解满足任务要求的最优的组合路径；
遗传算法的编码方式请参阅图2，一个具体的复合服务被编码为染色体，染色体以整数数组的形式呈现，其长度等于所涉及的抽象服务的数量，数组中的每个项依次包含匹配该抽象服务的候选服务。TJ表示第J个子任务，而
Figure BDA0003440987180000111
表示子任务Ti第j个可选服务。
本发明中，使用排序方法来计算防止过早收敛的个体的适应度，排序方法根据每个个体在群体中的排名而不是其先前的表现来分配适合度。
选择算子采用“轮盘赌”机制来概率选择父母个体。
交叉算子是标准的两点交叉，而变异算子随机选择n个组件服务(即染色体上的n个位置，染色体组的协同度大时降低变异概率和组件服务改变个数，反之协同度低时提高变异概率和组件服务改变个数)，并用可用服务中的一个随机替换所选候选服务。
在通过从旧种群中选择、交叉和变异个体产生新种群后，新个体必须重新插入到旧种群中，并将重新插入的人口中最不合适的个体替换为旧种群中最好的个体，以防止其丢失。
Figure BDA0003440987180000121
更具体地，一个具体的复合服务被编码为染色体，染色体以整数数组的形式呈现，其长度等于所涉及的抽象服务的数量，整数组中的每个项依次包含匹配该抽象服务的候选服务，
Figure BDA0003440987180000122
表示i任务的j子任务，而
Figure BDA0003440987180000123
表示对应此任务的第k个可选服务；
适应度函数用于提供个体适应度的度量，选择算法在相对适应度不同的情况下选择单个个体进行复制，使用排序方法来计算防止过早收敛的个体的适应度，排序方法根据每个个体在群体中的排名而不是其先前的表现来分配适合度，个体的适应度由以下规则确定：
Figure BDA0003440987180000131
其中，Fit(T)表示目标函数值，即概率值，通过该目标函数值的大小进行排序，
Figure BDA0003440987180000132
表示对应任务T的服务组合集，Max表示最好的个体被选中的概率，用于确定对最适合的个体的偏见或选择压力，Min为下限，表示最坏的个体被选中的的概率，Nind为群体规模，Inc为相邻个体适合度之间的差异，Low为最不适合个体的预期试验次数。
步骤6信誉更新
执行本次任务前，中间平台向最优的服务组合路径发送本次执行服务集合，进行共识投票，服务根据自己已有的信誉记录对执行结果进行预估成功或是失败，执行后，中间平台和服务本身对反馈的结果进行信誉分数更新。
请参阅图3，服务组合属于第三方中间平台提供的功能，当服务提供商在平台注册和使用资源时不免恶意商家提供虚假数据，参与合作时窃取他人数据进行恶意操作或者私密数据买卖。
设计动态组内-组间信誉更新模块，根据挑选出的组合服务节点决策和执行后的结果反馈更新全局信誉记录和每个服务的信誉记录。全局声誉模块记录每个服务的信誉值，算法挑选最优的服务组合路径时，考虑每个服务组件的信誉值，信誉值小于设定的信誉阈值，则会不考虑包含此服务组件的服务组合路径。具体过程如下：
服务提供商自身保存历史合作记录和结果以及对已合作服务提供商的信誉值，服务组合算法平台维护一张含有所有服务提供商的总信誉值表。
选择阶段：依据上述所说标准挑选合适的服务组成复合服务，挑选同时验证被挑选服务的信誉值是否低于阈值，低于阈值则不被考虑在内；
决策阶段：中间平台向本次任务的服务集合分发消息，包含此次服务集合节点，各服务节点查询自身信誉表进行决策；
执行阶段：开始执行复合服务，结果反馈服务组合算法平台以及对应的服务提供商；
信誉模块：服务提供商，根据投票详情和服务结果进行本次任务信誉更新，任务执行结果和投票详情成正相关，信誉加分，反之扣分；服务算法平台，同上加减分规则不变(因为使全局平台，加减分力度有所分别)。
动态调整：根据实际执行结果和预期执行结果的百分比修正更新本次负相关服务的非功能性QoS属性值，
修正非功能QoS属性公式：
Figure BDA0003440987180000141
其中，
Figure BDA0003440987180000142
表示此服务更新后的j属性值，
Figure BDA0003440987180000143
表示此服务原本的j属性值，calRes表示执行后的任务结果，relRes表示预期的任务结果。
以上是本发明的较佳实施过程，凡依本发明技术所做的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (6)

1.一种基于协同感知的可信服务组合方法，其特征在于：该方法包括以下步骤：
步骤1：每个任务T可以分解为一系列的子任务Ti，Ti＝{T1，T2，…Ti，TI}，其中，Ti表示任务的第i个子任务，I为子任务的数量；
步骤2：满足任务要求的服务被聚合在一起形成候选服务集，子任务Ti对应一个候选服务集CSi，
Figure FDA0004057316380000011
其中，
Figure FDA0004057316380000012
表示第i个子任务对应的第j个候选服务,J为该子任务对应的候选服务集中服务数量；
步骤3：子任务Ti从候选服务集中选择符合任务要求的服务
Figure FDA0004057316380000013
最终选择出服务总要求的服务链，选出的服务链可表示为：
Figure FDA0004057316380000014
步骤4：假设子任务Ti有m个候选服务
Figure FDA0004057316380000015
理论上，完成任务T有
Figure FDA0004057316380000016
条符合要求的服务链，其中，m为对应工序的子任务,I为子任务的数量,i＝1,2,...,I，选择服务链的过程中根据任务要求考虑若干QoS指标约束，根据各种指标的约束不断调整选择的服务和计算服务间的协同度，最终确保所选择的服务链在满足所有任务要求，即，在所有可能的组合路径中选择一个最优的组合路径；
步骤5：在步骤4的QoS指标约束下和最大化协同度的基础上，利用改进的遗传算法求解满足任务要求的最优的组合路径；
步骤6：执行本次任务前，中间平台向参与任务执行节点通信，进行共识投票，服务根据自己已有的信誉记录对执行结果进行决策，执行后，中间平台和服务本身对反馈的结果进行信誉分数更新，中间平台对服务非功能QoS属性进行调整；所述可信服务组合方法中对具有虚假数据的服务的非功能QoS属性值根据任务结果反馈调整；
步骤6具体包括：
服务提供商自身保存历史合作记录和结果以及对已合作服务提供商的信誉值，服务组合算法平台维护一张含有所有服务提供商的总信誉值表；
选择阶段：挑选合适的服务组成复合服务，挑选同时验证被挑选服务的信誉值是否低于阈值，低于阈值则不被考虑在内；
决策阶段：中间平台向本次任务的服务集合分发消息，包含此次服务集合节点，各服务节点查询自身信誉表进行决策；
执行阶段：开始执行复合服务，结果反馈服务组合算法平台以及对应的服务提供商；
信誉模块：服务提供商，根据投票详情和服务结果进行本次任务信誉更新，任务执行结果和投票详情成正相关，信誉加分，反之扣分；服务算法平台，根据投票详情和服务结果进行本次任务信誉更新，任务执行结果和投票详情成正相关，信誉加分，反之扣分；
动态调整：根据实际执行结果和预期执行结果的百分比修正更新本次负相关服务的非功能性QoS属性值，
修正非功能QoS属性公式：
Figure FDA0004057316380000021
其中，
Figure FDA0004057316380000022
表示此服务更新后的j属性值，
Figure FDA0004057316380000023
表示此服务原本的j属性值，calRes表示执行后的任务结果，relRes表示预期的任务结果。
2.根据权利要求1所述的一种基于协同感知的可信服务组合方法，其特征在于：所述步骤4中，QoS指标包括时间time、成本cost、成功率success-ability、可靠性reliability中的一种或多种。
3.根据权利要求2所述的一种基于协同感知的可信服务组合方法，其特征在于：所述步骤4中，可信服务组合方法中的目标函数涉及服务之间的协同度以及任务执行质量，目标函数是使得给定任务完成最优且具有高度协同，减少不必要的消耗。
4.根据权利要求3所述的一种基于协同感知的可信服务组合方法，其特征在于：所述步骤4包括：
步骤4-1：正负指标归一化
正特性和负特性以不同的方式缩放，时间time特性和成本cost特性属于负指标,对结果造成负影响，而可靠性reliability、成功率success-ability是属于正指标，对结果造成正影响，属性归一化处理如下定义：
Figure FDA0004057316380000031
Figure FDA0004057316380000032
其中，qu表示属性对应的数值，Qu表示该属性归一化后数值，u可表示为cost、time、reliability、success-ability非功能QoS属性，正属性按照4.1-1式计算，而负属性按照4.1-2计算；
步骤4-2目标约束公式：
Figure FDA0004057316380000033
Figure FDA0004057316380000034
Figure FDA0004057316380000035
Figure FDA0004057316380000041
其中，Costall表示此服务组合预计花费的总成本，cost为用户需求最大花费阈值；Timeall表示此服务组合预计花费的总时间，time为用户需求最大时间阈值；Sucall表示此服务组合预计的总成功率，suc为用户需求最小成功率阈值；Relall表示此服务组合路径预计的总可靠性，rel为用户需求最小可靠性阈值，Q为属性经过归一化的值，
Figure FDA0004057316380000042
表示子任务Ti选择的j服务；
步骤4-3：协同计算模型
单指标协同计算公式：
Figure FDA0004057316380000043
其中，
Figure FDA0004057316380000044
表示子任务i和子任务j关于opt指标的协同度，opt可表示为技术协同Technical synergy、质量协同Quality synergy、组织关系Geographical relationship、资源相关关系Resource-related relationship；
任务整体协同计算：
Figure FDA0004057316380000045
Figure FDA0004057316380000046
F＝p1Costagg+p2Timeagg+p3Sucagg+p4Relagg 4.3-3
Figure FDA0004057316380000047
式4.3-1中，Si,j表示子任务i和j关于合作水平高低的总协同度，Uij表示两组具有相连关系的服务的每个指标的协同度，介于0和1之间，数值0的服务间指标最不协同，数值1的服务间指标最协同，整体任务的总协同度用线性加权计算，wn为对应指标影响因子的权重；
式4.3-2中，C表示利用物理耦合模型计算任务整体的协同度；
式4.3-3，F为任务综合执行指数，反映子任务间的执行水平水平，p1、p2…pn为权重因数，Costagg表示此服务组合预计花费的总成本，Timeagg表示此服务组合预计花费的总时间，Sucagg表示此服务组合预计的总成功率，Relagg表示此服务组合路径的总可靠性；
式4.3-4中，H为修正后的协同度，将任务整体协同度C与任务综合执行指数F结合起来，反映整体任务协同水平以及执行水平。
5.根据权利要求1所述的一种基于协同感知的可信服务组合方法，其特征在于：所述步骤5包括：
一个具体的复合服务被编码为染色体，染色体以整数数组的形式呈现，其长度等于所涉及的抽象服务的数量，整数组中的每个项依次包含匹配该抽象服务的候选服务，
Figure FDA0004057316380000051
表示i任务的j子任务，而
Figure FDA0004057316380000052
表示对应此任务的第k个可选服务；
适应度函数用于提供个体适应度的度量，选择算法在相对适应度不同的情况下选择单个个体进行复制，使用排序方法来计算防止过早收敛的个体的适应度，排序方法根据每个个体在群体中的排名而不是其先前的表现来分配适合度，个体的适应度由以下规则确定：
Figure FDA0004057316380000053
其中，Fitness(T)表示目标函数值，即概率值，通过该目标函数值的大小进行排序，
Figure FDA0004057316380000054
表示对应任务T的服务组合集，Max表示最好的个体被选中的概率，用于确定对最适合的个体的偏见或选择压力，Min为下限，表示最坏的个体被选中的的概率，Nind为群体规模，Inc为相邻个体适合度之间的差异，Low为最不适合个体的预期试验次数。
6.根据权利要求1所述的一种基于协同感知的可信服务组合方法，其特征在于：所述步骤6还包括根据任务执行结果反馈修改。
CN202111633859.2A 2021-12-28 2021-12-28 一种基于协同感知的可信服务组合方法 Active CN114625497B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111633859.2A CN114625497B (zh) 2021-12-28 2021-12-28 一种基于协同感知的可信服务组合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111633859.2A CN114625497B (zh) 2021-12-28 2021-12-28 一种基于协同感知的可信服务组合方法

Publications (2)

Publication Number Publication Date
CN114625497A CN114625497A (zh) 2022-06-14
CN114625497B true CN114625497B (zh) 2023-04-07

Family

ID=81898467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111633859.2A Active CN114625497B (zh) 2021-12-28 2021-12-28 一种基于协同感知的可信服务组合方法

Country Status (1)

Country Link
CN (1) CN114625497B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107070704A (zh) * 2017-03-22 2017-08-18 东南大学 一种基于QoS的可信Web服务组合优化方法
CN112511346A (zh) * 2020-11-23 2021-03-16 大连理工大学 一种基于可信度筛选的Web服务组合方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492103B (zh) * 2018-02-07 2021-04-27 北京大学深圳研究生院 一种联盟区块链共识方法
CN110060157B (zh) * 2019-03-04 2021-08-24 清华大学 信誉度评估方法及系统
CN110059942B (zh) * 2019-04-02 2022-08-30 南京邮电大学 一种基于模糊多目标优化的云制造资源服务优化调度方法
CN110826903B (zh) * 2019-11-04 2023-08-11 云南电网有限责任公司电力科学研究院 一种基于区块链的企业信誉度评估方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107070704A (zh) * 2017-03-22 2017-08-18 东南大学 一种基于QoS的可信Web服务组合优化方法
CN112511346A (zh) * 2020-11-23 2021-03-16 大连理工大学 一种基于可信度筛选的Web服务组合方法

Also Published As

Publication number Publication date
CN114625497A (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
Xu et al. Fuzzy optimal allocation model for task–resource assignment problem in a collaborative logistics network
Li et al. Self-adaptive multi-objective evolutionary algorithm for flexible job shop scheduling with fuzzy processing time
Shen et al. Mathematical modeling and multi-objective evolutionary algorithms applied to dynamic flexible job shop scheduling problems
CN111222665B (zh) 基于偏好nsga-ⅲ算法的云制造服务组合优化选择方法
CN104077634B (zh) 基于多目标优化的主动‑反应式动态项目调度方法
Li et al. New MILP model and station-oriented ant colony optimization algorithm for balancing U-type assembly lines
Xu et al. Towards heuristic web services composition using immune algorithm
CN109559033B (zh) 一种面向云设计制造模式的社交化团队成员优选方法
CN114066104A (zh) 一种面向云制造任务变化的资源动态调度方法
Lu et al. A resource investment problem based on project splitting with time windows for aircraft moving assembly line
CN113191828A (zh) 一种用户用电价值等级标签构建方法、装置、设备及介质
CN110110962B (zh) 一种任务群智执行团队的优选方法
Zhou et al. DPS: Dynamic pricing and scheduling for distributed machine learning jobs in edge-cloud networks
Zhang et al. Individualized requirement-driven multi-task scheduling in cloud manufacturing using an extended multifactorial evolutionary algorithm
CN113139639B (zh) 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置
Ding et al. Pareto optimality of centralized procurement based on genetic algorithm
CN111932106B (zh) 一种有效实用的云制造任务与服务资源匹配方法
Manavi et al. Resource allocation in cloud computing using genetic algorithm and neural network
CN114625497B (zh) 一种基于协同感知的可信服务组合方法
Bastiani et al. Portfolio optimization from a set of preference ordered projects using an ant colony based multi-objective approach
Zhao et al. Building innovative service composition based on two-way selection in cloud manufacturing environment
Liu et al. Sustainability-aware collaborative service composition and recommendation based on multi-attribute correlations
Huang et al. A new SSO-based algorithm for the bi-objective time-constrained task scheduling problem in cloud computing services
CN115361392A (zh) 基于区块链的算力网络的控制方法、系统和存储介质
Hu et al. A two-stage multi-objective task scheduling framework based on invasive tumor growth optimization algorithm for cloud computing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant