KR20130078037A - 온 더 플라이 학습 기반 검색을 이용한 큐 오 에스 인식 웹 서비스 구성방법 - Google Patents

Abstract

On-the-fly 학습 기반 검색을 이용한 QoS 인식 웹 서비스 구성방법이 개시된다. 본 발명의 실시예에 따른 On-the-fly 학습 기반 검색을 이용한 QoS 인식 웹 서비스 구성방법은, 웹 서비스 집합과 QoS 정보가 포함된 사용자 요구 웹 서비스로 구성되는 QoS 인식 웹 서비스 구성문제 예를 가중치 상태 전이 시스템에 기반하여 그래프 검색 문제 예로 감소시키는 단계; 와 상기 그래프 검색 문제 예에, 학습 깊이 우선 검색기법 및 On-the-fly 검색 기법을 적용하여, 상기 QoS를 최소화하는 복합 웹 서비스를 구성하는 단계를 포함한다.

Description

온 더 플라이 학습 기반 검색을 이용한 큐 오 에스 인식 웹 서비스 구성방법{QoS-aware Web Service Composition method using On-the-fly Learning-based Search}

본 발명은 웹 서비스 구성(Web Service Composition)에 관한 것으로, 더욱 자세하게는 On-the-fly 학습 기반 검색을 이용하여 QoS를 고려한 웹 서비스를 구성하는 기술에 관한 것이다.

웹 서비스(Web Service)는 네트워크상에서 웹(Web)을 통하여 서로 다른 종류의 컴퓨터(machine)간 상호작용을 지원하도록 고안된 소프트웨어 시스템이다. 웹 서비스는 서비스 지향적 분산 컴퓨팅 기술의 일종이다.

시맨틱 웹 기술에 기반한 웹 서비스 표준화를 위한 많은 연구들이 수행되어 왔는데, 서비스 지향 아키텍처(Service Oriented Architecture: SOA)의 유연하고 동적인 기능들을 크게 개선하고 있다.

이에 불구하고 여전히 많은 연구 과제들, 예를 들어 자동 웹 서비스 발견, 웹 서비스 구성, 그리고 구성된 웹 서비스의 공식적인 검증 등이 남아 있다.

이 연구 과제들 중 웹 서비스 구성(Web Service Composition: WSC)문제는 웹 서비스 집합과 사용자 요구가 주어지는 경우, 사용자의 요구를 만족하는 가장 짧은 시퀀스(sequence)를 갖는 웹 서비스를 발견하는 것이다. 즉 웹 서비스 구성 문제의 목표는 서비스 스펙(specification)의 구문 및/또는 의미론적 특징들을 이용하여, 사용자의 요구를 만족시키는 웹 서비스의 최적 구성을 찾는 것이다.

최근, 웹 서비스 구성 문제는 기능적인 요구조건들뿐만 아니라 비기능적인 요구조건들(웹 서비스품질 제약들을 포함)을 만족하는 서비스 제공자들을 발견하도록 요구되고 있다. 이들 중 가장 짧은 시퀀스의 웹 서비스보다 최적화된 총(aggregated) QoS 값을 가진 복합 웹 서비스를 제공하도록 요구되고 있다. 이를 QoS 인식 웹 서비스 구성(QoS-aware WSC)문제라고 한다. QoS 인식 웹 서비스 구성문제는 응답시간, 처리량, 용량 및 정확성 등과 같은 서비스 품질 기준을 최적화한다.

그러나 QoS 인식 웹 서비스 구성문제는 전역 최적화 문제이기 때문에 컴퓨터 조작으로 대규모 사례, 즉 웹 과 같은 큰 환경에 적용하여 풀기가 매우 어렵다는 것이다.

관련 선행특허로는 대한민국특허등록번호 제751292호 '시맨틱 웹 기반의 서비스 제공 방법'에 관한 것으로 (a) 통신사의 망을 통해 서비스 이용자로부터 문자메시지를 수신하는 단계;(b) 상기 수신된 문자메시지의 정보에 해당하는 서비스가 서비스 시스템에서 실행될수 있도록 하는 명령어를 생성하는 단계; 및 (c) 상기 명령어를 상기 서비스 시스템으로 전달하는 전달단계를 포함하고,상기 (b) 단계는, 상기 수신된 문자메시지를 온톨로지 DB의 내용과 비교 및 분석하여 상기 명령어를 생성하되,상기 수신된 문자메시지의 정보가 명령어 생성에 부족한 경우, 질문 문자메시지를 송신하여 상기 서비스 이용자로부터 답변을 얻는 방법, SMS URL이 첨부된 문자메시지를 송신하여 상기 서비스 이용자가 웹페이지 상에서 명령어 생성에 필요한 정보를 선택 또는 입력하도록 하는 방법, 및 추천 정보를 구비한 데이터 베이스를 이용하는 방법 중 적어도 어느 하나를 이용하여 명령어를 생성하는 단계는 포함하는 것을 특징으로 하는 시맨틱 웹 기반의 서비스 제공 방법이 기재되어 있다.

관련 선행특허로 대한민국 특허공개번호 제1020100088432호 '시멘틱 서비스 검색 시스템 및 방법'은 유비쿼터스 센서 네트워크 서비스를 위한 시멘틱 서비스 검색 시스템 및 방법을 제공한다. 센서 온톨로지 및 서비스 온톨로지를 위한 스케마를 작성하는 과정과, 스케마를 작성한 후, 새로운 센서 혹은 서비스가 추가되는지 체크하여 추가되었으면 스케마에 맞게 센서 혹은 서비스 인스턴스를 추가하는 과정과, 인스턴스 추가 후, 유비쿼터스 센서 네트워크 온톨로지를 트리플로 변환하는 과정과, 트리플을 시멘틱 데이터베이스 관리시스템에 업로드하는 과정을 통해 유비쿼터스 센서 네트워크 온톨로지를 구축한다. 이렇게 구축된 유비쿼터스 센서 네트워크 온톨로지를 기반으로 시멘틱 서비스 검색이 이루어고, 검색용어 온톨로지가 최신인 상태에서 검색조건이 입력되는지 체크하는 과정과, 입력된 검색조건을 SPARQL로 변환하는 과정과, SPARQL 변환 후 SPARQL 질의문을 서버로 전송하는 과정과, 서버로부터 검색 결과를 받은 후 원하는 서비스를 선택하여 해당 URL(Uniform Resource Locator)로부터 다운로드받는 과정을 포함한다고 기재되어 있다.

다른 관련 선행특허로 대한민국 특허공개번호 제1020110061451호 '언어분석과 퍼지색상정보 및 시멘틱 웹을 기반으로 하는 컨셉 이미지 데이터 검색 방법 및 그 장치'는 언어분석과 퍼지색상정보 및 시멘틱 웹을 기반으로 하는 컨셉 이미지 데이터 검색 방법 및 그 장치에 관한 것으로, 그 방법은 이미지에 근접하는 관련정보들을 퍼지개념의 멤버쉽 함수(membership function)로 표현하여 이를 OWL로 기술한다. 그리고 OWL로 변환된 자연어 문장을 퍼지 OWL로 변환하므로 제시하는 방법을 사용하면 이미지 컨셉을 제공하기 위한 컴퓨팅 환경에서 사용할 수 있는 형태로 자연어를 기술할 수 있으며 퍼지의 개념을 사용하여 자연어를 분석하기 때문에 상태나 정도를 표현함에 있어 이미지 정보 데이터 검색에 보다 더 유연성을 가질 수 있고 효과적인 검색이 가능하게 되고, 이러한 것에 의하면 단순히 카테고리나 키워드로 검색을 하지 않고, 표현된 자연어를 기반으로 현재 사용자가 의도하는 이미지의 컨셉을 추론할 수 있으며, 추론된 상태에 따라 온톨로지를 기반으로 한 이미지 쿼리에 의해 결과를 얻을 수 있도록 시스템이 자동적으로 작동하여 키워드에 해당하는 이미지 컨텐츠를 웹 상에서 제공한다고 기재되어 있다.

학습 깊이 우선 검색(Learning Depth-First Search: LDFS)을 기본 알고리즘으로 해서, 필요한 경우에만 필요한 부분만큼의 검색 그래프(search graph)를 만드는 On-the-fly 검색방식을 사용해서 QoS를 만족하는 복합 웹 서비스를 구성하여 사용자에게 제공하는, On-the-fly 학습 기반 검색을 이용한 QoS 인식 웹 서비스 구성방법이 제안된다.

본 발명의 일 양상에 따른 On-the-fly 학습 기반 검색을 이용한 QoS 인식 웹 서비스 구성방법은, 웹 서비스 집합과 QoS 정보가 포함된 사용자 요구 웹 서비스로 구성되는 QoS 인식 웹 서비스 구성문제 예를 가중치 상태 전이 시스템에 기반하여 그래프 검색 문제 예로 감소시키는 단계; 와 상기 그래프 검색 문제 예에, 학습 깊이 우선 검색기법 및 On-the-fly 검색 기법을 적용하여, 상기 QoS를 최소화하는 복합 웹 서비스를 구성하는 단계를 포함한다.

상기 QoS를 최소화하는 복합 웹 서비스를 구성하는 단계는, 상기 그래프 검색 문제 예에 대하여, 상기 학습 깊이 우선 검색기법을 기초로 하여 설정된 경우에만 상기 On-the-fly 검색 기법을 적용할 수 있다.

상기 설정된 경우는, 그래프의 필요한 부분이 전체에 비해서 작은 경우일 수 있다.

상기 그래프의 필요한 부분이 전체에 비해서 작게 되는 경우는, 목표상태를 나타내는 변수가 적은 수의 매개변수와 관련이 있는 경우일 수 있다.

본 발명의 실시예에 따른 On-the-fly 학습 기반 검색을 이용한 QoS 인식 웹 서비스 구성방법에 따르면, QoS 인식 웹 서비스 구성 문제를 그래프 검색 문제로 감소시킨 후 학습 깊이 우선 검색기법 및 On-the-fly 학습기법을 적용해서 QoS를 최소화하는 복합 웹 서비스를 구성함으로써, 웹과 같은 큰 환경에 적용하여 QoS 인식 웹 서비스 구성문제를 용이하게 풀 수 있다.

도 1은 QoS를 고려하여 웹 서비스가 선택되는 과정을 예시한 도면이다.
도 2는 학습 깊이 우선 검색기법을 사용한 On-the-fly QoS 인식 WSC 알고리즘을 나타낸다.
도 3은 본 발명의 실시예에 따른 QoS 인식 웹 서비스 구성을 위한 아키텍처를 나타낸 도면이다.
도 4는 본 발명의 실시예에 따른 On-the-fly 학습 기반 검색을 이용한 QoS 인식 웹 서비스 구성방법과 오프라인 버전의 LDFS 기법을 비교하기 위해 수행된 실험결과 테이블을 나타낸 도면이다.

이하에서는 첨부한 도면을 참조하여 본 발명의 실시예를 상세히 설명한다. 본 발명의 실시예를 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 또한, 후술 되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

본 발명의 실시예에 따른 On-the-fly 학습 기반 검색을 이용한 QoS 인식 웹 서비스 구성방법은, 네트워크상에서 웹을 통하여 입력된 사용자의 요구사항을 만족하는 복합 웹 서비스를 제공하는 복합 웹 서비스 구성 시스템에서 실행될 수 있다.

본 발명의 실시예에 따른 On-the-fly 학습 기반 검색을 이용한 QoS 인식 웹 서비스 구성방법은, 학습을 이용한 반복적인 깊이 우선 탐색을 수행하는 학습 깊이 우선 검색(Learning Depth-First Search: LDFS)을 기본 알고리즘으로 해서, 필요한 경우에만 필요한 부분만큼의 검색 그래프(search graph)를 만드는 On-the-fly 검색방식을 사용해서 QoS를 만족하는 복합 웹 서비스를 구성해서 사용자에게 제공한다.

즉, QoS 정보 및 요구 웹 서비스를 포함한 웹 서비스 기술(description)에 대한 집합이 주어지면, 각 단계에서 다음 웹 서비스를 규칙에 맞게 호출하고, 요구 조건을 달성하고, 총(aggregated) QoS 값을 최소화할 수 있는 복합 웹 서비스를 찾는다.

이를 위해서, 먼저 그 웹 서비스 구성 문제를 가중치 상태 전이 시스템에 기초한 그래프 검색 문제로 감소한다. 이때 가중치 상태 전이 시스템에서 목표상태에 이르는 최적 비용 경로는 QoS 값과 관련된 웹 서비스의 최적 구성에 상응한다.

이후, 학습 깊이 우선 검색기법을 이용하여 그래프 검색 문제를 해결한다. 그러나 학습 깊이 우선 검색 알고리즘은 초기에 전체 검색 그래프를 만들기 때문에, 학습 깊이 우선 검색 알고리즘을 통한 웹 서비스 구성은 특히 대규모 문제 웹 환경에서, 많은 시간을 필요로 한다.

이를 개선하기 위해서 본 발명의 실시예는 On-the-fly 검색 기법을 적용하여 부분적으로 필요한 경우에만 검색 그래프를 구축한다. 이때, 상기 필요한 경우는 그래프의 필요한 부분이 전체에 비해서 작은 경우이고, 상기 그래프의 필요한 부분이 전체에 비해서 작게 되는 경우는, 목표상태를 나타내는 변수가 적은 수의 매개변수와 관련이 있는 경우일 수 있다.

먼저, QoS 인식 웹 서비스 구성에 대해서 살펴보기로 한다.

QoS(Quality of Service)는 서비스의 다양한 비기능적인 속성, 즉 응답시간, 처리량, 용량 및 정확성으로 고려된다. QoS는 사용자가 유사한 기능을 가진 많은 후보들 가운데 좋은 품질을 갖는 서비스 제공자를 선택하는데 도움을 준다.

QoS 인식 웹 서비스 구성을 정의하기 전에, 사용자가 원하는 QoS를 고려하여 웹 서비스가 선택되는 과정을 도 1을 참조하여 살펴보기로 한다. 도 1에는 식당예약시스템이 예시되어 있다.

도 1을 참조하면, 사용자가 음식점을 발견하고 예약하는 것을 원하고 레스토랑 지도를 얻기를 원한다고 고려해보자. 사용자는 집 코드(Zip code)(예를 들어, 305701) 및 음식선호도(예를 들어, 중국음식)를 가지고 레스토랑을 검색하는 것을 원하고, 사용자의 QoS 요구조건은 아주 빠른 응답 시간이다.

이때, 레스토랑을 발견, 예약하고 지도를 제공하기 위한 단일 웹 서비스가 존재하지 않지만, 서로 다른 응답시간을 갖는 레스토랑들 및 지도를 위한 많은 다양한 서비스들이 있다고 가정해보자.

나아가 사용자는 최소 응답시간을 가지면서 사용자의 전체 요구를 달성할 수 있는 웹 서비스 집합을 구성하는 것을 원한다고 가정한다.

초기에, 사용자는 원하는 지역을 나타내는 집 코드(Zip code) 정보 및 사용자 자신이 먹고자 하는 음식 선호도 정보를 가지고 있다.

음식점 발견(FR) 서비스는 주어진 집 코드 및 음식 선호도에 대해 레스토랑 주소를 반환한다.

음식점 예약(RF)서비스는 레스토랑 주소를 받으면, 레스토랑 예약을 수행한다.

반면, 음식점 검색(FR) 서비스는 주어진 집 코드 및 음식 선호도에 대해 레스토랑을 발견하고 예약할 수 있다.

지도1 발견(FM1)서비스와 지도2 발견(FM2)서비스 각각은 주소를 받으면, 주소에 대한 지도를 제공한다.

각 웹 서비스에 대한 응답시간은 R_FR = 20msec, R_RR = 70msec, R_SR = 100msec, R_FM1 = 100msec, and R_FM2 = 90msec이다.

이 예시에서, 음식점을 발견 및 예약하고 지도를 제공하는 4개의 시퀀스(sequence)가 있음을 확인할 수 있다. 즉, FR-RR-FM1, FR-RR-FM2, SR-FM1, 및 SR-FM2 4개의 시퀀스이다.

만약 QoS 목표가 복합 웹 서비스 길이인 경우, SR-FM1 및 SR-FM2가 최고의 복합 웹 서비스일 것이다. 그러나 QoS 목표는 최소 응답시간이기 때문에, FR-RR-FM2가 최적의 복합 웹 서비스 구성이 된다(즉, R_{FR - RR - FM2} = 180msec).

이제 QoS 인식 웹 서비스 구성 문제를 공식화한다.

웹 서비스는 다음과 같은 구성을 가진 튜플 w(I, O, Q)로 정의한다. 이때, I는 웹 서비스(w)의 입력 매개변수 집합이고, O는 웹 서비스의 출력 매개변수의 집합이고, 각 입/출력 매개변수 p(p∈I∪O)는 타입 t_p를 갖는다. Q는 웹 서비스의 품질기준 집합이다.

웹 서비스 w(I, O, Q)가 입력타입 t_i를 가진 모든 입력 매개변수들 i(∈ I)과 같이 호출될 때, 웹 서비스 w는 출력타입 t_o를 갖는 모든 출력 매개변수들 o(∈O)을 반환한다.

웹 서비스 w의 호출은 각 서비스 품질 기준 q(∈Q)에 상응한다. 각 서비스 품질 기준은 예를 들어 응답시간, 처리량, 용량 및 정확성일 수 있다.

두 개의 타입 t₁ 및 t₂가 주어진 경우, t₁이 t₂보다 정보가 많거나 같아서 t₁이 어디에서든지 t₂를 대신할 수 있다면, t₁은 t₂의 서브타입(sub-type)이고 t₁ <: t₂ 로 정의된다. 이 경우에 t₂는 t₁의 수퍼타입(Super-type)이 된다. 이 관계는 상반적(reflexive)이고(즉 어떤 타입 t에 대해서도 t <: t 인 관계이다), 전이적(transitive)이다(즉, t₁이 t₂의 서브타입이고 t₂가 t₃의 서브타입이면 t₁은 t₃의 서브타입이다).

두 개의 웹 서비스 w₁(I₁, O₁, Q₁)과 w₂(I₂, O₂, Q₂)이 주어지면, 웹 서비스 w₁이 웹 서비스 w₂보다 더 적거나 같은 정보 입력들을 필요로 하는 경우, 이를

₂로 정의한다. 즉 웹 서비스 w₁의 입력 매개변수 i₁(입력 매개변수 집합 I₁에 속함, i₁∈I₁)과 웹 서비스 w₂의 입력 매개변수 i₂(i₂∈I₂의 관계를 가짐)가 존재하면, 입력 매개변수 i₂의 입력타입(t_i2)은 입력 매개변수 i₁의 입력타입(t_i1)의 서브타입이 된다(t_i2 <: t_i1).

두 개의 웹 서비스 w₁(I₁, O₁, Q₁)과 w₂(I₂, O₂, Q₂)이 주어지면, 웹 서비스 w₂가 웹 서비스 w₁에 비해 더 많은 출력 또는 같은 출력을 제공하는 경우, 이를

₂로 정의한다. 즉, 웹 서비스 w₁의 출력 매개변수 o₁(출력 매개변수 집합 O₁에 속함, o₁∈O₁)과 웹 서비스 w₂의 출력 매개변수 o₂(o₂∈O₂ 의 관계를 가짐)가 존재하면, 출력 매개변수 o₂의 출력타입(t_o2)이 출력 매개변수 o₁의 출력타입(t_o1)의 서브타입이 된다(t_o2 <: t_o1).

웹 서비스를 위한 정보 입력들이 더 작거나 가 같다는 것(

)과 웹 서비스의 출력 제공이 더 작거나 같다는 것(

)은 서로 상반되는 관계이다.

웹 서비스 발견 문제는, 이용 가능한 웹 서비스 집합 W 및 요구 웹 서비스 w_r 가 주어지는 경우, 웹 서비스의 정보 입력들이 요구 웹 서비스에 비해 작거나 같고(

) 웹 서비스 출력 제공이 요구 웹 서비스의 출력 제공에 비해 많거나 같은(

) 웹 서비스(이때 웹 서비스 w는 웹 서비스 집합 W에 속한다. 즉 w∈W)를 발견하는 것이다.

직관적으로, 해결 웹 서비스 w는 요구 웹 서비스 w_r에 비해 더 작거나 같은 입력들을 필요로 하고 요구 웹 서비스 w_r에 비해 더 많거나 같은 출력들을 제공한다.

그러나 상기 요구조건을 만족시키는 단독 웹 서비스가 없다는 것이 발생할 수 있다는 것이다.

이 경우, 각 단계에서 다음 웹 서비스를 호출할 수 있고 요청된 요구조건을 결국에 달성할 수 있는 웹 서비스 시퀀스 w₁,..,w_n 을 발견함으로써 요구조건을 달성할 수 있다.

따라서 더 작거나 같은 정보 입력을 필요로 하고 더 많거나 같은 출력을 제공하는 것(

및

)에 대한 관계를 다음과 같은 웹 서비스 시퀀스 까지 확장할 수 있다.

즉, 웹 서비스 w 보다 웹 서비스 시퀀스 w₁,..,w_n을 호출하는데 더 적은 입력 매개변수들을 필요로 한다(

).

웹 서비스w보다 웹 서비스 시퀀스 w₁,..,w_n을 호출함으로써 더 많은 출력을 획득한다(

).

결론적으로, 이용 가능한 웹 서비스 집합 W 및 요구 웹 서비스 w_r가 주어지면, QoS 인식 웹 서비스 구성(WSC) 문제 <W, w_r>는 요구 웹 서비스 w_r보다 웹 서비스 시퀀스 w₁...w_n 을 호출하는데 더 적은 입력 매개변수들을 필요로 하고(w

), 요구 웹 서비스 w_r보다 웹 서비스 시퀀스 w₁...w_n 을 호출함으로써 더 많은 출력을 획득하는 것(

)과 같은 웹 서비스 시퀀스 w₁...w_n을 발견하는 것으로 귀결될 수 있다.

즉, 웹 서비스 시퀀스 w₁...w_n는 요구 웹 서비스 w_r에 비해 더 작거나 같은 입력들을 필요로 하고, 요구 웹 서비스 w_r에 비해 더 많거나 같은 출력들을 제공한다.

이 QoS 인식 웹 서비스 구성 문제의 최적 해결방안은 웹 서비스 시퀀스 σ= w₁...w_n 를 총 QoS 값 Q(σ)으로 최소화하는 것이다.

웹 서비스 시퀀스 σ= w₁...w_n 가 주어지면, 총 QoS 값 Q(σ)은 아래와 같이 계산되어진다.

Q(σ) = c₁·Q₁(σ) + ... + c_m·Q_m(σ)이고, c_j는 j번째 품질기준을 위한 주어진 가중치이다. j번째 QoS 값 Q_j는 상응하는 품질 기준에 의존한다. 예를 들어, 품질기준으로서 응답시간을 고려해보자. 웹 서비스 순서가 w₁이면, j번째 QoS 값은 rt(w₁)이고 rt(w₁)은 웹 서비스 w₁의 응답시간이다. 그렇지 않고 웹 서비스 시퀀스가 w₁...w_n(n > 1)이면, Q_j(σ) = rt(w₁) + Q_j(w₂...w_n)이다. 한편 처리량을 고려해보자. 웹 서비스 순서가 w₁이면, j번째 QoS 값은 w₁에서의 처리량이며(Q_j(σ) = th(w₁)), th(w₁)은 웹 서비스 w₁의 처리량이다. 그렇지 않으면 웹 서비스 순서가 1보다 크면, Q_j(σ) = Min(th(w₁), Q_j(w₂...w_n))이다.

이제 QoS 인식 웹 서비스 구성 문제를 그래프 검색 문제로 들어가기 위한 감소기법을 소개한다. QoS 인식 웹 서비스 구성 문제는 다음과 같이 그래프 검색 문제로 고쳐질 수 있다.

하나의 QoS 인식 웹 서비스 구성 문제 예 <W, w_r>가 주어지면, 상기 QoS 인식 웹 서비스 구성문제는 다음과 같은 구성요소를 가진 가중치 상태 전이 시스템 S=(S, s₀, G, A, T, C)에 기반한 그래프 검색 문제 예로 감소할 수 있다.

이때 S는 상태집합이다. s₀(∈S)는 가중치 상태 전이시스템의 초기상태이다. G(∈S)는 목표상태 집합이다. A는 행위 집합이다. T(: S×A → S)는 전이함수이다. 각 상태(s) 그리고 각 행위(임의의 웹 서비스에 대응됨)a에 대하여, C(s,a)는 가중치 상태 전이시스템의 행위비용이다.

가중치 상태 전이 시스템에 기초한 그래프 검색 문제는 초기상태에서 목표상태까지 최소의 비용을 갖는 행위(웹 서비스)들의 시퀀스를 발견하는 것이다.

각 j번째 순서의 웹 서비스 w_j = (I_j, O_j, Q_j )인 웹 서비스 집합 W = {w₁...w_n} 이 주어지면, 우리는 모든 타입의 집합 TP를 정의한다. 이때 TP = {t | for each p ∈∪_j (I_j ∪ O_j), t = type(p)}이다.

웹 서비스 집합 W = {w₁...w_n} 및 요구 웹 서비스 w_r = (I_wr, O_wr, Q_wr)가 주어지면, 다음과 같이 가중치 상태 전이 시스템 S=(S, s₀, G, A, T, C)을 세울 수 있다.

상태 집합 S = {(x₁,...,x_m) | x_j = true or false, m = |TP|}이다. 각 부울리언 변수 x_j는 상태 s에서 타입 t_j가 존재하는지 또는 존재하지 않는지를 나타낸다. 가중치 상태 전이시스템의 초기상태 s₀는 s₀ = (x₁,...,x_m)이다. 그 초기상태에서 요구 웹 서비스 집합에 속하는 입력매개변수들이 존재하는 경우에 각 부울리언 변수 x_j 는 사실(true)이고 그로 인해서 각 부울리언 변수에 상응하는 타입 t_xj는 입력 타입 t_i의 수퍼타입(super-type)이다(즉, t_i <: t_xj). 그렇지 않으면 각 부울리언 변수 x_j 는 거짓(false)이다. 한편 어떤 타입 t는 수퍼타입 또는 서브타입이 될 수 있으며, 수퍼타입 및 서브타입 관계는 상반적(reflexive)이다. 즉 모든 타입 t에 대하여 t <: t 의 관계를 가진다.

목표상태 집합 G는 (x₁,...,x_m)로 구성되고 출력매개변수가 요구 출력 웹 서비스 집합에 속하는 경우에 각 부울리언 변수는 사실(true)이다. 그로 인해서 각 부울리언 변수 x_j 에 상응하는 타입은 출력타입의 서브타입이다(t_xj <: t_o).

행위집합은 웹 서비스 집합과 같다(A = W).

상태 s, 상태 s' 및 웹 서비스 w가 각각 s = (x₁,...,x_m), s' = (x₁',...,x_m') 및 w = (I, O, Q) 인 경우, 전이함수 즉 T(s, w)는 상태 s'와 같게 된다. 이 결과를 도출하기 위한 조건은 다음과 같다. (1)모든 입력매개변수(∈입력매개변수 집합)에 대하여, 상태 s에서 부울리언 변수(x_j)가 존재하면 상기 부울리언 변수(x_j)는 사실(true)이 되고 상기 부울리언 변수에 상응하는 타입(t_xj)은 입력매개변수의 타입의 서브타입이다(t_xj <: t_i). (2)상태 s의 부울리언 변수 x_k 가 사실(true)이면 상태 s'의 부울리언 변수 x_k 또한 사실(true)이다. (3)상태 s'의 모든 부울리언 변수 x_j'에 대하여, 부울리언 변수 x_j'에 상응하는 타입 t_xj이 출력타입 t_o의 수퍼타입인 경우, 부울리언 변수 x_j'는 사실(true)이다.

즉, 웹 서비스 w는, 상태 s에서 웹 서비스의 입력들보다 더 많은 정보를 가진 데이터들을 가진 경우에, 상태 s에서 호출될 수 있다. 웹 서비스가 상태 s에서 호출된 경우, 상태 s'로 진행한다. 그 상태 s'에서 우리는 상태 s의 모든 데이터들을 보유하고 웹 서비스 w의 출력들뿐만 아니라 웹 서비스의 수퍼타입들의 출력들도 획득한다.

모든 상태 s에 대하여, 행위비용 즉 C(s, w)는 C(s, w) = c₁ ·q₁ + ... + c_k ·q_k로 구할 수 있다. 이때, q_j 는 웹 서비스의 j번째 품질 기준 값이다.

초기상태에서 요구 웹 서비스의 입력뿐만 아니라 요구 웹 서비스의 수퍼타입들의 입력에 상응하는 모든 데이터들을 보유할 수 있다.

요구 웹 서비스 w_r의 출력들보다 더 많은 정보를 가진 상태가 있다면, 이것이 목표상태이다.

또한 가중치 상태 전이 시스템에 기초한 그래프 검색 문제의 최적 솔루션은 QoS 인식 웹 서비스 구성 문제의 웹 서비스의 최적 구성에 상응한다.

결론적으로, 학습 깊이 우선 검색 알고리즘을 QoS 인식 웹 서비스 구성 문제에 적합하도록 고치는 것이다.

초기에 검색 그래프의 초기상태만을 설정한다. 그러면, 검색 그래프의 나머지 부분을 탐색하는 것과 동시에, 그들이 필요로 할 때 점차로 후속상태를 확장한다.

이제 On-the-fly 검색방식과 함께 이루어지는 학습 깊이 우선 검색에 대해서 살펴보기로 한다.

학습 깊이 우선 검색은 발견 검색 기법들 중 가장 효과적인 기법을 가진 동적인 프로그래밍 기술이다. 학습 깊이 우선 검색의 기본 개념은 반복적으로 수행되는 경계 깊이 우선 검색들과 학습을 결합하는 것에 의해서 솔루션을 검색하는 것이다.

각 반복에서, 비용이 더 낮은 경계를 초과하지 않는 비용을 가진 솔루션이 존재하면 상기 솔루션은 최적의 솔루션으로 받아들여지고, 학습 깊이 우선 검색은 종료된다. 학습 깊이 우선 검색 기법은 효과적인 검색 알고리즘들을 기초로 하는 두 가지의 핵심 특성 즉 학습과 낮은 경계들을 보편화한다. 학습 깊이 우선 검색 기술은 많은 실험에서 AO 알고리즘, 값 반복 알고리즘 및 즉 Min-Max LRTA라고 불려지는 다른 학습 알고리즘과 같은 종래기술들의 상태보다 더 좋은 실행시간을 보인다.

그러나 학습 깊이 우선 검색기법의 결점은 초기에 전체 검색 그래프를 명백하게 구축하므로, 대규모 문제 예들에 대해서 전체 검색 그래프를 구축하는 데 있어서, 많은 시간을 필요로 한다는 것이다.

이에 대해서 본 발명의 실시예는, On-the-fly 구축을 통해서 해결한다.

초기에 On-the-fly 검색 알고리즘은 초기상태만을 설정한다. 이후, 학습 깊이 우선 검색 알고리즘이 상태 공간을 탐험하는 것과 동일한 방식으로, On-the-fly 알고리즘은 필요할 때만 검색 그래프를 부분적으로 확장한다.

가치함수 V를 고려해보자. 이 가치 함수 V는 벨만 업데이트 V(s):= min_{a ∈A} Q_V(s, a)에 의해서 수정된다. 모든 상태에서 가치함수 V(s)가 가치함수의 최소 QoS 값 min_{a ∈A} Q_V(s, a)과 같으면, 가치함수(V)는 최적이다. 그러나, 고정된 초기 상태 s₀가 주어지면, 상기 조건이 모든 상태에서 사실(true)일 것을 필요로 하지 않는다. 가치함수 V(s)가 초기상태 s₀에서 도달할 수 있는 모든 상태 s에서 가치함수의 최소 QoS 값 min_{a ∈A} Q_V(s, a)와 같고 가치함수 V(s)가 그 대응전략 σ(웹 서비스 시퀀스)과 같은 경우에, 가치함수 V는 최적이다. 그러므로, 학습 깊이 우선 검색의 기본개념은 초기상태 s₀로부터 도달할 수 있는 상태 s를 검색하고, 가치함수인 V(s)가 가치함수의 최소 QoS 값인 min_{a ∈A} Q_V(s, a)보다 작은 σ(웹 서비스 시퀀스)를 찾고 가치함수 V(s)를 업데이트 하는 것이다. 그러한 상태를 발견하기 위해서, 학습 깊이 우선 검색(LDFS)은 깊이 우선 검색을 이용한다. 가치함수가 가치함수의 최소 QoS 값보다 작은 값이 없을 때까지 학습 깊이 우선 검색을 반복한다. 가치함수(V(s))=가치함수의 최소 QoS 값(min_{a ∈A} Q_V(s, a))이면 상태 s가 일정한 상태라고 가정하며 이하에서도 동일하다.

도 2는 학습 깊이 우선 검색기법을 사용한 On-the-fly QoS 인식 WSC 알고리즘을 나타낸다. 하나의 웹 서비스들의 집합 W와 하나의 요구 웹 서비스 w_r가 주어지면, 부분적으로 필요로 하는 만큼 하나의 가중치 상태 전이 시스템을 구축한다.

즉, 전체 검색 그래프가 아니라 필요정보, 예를 들어 목표상태 집합과 전이함수를 가진 초기상태에 대한 가중치 상태 전이 시스템을 구축한다(라인 1). 그러면, 초기상태 s₀를 가지고 학습 깊이 우선 검색(LDFS)를 최적 전략 σ(최적 웹 서비스 시퀀스)을 얻을 때까지 반복하고(라인 2), 그러고 나서 최적 전략 σ(최적 웹 서비스 시퀀스)를 웹 서비스의 최적 구성 시퀀스로 변환한다(라인 3). 상기 학습 깊이 우선 검색은 상태의 모든 행위들을 고려하고, 해결되지 않은 상태를 추적하고, 해결되지 않은 상태들뿐만 아니라 그들의 선행 상태들도 업데이트한다.

이 절차를 위해서, 학습 깊이 우선 검색(LDFS)는 두 개의 루프들을 포함한다. 상기 두 개의 루프 중 하나는 주어진 상태 s에서 모든 행위들 a(∈A) 에 적용되는 루프(라인 11)이고 다른 하나는 모든 가능한 후속 상태들 s'(∈T(s, a))에 적용되는 루프(라인 15)이다.

다시, 단지 그들이 필요할 때, On-the-fly 검색 기법은 후속 상태들의 집합을 확장한다(라인 14). 이 검색 절차는 하나의 불일치 상태 s(즉, 모든 조치에 대하여, 가치함수 V(s) < 가치함수의 최소 QoS 값 min_{a ∈A} Q_V(s, a)), 하나의 종료 상태, 또는 해결된 이라고 이름 붙여진 상태에서 종료된다.

그 검색(LDFS)이 상태 s 이후로 어떤 불일치 상태가 존재하지 않는 행위a(∈A)를 발견하면, 그때 s는 해결된 것으로 명명된다(라인 23). 이 경우, 상태 s를 위한 전략 σ(웹 서비스 시퀀스)는 행위(웹 서비스) a로 설정되고, 다른 행위들은 생략된다. 학습 깊이 우선 검색 알고리즘은 사실을 되돌려준다. 그렇지 않으면, 학습 깊이 우선 검색 알고리즘은 행위들이 없을 때까지 다른 행위를 시도한다. 상기 조건을 만족시키는 행위가 없으면, 상태 s는 갱신된다. 이 경우, 학습 깊이 우선 검색 알고리즘은 오류를 되돌려준다. 비슷하게, 후속 상태 s'∈Succ의 검색이 오류를 되돌려주거나, 가치함수의 최소 QoS 값이 가치함수보다 작거나 같은(Q_V(s, a) ≤ V(s))을 만족시키는 행위 a가 없으면, 나머지 후속 상태들은 생략된다.

도 3은 본 발명의 실시예에 따른 QoS 인식 웹 서비스 구성을 위한 아키텍처를 나타낸 도면이다. 도 3을 참고하면, 상기 아키텍처는 웹 서비스 집합을 위한 WSDL 파일, 타입 정보를 위한 OWL 파일, QoS 정보를 위해 WSLA 파일, 요구 웹 서비스를 위한 WSDL 파일을 가진다. 상기 아키텍처는 QoS 인식 WSC 문제를 그래프 검색 문제로 줄이고, 웹 서비스 시퀀스를 On-the-fly 검색 알고리즘 및 학습 깊이 우선 검색 알고리즘을 이용하여 계산한다. 결론적으로, 본 발명의 실시예는 최적 웹 서비스 구성을 위한 BPEL 파일로 변경하는 것이다.

On-the-fly 검색 알고리즘이 구축된 학습 깊이 우선 검색 알고리즘을 이용한 QoS 인식 알고리즘을 위한 자동 툴을 구현했다. WSDL, WSLA, 그리고 OWL 포맷들에서, 하나의 웹 서비스 집합이 주어지면, 상기 자동 툴은 자동으로 최소 QoS 값을 갖는 복합 웹 서비스를 발견한다.

본 발명의 실시예에 따른 On-the-fly 학습 기반 검색을 이용한 QoS 인식 웹 서비스 구성방법과 오프라인 버전의 LDFS 기법을 비교했다. 그 실험은 수 많은 예들에서 수행되었는데, 상기 수 많은 예들은 웹 서비스 과제 2009에서 이용되었던 웹 서비스 테스트 셋 발생기에 의해서 발생되었다.

모든 실험들은 2.93MHz 코어 i7 프로세서, 8GB 메모리 및 리눅스 오퍼레이팅 시스템 환경의 PC에서 수행되었다. 도 4에 도시된 테이블은 웹 서비스들 및 매개변수들의 총 수를 나타내고, 각 문제 예에 대한 최적 해결의 길이를 나타낸다. 그것은 또한 오프라인 LDFS 기법 및 본 발명의 실시예에 따른 On-the-fly LDFS을 이용한 QoS 인식 웹 서비스 구성방법에 대한 종합 실행 시간을 초단위로 보여준다. 실행시간 열에서, '―'는 대응기법이 1,200초 내에 완료할 수 없다는 것을 의미한다. 본 발명의 실시예에 따른 QoS 웹 서비스 구성방법에 대하여, 테이블은 검색 그래프 구축율을 나타낸다.

즉, 본 발명의 실시예에 따른 QoS 인식 웹 서비스 구성 방법이 구축한 상태 수들에 대한 오프라인 기법이 구축한 상태 수들의 비율을 나타낸다. 어떤 기법이 주어진 시간 동안 종료하지 못하면, 그들을 비교할 수 없기 때문에 구축율에 대해서 '―' 표시를 마크한다.

실험결과는 본 발명의 실시예에 따른 QoS 인식 웹 서비스 구성 방법이 항상 실행시간 면에서 오프라인 LDFS 기법을 능가함을 알 수 있다. 그래프 구축율이 매우 작은 경우(예를 들어, P3:5%, P9:1%, P12:5%, P14:0.3%), 본 발명의 실시예에 따른 QoS 인식 웹 서비스 구성 방법은 오프라인 LDFS 기법 보다 1차 내지 3차 크기로 일찍 완료함을 알 수 있다. 심지어 그래프 구축율이 상대적으로 큰 경우(예를 들어, P5:69%, P7:96%, P14:50%), 본 발명의 실시예에 따른 QoS 인식 웹 서비스 구성 방법은 여전히 오프라인 LDFS 기법보다 더 좋은 성능을 보여준다. P6, P16, P17, P18, P19, 및 P20에 대하여, 본 발명의 실시예에 따른 QoS 인식 웹 서비스 구성 방법은 실행할 수 없는 문제들을 실행 가능한 문제들로 변환한다.

이제까지 본 발명에 대하여 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 따라서 본 발명의 범위는 전술한 실시예에 한정되지 않고 특허청구범위에 기재된 내용 및 그와 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.

Claims (4)

1. 웹 서비스 집합과 QoS 정보가 포함된 사용자 요구 웹 서비스로 구성되는 QoS 인식 웹 서비스 구성문제 예를 가중치 상태 전이 시스템에 기반하여 그래프 검색 문제 예로 감소시키는 단계; 와
   상기 그래프 검색 문제 예에, 학습 깊이 우선 검색기법 및 On-the-fly 검색 기법을 적용하여, 상기 QoS를 최소화하는 복합 웹 서비스를 구성하는 단계를 포함하는, On-the-fly 학습 기반 검색을 이용한 QoS 인식 웹 서비스 구성방법.
2. 청구항 1에 있어서,
   상기 QoS를 최소화하는 복합 웹 서비스를 구성하는 단계는,
   상기 그래프 검색 문제 예에 대하여, 상기 학습 깊이 우선 검색기법을 기초로 하여, 설정된 경우에만 상기 On-the-fly 검색 기법을 적용하는 것을 특징으로 하는 On-the-fly 학습 기반 검색을 이용한 QoS 인식 웹 서비스 구성방법.
3. 청구항 2에 있어서,
   상기 설정된 경우는, 그래프의 필요한 부분이 전체에 비해서 작은 경우인 것을 특징으로 하는 On-the-fly 학습 기반 검색을 이용한 QoS 인식 웹 서비스 구성방법.
4. 청구항 3에 있어서,
   상기 그래프의 필요한 부분이 전체에 비해서 작게 되는 경우는, 목표상태를 나타내는 변수가 적은 수의 매개변수와 관련이 있는 경우인 것을 특징으로 하는 On-the-fly 학습 기반 검색을 이용한 QoS 인식 웹 서비스 구성방법.

Images