CN114995964A

CN114995964A - 一种组合服务重构方法、装置、设备和计算机可读介质

Info

Publication number: CN114995964A
Application number: CN202210540726.9A
Authority: CN
Inventors: 刘志中; 郑禾丹; 初佃辉; 尚领; 孟令强
Original assignee: Yantai University
Current assignee: Yantai University
Priority date: 2022-05-17
Filing date: 2022-05-17
Publication date: 2022-09-02

Abstract

本发明公开了一种组合服务重构方法、装置、设备和计算机可读介质，属于计算机技术领域。方法包括：预测组合服务中原始组件服务的一般服务质量以及领域服务质量；将原始组件服务的一般服务质量和领域服务质量分别与原始组件服务对应的一般服务质量约束和领域服务质量约束对比，根据对比结果确定组合服务中失效的原始组件服务；为失效的原始组件服务获取对应的替换组件服务；利用替换组件服务代替失效的原始组件服务，生成重构组合服务。本发明公开的技术方案在进行服务QoS失效判断时，综合预测服务所具有的一般服务质量(GQoS)领域服务质量(DQoS)失效的情况，实现及时对组合服务进行动态重构。

Description

一种组合服务重构方法、装置、设备和计算机可读介质

技术领域

本发明涉及计算机技术领域，特别涉及一种组合服务重构方法、装置、设备和计算机可读介质。

背景技术

近年来，随着网络上出现了大规模来自于多个领域的业务服务，不同领域的业务服务通过相互协作形成服务网络，为用户提供了丰富的服务资源。服务优化组合技术通过聚合来自于不同领域的简单服务，构建出功能强大的组合服务，进而满足用户复杂的日常生活和工作业务需求。同时，随着移动网络与智能终端的普及，用户可以随时随地访问服务。

目前，越来越多的用户倾向于使用组合服务来处理各种业务。然而，由于服务运行环境的动态性，组合服务的质量受到多种因素的影响，呈现出不稳定的特征。在组合服务运行的过程中，组合服务经常出现由于质量变差而导致服务失效的情况，进而使得组合服务运行失败，严重影响用户的体验和服务资源的利用率，这就需要对组合服务的质量进行重构。现有技术中，对于组合服务的重构尽管已经取得了一些技术成果，但仍存在组合服务失效判断指标不全面、判断依据不精准等问题。

发明内容

为了解决上述现有技术中存在的至少一个技术问题，本发明实施例提供了一种组合服务重构方法、装置、设备和计算机可读介质。所述技术方案如下：

第一方面，提供一种组合服务重构方法，包括：

预测组合服务中原始组件服务的一般服务质量以及领域服务质量；

将所述原始组件服务的一般服务质量和领域服务质量分别与所述原始组件服务对应的一般服务质量约束和领域服务质量约束对比，根据对比结果确定所述组合服务中失效的所述原始组件服务；

为失效的所述原始组件服务获取对应的替换组件服务；

利用所述替换组件服务代替失效的所述原始组件服务，生成重构组合服务。

进一步地，获取所述原始组件服务对应的一般服务质量约束，包括：

获取所述组合服务对应的一般服务质量约束；

利用社会学习优化算法将所述组合服务对应的一般服务质量约束分解为所述组合服务中各所述原始组件服务对应的一般服务质量约束。

进一步地，所述利用社会学习优化算法将所述组合服务对应的一般服务质量约束分解为所述组合服务中各所述原始组件服务对应的一般服务质量约束，包括：

将所述组合服务对应的一般服务质量约束分解为所述组合服务中各所述原始组件服务对应的一般服务质量约束的分解任务，映射为原始个体；

分别在微空间和学习空间中对所述原始个体进行演化操作和学习操作，获得演化个体和学习个体；所述演化操作包括：交叉操作和/或变异操作，所述学习操作包括：观察学习和/或模仿学习；

计算所述原始个体、所述演化个体、所述学习个体的适应度值，根据所述适应度值将所述原始个体分别与所述演化个体、所述学习个体进行贪婪操作，保留适应度值较高的个体；

按照更新频率将所述种群中是定度值较高的个体上传至所述信仰空间中；

利用所述信仰空间中的所述个体替换所述微空间中的所述适应度值较差的个体。

进一步地，采用事例推理方法，联合预测所述组合服务中所述原始组件服务的一般服务质量以及领域服务质量，包括：

将所述原始组件服务表示为目标事例，所述目标事例的条件特征包括所述原始组件服务在即将运行时的情境信息，所述目标事例的决策特征包括所述原始组件服务在未来运行时对应的一般服务质量与领域服务质量；

根据所述目标事例与历史事例的相似度，在历史事例库中确定所述目标事例的相似事例；

根据所述相似事例中的一般服务质量和领域服务质量预测所述目标事例的一般服务质量和领域服务质量。

进一步地，所述根据所述目标事例与历史事例的相似度，在历史事例库中确定所述目标事例的相似事例，包括：

采用文化-遗传算法确定不同决策特征对应的最优权值组合；

根据所述最优权值组合计算所述目标事例与所述历史事例的相似度；

按照相似条件并根据所述目标事例与所述历史事例的相似度，在所述历史事例库中确定所述相似事例。

进一步地，所述为失效的所述原始组件服务获取对应的替换组件服务，包括：

基于最小生成树启发式分段聚类法，在组件服务库中为失效的所述原始组件服务确定至少一个候选组件服务，所述组件服务库中包括多个资源组件服务；其中，包括：

将所述资源组件服务的平均相似度作为截断距离，计算每个所述资源组件服务的局部密度；

按照所述服务局部密度的大小对所述资源组件服务排序，将满足排序条件的所述资源组件服务对应的点作为初始类簇中心，并对剩余资源组件服务按照相似度进行分配；

将各类簇映射为节点，类簇间相似度映射为节点之间的边的权值，计算各类簇的簇内相似度与簇间相似度，并利用kruskal算法选取权值最大的边生成最小生成树；

对所述最小生成树中权重最小的边进行分段操作，得到新的类簇，将结果作为新的聚类结果进行存储；

当所有的边都被切割完毕时停止分段操作，计算每种聚类结果的簇内相似度与簇间相似度的比值，选择比值最小的作为最终的聚类结果，得到所述候选组件服务。

进一步地，所述方法还包括：

当所述候选组件服务为多个时，根据所述候选组件服务的一般服务质量和领域服务质量，在所述候选组件服务的集合中确定所述替换组件服务。

第二方面，提供了一种组合服务重构装置，所述装置包括：

服务质量预测模块，用于预测组合服务中原始组件服务的一般服务质量以及领域服务质量；

失效服务确定模块，用于将所述原始组件服务的一般服务质量和领域服务质量分别与所述原始组件服务对应的一般服务质量约束和领域服务质量约束对比，根据对比结果确定所述组合服务中失效的所述原始组件服务；

替换服务确定模块，用于为失效的所述原始组件服务获取对应的替换组件服务；

组合服务重构模块，用于利用所述替换组件服务代替失效的所述原始组件服务，生成重构组合服务。

第三方面，提供了一种电子设备，包括：

一个或多个处理器；以及

与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如第一方面任一所述的方法。

第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如第一方面任一所述的方法。

本发明实施例提供的技术方案带来的有益效果至少包括：

1、本发明公开的技术方案在进行服务QoS失效判断时，综合预测服务所具有的一般服务质量(GQoS)领域服务质量(DQoS)失效的情况，实现及时对组合服务进行动态重构；

2、本发明公开的技术方案在获取组件服务对应的GQoS约束时，采用用户偏好感知的全局GQoS约束优化分解方法，该方法将组合服务需要满足的全局GQoS约束分解为每个组件服务需要满足的局部GQoS约束，从而得到了较为准确的组件服务GQoS失效的判断依据；

3、本发明公开的技术方案在为失效的服务寻找替换服务时，采用最小生成树启发式分段服务聚类算法，依据服务的多维属性对大规模的服务进行相似服务聚类，为实现快速的相似服务发现奠定重要基础。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的组合服务重构方法流程图；

图2是本发明实施例提供的偏好感知的GQoS取值区间的确定过程；

图3是本发明实施例提供的GQoS质量标尺分解过程示意图；

图4是本发明实施例提供的个体X_i编码实例图；

图5是本发明实施例提供的个体X_i与X_j的交叉操作过程示意图；

图6是本发明实施例提供的个体X_i的变异操作过程示意图；

图7是本发明实施例提供的个体X_i观察学习过程示意图；

图8是本发明实施例提供的个体X_i模仿学习过程示意图；

图9是本发明实施例提供的组合服务重构装置模块示意图；

图10是本发明实施例提供的计算机系统结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，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。

近年来，本领域研究人员针对服务故障或服务质量失效的组合服务动态重构问题开展了初步研究，并取得了一定的研究成果。针对组合服务中单个组件服务QoS失效的问题，提出了多种QoS失效识别方法，并对QoS失效服务进行替换。例如：采用单服务替换与区域重构相结合的重构策略，并将研究重点放在如何快速实现组合服务失效区域的重构；通过确定组合服务中QoS失效区域，将组合服务区域重构问题转化为服务组合问题，并采用优化算法、图论法、整数规划方法进行解决。虽然已有的面向服务质量失效的组合服务动态重构研究取得了一定的研究成果，但仍存在以下几点不足：

(1)已有的研究工作在进行服务QoS失效判断时，没有给出如何获得精确的组件服务QoS失效的判断依据，从而导致服务QoS失效判断精度较低；

(2)已有的研究工作在进行服务QoS失效判断时，没有考虑服务所具有的领域服务质量(DQoS)失效的情况，错失了一些对组合服务进行动态重构的时机；

(3)在为失效的服务寻找替换服务时，现有的服务发现方法通常采用遍历的方法从大量的候选服务中选出合适的服务。然而，由于网络上存在海量的可用服务，现有的服务发现方法效率较低，运行时间较长，严重影响了组合服务动态重构的时效性。

针对上述问题，如图1所示，本发明实施例提供了一种组合服务重构方法，具体技术方案如下：

S1、预测组合服务中原始组件服务的一般服务质量以及领域服务质量。

上述，组合服务中包含一个或多个原始组件服务。预测原始组件服务的一般服务质量(GQoS)以及领域服务质量(DQoS)，主要指预测组合服务执行下一个运行任务过程中，原始组件服务的GQoS以及DQoS。具体的预测方法可以是人工经验估算法、依据该组合服务在执行相似运行任务过程中的GQoS以及DQoS进行估算、依据与该组合服务相似的其他组合服务在执行相同或相似运行任务过程中的GQoS以及DQoS进行估算。

在一个实施例中，步骤S1具体为采用事例推理方法，联合预测组合服务中原始组件服务的一般服务质量以及领域服务质量。

上述，事例推理(Case-based reasoning，CBR)是一种高效的问题求解方法，事例一般由条件特征和决策特征组成。它通过存储类似的问题并重用这些问题的解决方案来解决新的问题。CBR求解过程模型包括四个环节，即事例检索、事例重用、事例修正和事例存储。本发明实施例提出了一种改进的事例推理方法，通过检索与目标事例相似的历史事例，并依据这些相似事例，可以实现联合预测原始组件服务的GQoS以及DQoS。

本发明实施例公开的事例推理方法具体包括：

将原始组件服务表示为目标事例，目标事例的条件特征包括原始组件服务即将运行时的情境信息，目标事例的决策特征包括原始组件服务在未来运行时对应的一般服务质量与领域服务质量；

根据目标事例与历史事例的相似度，在历史事例中确定目标事例的相似事例；

根据相似事例中的一般服务质量和领域服务质量预测目标事例的一般服务质量和领域服务质量。

上述，首先将原始组件服务进行事例表示。事例的条件特征部分为原始组件服务运行时的情境信息，包括：服务的负载(Load)、任务类型(TaskType，TT)、任务的总量(TaskQuota，TQ)等。决策特征包括：服务处理任务时所表现出来的GQoS值与DQoS值。面向GDQoS预测的事例模型定义如(1)式所示：

其中Load_i，TT_i，TQ_i分别表示第i个事例中服务的负载、任务类型以及任务的总量。

与

分别表示服务在负载Load_i下，处理任务类型为TT_i、任务量为TQ_i的任务时的GQoS值与DQoS值。

事例检索处于CBR四个环节的第一步，检索质量的好坏直接影响CBR模型的性能，而不合理的权重分配会影响检索质量。所以对特征进行合理分配十分必要。事例检索是指在规定时间内从事例库中检索到K个与目标事例相似的事例。本发明实施例采用相似度来度量目标事例与历史事例的接近程度，进而实现相似案例的检索。定义目标GDQoS事例：

其中Load₀，TT₀，TQ₀分别从用户的请求信息以及服务运行数据中提取；

与

表示需要预测的GQoS值与DQoS值。

目标事例与历史事例之间的相似度分为局部相似度和全局相似度，局部相似度是目标事例与历史事例中不同条件特征之间的相似度，全局相似度是局部相似度的加权和。本发明实施例中各类条件属性均为数值型属性，因此采用Hamming距离公式(3)来计算数值型属性的相似度：

其中，

表示历史事例的第p个条件特征值，

表示目标事例的第p个条件特征值，

与

分别表示所有事例的第p个条件特征的最小值与最大值。基于Hamming距离的全局相似度计算公式如式(4)所示：

其中，TC₀表示目标事例，SC_i表示历史事例，sim_n表示目标事例TC₀与历史事例SC_i第n个条件特征间的相似度，ω_n表示第n个条件特征对应的权值。

由于每个条件特征对于不同决策特征的重要性是不同的。因此，在一个实施例中，采用文化-遗传算法对不同决策特征对应的权值组合进行寻优，以此在事例检索环节上得到更为相似的事例，提高GDQoS预测的准确率。

基于上述，本发明实施例中，根据目标事例与历史事例的相似度，在历史事例库中确定目标事例的相似事例，包括：

采用文化-遗传算法确定不同决策特征对应的最优权值组合；

根据最优权值组合计算目标事例与历史事例的相似度；

按照相似条件并根据目标事例与历史事例的相似度，在历史事例库中确定相似事例。

上述，本发明实施例公开的文化-遗传算法采用染色体编码模型如式(5)来表示个体：

其中，

表示第i个个体在计算第j个决策特征时，第n个条件特征的权值。

将使用每组权值组合进行预测的平均准确率用于评价作为个体的适应度。

以下是对基于文化-遗传算法的权值寻优方法的具体描述：

在根据上述权值计算方法得到最优权值组合后，依据最优权值组合计算相似度，检索出K个最佳相似的历史事例作为相似事例，并依据历史事例中的GDQoS值来预测目标事例的GDQoS值，计算如式(6)所示：

其中，

表示目标事例的特征属性值，即要预测的服务GQoS值与DQOS值，

表示检索出的历史事例SC_i中的GQoS值与DQoS值SIM(TC₀,SC_i)表示目标事例TC₀与历史事例SC_i的相似度。将依据相似度检索到的K个最佳历史事例的GQoS值与DQoS值分别代入(6)式，可得到组件服务在当前情境下GQoS与DQoS的预测值。

S2、将原始组件服务的一般服务质量和领域服务质量分别与原始组件服务对应的一般服务质量约束和领域服务质量约束对比，根据对比结果确定组合服务中失效的原始组件服务。

上述，原始组件服务的一般服务质量约束(下称GQoS约束)与领域服务质量约束(下称DQoS约束)均可基于组合服务的GQoS约束以及DQoS约束确定。

在一个实施例中，采用偏好感知的全局GQoS约束优化分解方法获取原始组件服务的GQoS约束，具体的获取方法，包括：

获取组合服务对应的一般服务质量约束；

利用社会学习优化算法将组合服务对应的一般服务质量约束分解为组合服务中各原始组件服务对应的一般服务质量约束。

上述，用户在提交组合服务使用请求时，往往会提出针对整个组合服务的全局GQoS约束。为了得到每个组件服务需要满足的局部GQoS约束，需要对用户提出的全局GQoS约束进行优化分解，将其分解为每个组件服务需要满足的局部GQoS约束，该局部GQoS约束亦为组件服务GQoS失效的判断依据。然而，已有的全局QoS约束优化分解方法，通常将抽象组件服务对应的所有历史组件服务的QoS取值区间作为该抽象组件服务的GQoS取值区间，并基于这些取值区间进行全局GQoS约束优化分解。这种处理方式没有考虑不同用户群体的GQoS偏好，导致GQoS取值区间过于粗略，精确地较低。

为了提高全局GQoS约束优化分解的准确性，本发明实施例提出了一种偏好感知的全局GQoS约束优化分解方法，其主要思路为：首先，根据用户群体的服务使用偏好，确定每个抽象组件服务的GQoS属性取值区间；之后，将每个抽象组件服务对应的GQoS取值区间划分为一组离散的质量值(称为质量标尺)，基于改进的SLO算法为每一个抽象组件服务找到一组最优的质量标尺组合，这个质量标尺组合即为抽象的组件服务需要满足的局部GQoS约束。

上述，在群体智能算法中，一个可行解称为一个个体，所有的可行解称为种群。具体地，个体是指全局GQoS约束优化分解问题的一个解；种群是指在用改进的社会学习优化算法求解全局GQoS约束优化分解问题时，所有的可行解。不同用户群体对同一业务既定的组合服务的组件服务具有不同的局部GQoS约束偏好。为了得到与用户偏好相对应的局部GQoS约束，在进行全局GQoS约束优化分解时，需要根据不同用户群体的GQoS偏好，确定服务组合流程中每个抽象服务对应的GQoS属性的取值区间。在确定组件服务的历史GQoS取值区间时，考虑了用户群体的GQoS偏好，根据不同用户群体对组合服务使用的历史记录，确定每个抽象组件服务的GQoS属性取值区间。具体的操作过程如图2所示：首先，从历史组合服务集中筛选出具有相同功能属性的历史组合服务；然后，依据使用过这些历史组合服务的用户的偏好，对用户进行分类，得到多个用户群体；最后，依据用户分类结果，统计在不同用户群体中具有相同功能属性的组合服务中，每类抽象组件服务的历史GQoS值，确定用户偏好感知的GQoS取值区间。

上述，对于服务组合流程中的每一个抽象组件服务，根据偏好感知的GQoS取值区间确定方法得到每一个GQoS属性的取值区间，并将每一个取值区间划分为一组离散的质量值，每一个离散的质量值称为该属性的一个质量标尺。设抽象组件服务S_j共有k个GQoS属性，其中第i个GQoS属性的取值区间为

则第i个GQoS属性的质量标尺的划分如式(7)所示。

其中，

和

分别表示抽象组件服务S_j的第i个QoS属性的最大值与最小值，d表示每个质量标尺的离散数值的个数，

表示抽象组件服务S_j的第i个质量标尺的第d个离散值。通过对抽象组件服务S_j中的k个GQoS属性取值区间进行划分，得到k个质量标尺集合。对于每一个抽象组件服务，其质量标尺产生过程如图3所示。其中，图3的左侧表示抽象组件服务S_j的k个GQoS属性的历史取值；图3的右侧表示，通过对每一个GQoS属性的取值区间进行划分，得到的每一个GQoS属性对应质量标尺。

在实际应用中，组合服务通常需要满足用户提出若干个GQoS属性全局约束(设为k个)，因此，在进行全局GQoS约束分解时，每个抽象的组件服务需要满足k个局部的GQoS约束。对于每一个抽象组件服务，为每一个GQoS属性选取一个质量标尺，并将所选择的质量标尺放在一起，即可得到抽象服务的一个质量标尺组合。

全局GQoS约束分解的目标是为组合服务流程的每个抽象组件服务找到一组质量标尺组合(QualityLevelCombination，QLC)，使得每个抽象组件服务在满足这组质量标尺组合时，所有抽象组件服务的聚合GQoS约束亦能满足全局GQoS约束。同时，使得处于这些质量标尺组合下的候选服务数量尽可能的多，候选服务的GQoS尽可能的好。为此，本发明实施例将满足质量标尺组合下的候选服务数量与质量标尺组合的效用值作为对质量标尺组合评价的主要指标。质量标尺组合的评价公式如(8)式所示：

其中，

表示抽象组件服务S_j的第i个质量标尺组合，

表示满足第i个质量标尺组合的服务个数，

表示抽象组件服务S_j的第i个质量标尺组合的效用值。抽象组件服务S_j的第i个质量标尺组合(QLC)效用函数如式(9)所示。

其中，

表示抽象组件服务S_j第i个质量标尺组合的第r个QoS属性值，

和

分别表示抽象组件服务S_j的第r个QoS的最大值与最小值,w_r表示用户偏好,w_r∈(0,1]。全局QoS约束优化分解的目标是为每个抽象组件服务找到最佳的质量标尺组合，定义全局QoS约束优化分解问题的目标函数为(10)式所示。

其中，n为组合服务流程中抽象服务的数量，

表示抽象服务类S_j一个质量标尺组合的评价值。

在一个实施例中，全局GQoS约束优化分解的本质是一个组合问题，本发明实施例结合该问题的特性，对社会学习优化算法进行了改进，使其能够高效地求解全局QoS约束优化分解问题。利用社会学习优化算法将组合服务对应的一般服务质量约束分解为组合服务中各原始组件服务对应的一般服务质量约束，包括：

将组合服务对应的一般服务质量约束分解为组合服务中各原始组件服务对应的一般服务质量约束的分解任务，映射为原始个体；

分别在微空间和学习空间中对原始个体进行演化操作和学习操作，获得演化个体和学习个体；演化操作包括：交叉操作和/或变异操作，学习操作包括：观察学习和/或模仿学习；

计算原始个体、演化个体、学习个体的适应度值，根据适应度值将原始个体分别与演化个体、学习个体进行贪婪操作，保留适应度值较高的个体；

按照更新频率将种群中适应度值较高的个体上传至信仰空间中；

利用信仰空间中的个体替换微空间中的待适应度值较差的个体。

上述，社会学习优化算法(SocialLearningOptimizationalgorithm,SLO)是一种模拟人类社会智能演化过程的群体智能算法。该算法具有三层协同进化空间，分别为：微空间、学习空间及信仰空间。微空间模拟人类社会智能演化的遗传变异过程，并为学习空间提供具有优良基因的个体；个体在学习空间通过观察学习与模仿学习来提升自身的智能水平；信仰空间从学习空间中提取优秀的个体作为知识保存在该空间内，随着迭代次数的增加，知识经过积累和沉淀形成文化；文化通过影响操作引导微空间内群体的进化。SLO算法具有较好的优化机理与协同演化机制，具有较好的优化求解性能。然而，现有的SLO算法不能直接用于求解全局QoS约束优化分解问题，因此，本发明实施例结合全局QoS约束优化分解问题的特点，对SLO算法进行改进，设计了新的学习算子。下面介绍个体编码格式以及每个演化空间内的优化操作：

(1)解的编码方式

全局GQoS约束优化分解的目标是为每个抽象组件服务找到最佳的质量标尺组合(QLC)，每个抽象组件服务对应一个QLC，一个组合服务又包含多个抽象组件服务。因此，全局GQoS约束优化分解问题的解由一组QLC构成。本发明实施例采用二维编码模型来表示全局GQoS约束优化分解问题的个体X_i，其结构如图4所示。图4中，S₁、S₂、…、S_n表示组合服务中n个抽象组件服务，q₁、q₂、…、q_k表示全局GQoS约束中k个GQoS属性，S_nkL_e表示抽象组件服务S_n的第k个QoS属性的第e个质量标尺，<S_n1L_r,S_n2L_u,S_n3L_v,…,S_nkL_e>表示组合服务中第n个抽象组件服务S_n的一组质量标尺组合(QLC)。本发明实施例将应用公式(10)计算种群中个体的适应度值，个体的适应度值随着三层协同进化空间内的操作而改变。

(2)微空间内的操作

在微空间内执行遗传变异演化过程，主要包括选择、交叉、变异以及贪婪操作，选择操作采用轮盘赌进行选择。交叉与变异操作的定义如下：

(a)交叉操作

设X_i和X_j为任意两个个体，且i≠j。本发明实施例采用单点交叉模式，r为(0,1)的随机数，p_c为交叉率,d为[1,k]的随机整数，表示两个个体发生交叉时的交叉位置。若r＜p_c，则执行交叉操作，将X_i前d-1列与X_j的第d到k列合并，作为个体X_i交叉后的新个体

同理，将X_i的第d到k列与X_j的前d-1列合并，作为个体X_j交叉后的新个体

交叉操作如图5所示，图中

表示两个个体执行交叉操作。

根据公式(10)计算交叉前后生成的新个体的适应度值(新个体为演化个体)，之后执行贪婪操作，比较个体X_i与

X_j与

的评价值，保留适应度值较高的个体。

(b)变异操作

本发明实施例对个体采用单点变异操作，具体操作为：随机选择个体X_i中一列质量标尺，从相应的质量标尺集合中随机选择一个新的质量标尺替换被选中的质量标尺。变异操作如图6所示。图6中，

为变异后产生的新个体，m为[1,k]内的随机整数，表示个体X_i发生变异的位置。在执行完变异操作后，依据贪婪操作保留旧个体(旧个体为原始个体)与新个体(新个体为演化个体)中适应度值较高的个体。

(3)学习空间内的操作

在全局GQoS约束优化分解问题中，为保证参与学习后的个体依旧满足全局GQoS约束，本发明实施例提出纵向学习方式，向优秀个体学习最优部分。当目标个体X_i在向优秀个体X_j学习时，评价个体X_j中每一列质量标尺，将X_j中评价值最高的一列与目标个体X_i对应列进行替换，达到向优秀个体学习的目的。对于正向型QoS属性，比如可用性、可靠性等，其评价函数如公式(11)所示。对于逆向型QoS属性，比如成本、时间等，其评价函数如公式(12)所示：

其中，GC^k表示组合服务需要满足的第k个GQoS属性的全局约束，n表示组合服务中抽象组件服务的个数，

表示个体X_i中第l个抽象组件服务的第k个GQoS属性值。

(a)观察学习

本发明实施例将观察学习操作设计为：目标个体只学习优秀个体最优的部分(即为优秀个的最优的一列)，保留目标个体的其他部分。设X_i＝(QLC_i1,QLC_i2,…,QLC_ik)为种群中任一个体，

为当前最优解，

为经过观察学习后产生的新个体。观察学习操作的定义如下：

其中，

表示个体X_i通过观察学习当前最优个体X^G后得到新个体；X_i(keep)表示个体X_i通过观察学习后所保留的部分；X^G(lopti)表示个体X_i向最优个体X^G学习的部分；

表示用最优个体X^G最优的一列替换个体X_i中对应的列。图7展示了个体X_i进行观察学习的过程。

(b)模仿学习

本发明实施例从种群中随机选择两个适应度值高于目标个体的较优个体，与当前个体组成学习小组进行模仿学习，目标个体学习较优个体中最优的部分。模仿学习的定义如下：

其中，

表示个体X_i通过模仿学习小组中较优个体X_r1与X_r2后得到新个体；X_i(keep)表示个体X_i通过模仿学习后所保留的部分；X_r1(lopti)与X_r2(lopti)分别表示个体X_i向较优个体X_r1与X_r2模仿学习的部分；

表示用较优个体X_r1与X_r2中最优的列替换个体X_i中对应的列。图8展示了个体X_i进行模仿学习的过程。

执行完观察学习与模仿学习操作后，计算并比较原始个体与新个体(新个体为学习后的个体)的适应度值，执行贪婪操作，保留适应度值较高的个体。

(4)信仰空间内的操作

在信仰空间中的操作主要有两个，分别为知识的更新操作(Update())以及文化的影响操作(Influence())。信仰空间内更新操作为：首先，依据适应度值将学习空间内群体个体按照降序排列。然后，将前α个适应度值较高的优秀个体提取到信仰空间内，更新替换掉信仰空间内原有的α个个体，从而实现知识的更新与积累。信仰空间内更新操作如公式(15)所示：

α＝p·β(15)

其中，α指信仰空间内个体的数量，p表示种群规模，β表示信仰空间内优秀个体数量占种群数量的比例。影响操作是使用信仰空间内的知识替换微空间内适应度值较差的个体，从而引导群体向较好的方向演化，提高算法的收敛速度。当算法运行到需要更新的迭代次数时，将信仰空间内α个个体替换微空间内适应度值较差的α个个体；若未达到更新间隔时，则不执行影响操作。信仰空间内影响操作如式(16)所示：

其中，

为信仰空间中的个体，j∈[1,α]；

表示微空间中适应度较差的个体，i∈[1,α]；t是当前迭代次数；ε为更新间隔参数，本发明实施例中ε＝5，即每迭代五次，执行一次影响操作。

基于改进社会学习算法偏好感知的全局GQoS约束分解算法如下所示：

在一个实施例中，原始组件服务对应的领域服务质量约束的获取方法，包括：采用统计的方法获取组件服务需要满足的领域服务质量约束。

上述，设S_j(1≤j≤n)为组合服务流程中的一个抽象组件服务，其领域服务质量(DQoS)的指标为＜dq₁,dq₂,...,dq_t＞；设一类用户(包括U个用户)中每个用户对S_j中的第i个DQoS指标的期望值为

根据统计的方法，该类用户对于S_j的第i个领域服务质量指标的期望为

类似地，可以得到S_j其他DQoS指标的期望值，DQoS指标的期望值即为抽象组件服务S_j需要满足的DQoS约束，也是组合服务中第j个组件服务需要满足的DQoS约束。

S3、为失效的原始组件服务获取对应的替换组件服务。

上述，确定替换组件服务可通过聚类方法，现有技术中，常用的聚类方法包括多种，例如：最大最小距离和加权密度的K-means算法(KWDM)、最小生成树启发式分段法(DMSC)等。

当候选组件服务为多个时，根据候选组件服务的GQoS和DQoS，在候选组件服务集合中确定替换组件服务。候选组件服务GQoS和DQoS的获取方法可根据步骤S1中对原始组件服务GQoS和DQoS的预测方法获取，在此不再赘述。

在一个实施例中，步骤S3，包括：

基于最小生成树启发式分段聚类法，在组件服务库中为失效的原始组件服务确定至少一个候选组件服务，组件服务库中包括多个资源组件服务。

上述，具体包括：将资源组件服务的平均相似度作为截断距离，计算每个资源组件服务的局部密度；

按照服务局部密度的大小对资源组件服务排序，将满足排序条件的资源组件服务对应的点作为初始类簇中心，并对剩余资源组件服务按照相似度进行分配；

对最小生成树中权重最小的边进行分段操作，得到新的类簇，将结果作为新的聚类结果进行存储；

当所有的边都被切割完毕时停止分段操作，计算每种聚类结果的簇内相似度与簇间相似度的比值，选择比值最小的作为最终的聚类结果，并依据K-Means算法思想进行微调得到所述候选组件服务。

上述，本发明实施例提出一种基于最小生成树启发式分段(Heuristic SegmentedforMSTClusteringbasedonServiceDensity，DMSC)的服务聚类方法。该方法可有效地对网络上大规模的服务，依据其多种属性进行聚类，为最佳候选服务的发现奠定重要基础。

当前，最大最小距离和加权密度的K-means算法(KWDM)是一种改进的K-Means聚类算法，该算法具有很好的聚类性能，依次选取密度较大的

个样本点作为聚类中心，依据簇间相似度与簇内相似度的比值确定K值，克服了K-means算法对聚类中心选择的随机性，避免了聚类结果陷入局部最优的问题，但该算法仍有一些局限性：

(1)在K值的选择上，KWDM算法规定聚类中心个数K只能在

之间，不能很好的应对服务分布较为离散、簇类过多的情况；

(2)在局部密度定义上，未考虑数量相同但紧密程度不同的情况，导致初始聚类中心选取精度不足，对聚类结果的准确性产生不好的影响。

针对上述不足，本发明实施例对KWDM算法进行了以下改进工作：

(1)针对KWDM算法在聚类对象分布较为离散时聚类结果不准确这一不足，本发明实施例将前

个局部密度较大的点作为初始类簇中心，将所含聚类对象较少的类簇判定为离群点，以此提高聚类的精度；

(2)针对同一半径内聚类对象数量相同、紧密程度不同的情况，设计了新的局部密度函数，将服务间相似度sim(s_p,s_q)作为计算服务局部密度的一部分，提高了局部密度的精度，便于初始类簇中心的选取。局部密度函数如式(17)所示，其中s_i表示半径内服务的个数，

表示圆

内服务对的个数。

本发明实施例以最小生成树的形式来存储初始聚类结果并处理类簇间的聚合问题，不仅可以保留初始聚类的结果，而且最小生成树是稀疏图，降低了服务聚类的复杂度。基于上述的改进工作，提出了基于密度的最小生成树启发式分段聚类(HeuristicSegmented for MST Clustering based on Service Density，DMSC)算法，并应用DMSC算法对服务进行聚类，获得与失效服务最相似的K个服务。基于DMSC的服务聚类过程如下所示：

在Step1中，首先将服务平均相似度

作为截断距离，计算每个服务的局部密度density(s_i)；Step2将前

个局部密度值较大的服务加入初始聚类中心集合CS中，并根据最大最小距离准则将剩余服务进行分配；Step3中，计算各类簇的簇内相似度ICS(Ci)与簇间相似度ECS(Ci,Cj)，并利用kruskal算法选取权值W最大的边生成最小生成树MST。其中，节点N表示各类簇，ECS(Ci,Cj)表示边上的权值W；步骤4对MST中权重W最小的边进行分段操作(即对ECS(Ci,Cj)最小的边进行分段操作)，得到两个新的类簇，将结果作为新的聚类结果。循环执行该步骤，直至所有的边都被切割完毕时停止分段操作；最后，通过比较ECS(π)与ICS(π)的比值，选择比值最小的聚类结果依据K-Means算法思想进行微调，作为服务聚类的结果π＝{C1,C2,C3,…,Cm}。

S4、利用替换组件服务代替失效的原始组件服务，生成重构组合服务。

上述，生成的重构组合服务中可包括部分原始组件服务、部分替换组件服务，或者全部为替换组件服务，但不管上述何种情况，重构组合服务中现有的组件服务均为有效的。

基于上述本发明实施例公开的组合服务重构方法，如图9所示，本发明实施例还提供一种组合服务重构装置，包括：

服务质量预测模块901，用于预测组合服务中原始组件服务的一般服务质量以及领域服务质量；

失效服务确定模块902，用于将所述原始组件服务的一般服务质量和领域服务质量分别与所述原始组件服务对应的一般服务质量约束和领域服务质量约束对比，根据对比结果确定所述组合服务中失效的所述原始组件服务；

替换服务确定模块903，用于为失效的所述原始组件服务获取对应的替换组件服务；

组合服务重构模块904，用于利用所述替换组件服务代替失效的所述原始组件服务，生成重构组合服务。

在一个实施例中，服务质量预测模块901，具体用于：采用事例推理方法，联合预测组合服务中原始组件服务的一般服务质量以及领域服务质量。

进一步地，服务质量预测模块901，包括：

事例表示模块，用于将原始组件服务表示为目标事例，目标事例的条件特征包括原始组件服务在即将运行时的情境信息，目标事例的决策特征包括原始组件服务在未来运行时对应的一般服务质量与领域服务质量；

相似事例确定模块，用于根据目标事例与历史事例的相似度，在历史事例库中确定目标事例的相似事例；

预测模块，用于根据相似事例中的一般服务质量和领域服务质量预测目标事例的一般服务质量和领域服务质量。

在一个实施例中，相似事例确定模块，具体用于：

采用文化-遗传算法确定不同决策特征对应的最优权值组合；

根据最优权值组合计算目标事例与历史事例的相似度；

在一个实施例中，本发明公开的装置还包括：一般服务质量约束获取模块，包括：

全局一般服务质量约束获取模块，用于获取组合服务对应的一般服务质量约束；

分解模块，用于利用社会学习优化算法将组合服务对应的一般服务质量约束分解为组合服务中各原始组件服务对应的一般服务质量约束。

在一个实施例中，分解模块具体用于：

在信仰空间中利用较优个体替换种群中适应度值较差的个体。

在一个实施例中，在信仰空间中利用更新个体替换待更新个体，包括：

按照更新频率将更新个体上传至信仰空间中；

利用信仰空间中的更新个体替换微空间中的待更新个体。

在一个实施例中，本发明公开的装置还包括：

领域服务质量约束获取模块，用于获取原始组件服务对应的领域服务质量约束，包括：

采用统计的方法获取组件服务需要满足的领域服务质量约束。

在一个实施例中，替换服务确定模块903，具体用于：

进一步地，替换服务确定模块903，具体用于：

在一个实施例中，替换服务确定模块903，还用于当候选组件服务为多个时，根据候选组件服务的一般服务质量和领域服务质量，在候选组件服务中确定替换组件服务。

另外本发明实施例还提供了一种电子设备，包括：一个或多个处理器；以及与一个或多个处理器关联的存储器，存储器用于存储程序指令,程序指令在被一个或多个处理器读取执行时，执行上述实施例公开的组合服务重构方法。

其中，图10示例性的展示出了电子设备的系统架构，具体可以包括处理器1010，视频显示适配器1011，磁盘驱动器1012，输入/输出接口1013，网络接口1014，以及存储器1020。上述处理器1010、视频显示适配器1011、磁盘驱动器1012、输入/输出接口1013、网络接口1014，与存储器1020之间可以通过通信总线1030进行通信连接。

其中，处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请所提供的技术方案。

存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储用于控制电子设备运行的操作系统1021，用于控制电子设备的低级别操作的基本输入输出系统(BIOS)。另外，还可以存储网页浏览器1023，数据存储管理系统1024，以及设备标识信息处理系统1025等等。上述设备标识信息处理系统1025就可以是本申请实施例中具体实现前述各步骤操作的应用程序。总之，在通过软件或者固件来实现本申请所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1013用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

网络接口1014用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线1030包括一通路，在设备的各个组件(例如处理器1010、视频显示适配器1011、磁盘驱动器1012、输入/输出接口1013、网络接口1014，与存储器1020)之间传输信息。

另外，该电子设备还可以从虚拟资源对象领取条件信息数据库中获得具体领取条件的信息，以用于进行条件判断，等等。

需要说明的是，尽管上述设备仅示出了处理器1010、视频显示适配器1011、磁盘驱动器1012、输入/输出接口1013、网络接口1014，存储器1020，总线1030等，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本申请方案所必需的组件，而不必包含图中所示的全部组件。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储器被安装，或者从ROM被安装。在该计算机程序被处理器执行时，执行本申请的实施例的方法中限定的上述功能。

需要说明的是，本申请的实施例的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。在本申请的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(Radio Frequency，射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：响应于检测到终端的外设模式未激活时，获取终端上应用的帧率；在帧率满足息屏条件时，判断用户是否正在获取终端的屏幕信息；响应于判断结果为用户未获取终端的屏幕信息，控制屏幕进入立即暗淡模式。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

以上对本申请所提供的技术方案进行了详细介绍，本发明实施例中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。

上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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

1.一种组合服务重构方法，其特征在于，包括：

为失效的所述原始组件服务获取对应的替换组件服务；

2.如权利要求1所述的方法，其特征在于，获取所述原始组件服务对应的一般服务质量约束，包括：

获取所述组合服务对应的一般服务质量约束；

3.如权利要求2所述的方法，其特征在于，利用社会学习优化算法将所述组合服务对应的一般服务质量约束分解为所述组合服务中各所述原始组件服务对应的一般服务质量约束，包括：

按照更新频率将所述种群中适应度值较高的个体上传至所述信仰空间中；

4.如权利要求1所述的方法，其特征在于，采用事例推理方法，联合预测所述组合服务中所述原始组件服务的一般服务质量以及领域服务质量，包括：

5.如权利要求4所述的方法，其特征在于，所述根据所述目标事例与历史事例的相似度，在历史事例库中确定所述目标事例的相似事例，包括：

采用文化-遗传算法确定不同决策特征对应的最优权值组合；

6.如权利要求1所述的方法，其特征在于，所述为失效的所述原始组件服务获取对应的替换组件服务，包括：

7.如权利要求1所述的方法，其特征在于，所述方法还包括：

8.一种组合服务重构装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括：

一个或多个处理器；以及

与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如权利要求1～7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1～7中任一所述的方法。