WO2022246994A1 - 一种组合服务动态演化方法 - Google Patents

一种组合服务动态演化方法 Download PDF

Info

Publication number
WO2022246994A1
WO2022246994A1 PCT/CN2021/107234 CN2021107234W WO2022246994A1 WO 2022246994 A1 WO2022246994 A1 WO 2022246994A1 CN 2021107234 W CN2021107234 W CN 2021107234W WO 2022246994 A1 WO2022246994 A1 WO 2022246994A1
Authority
WO
WIPO (PCT)
Prior art keywords
service
evolution
composite
neural network
combined
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.)
Ceased
Application number
PCT/CN2021/107234
Other languages
English (en)
French (fr)
Inventor
李莹
席萌
尹建伟
邓水光
毛义华
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.)
Zhejiang University
Original Assignee
Zhejiang 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 Zhejiang University filed Critical Zhejiang University
Priority to US17/782,653 priority Critical patent/US12423585B2/en
Publication of WO2022246994A1 publication Critical patent/WO2022246994A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Definitions

  • the invention belongs to the field of service combination in software engineering, and in particular relates to a method for dynamic evolution of combined service.
  • Service composition is a compelling way to quickly build large-scale distributed applications in the public cloud. With the rapid increase of composite service requests from many customers in the public cloud, it is critical to efficiently perform service quality-aware cloud computing service composition.
  • the Chinese patent document with publication number CN111125541A discloses a multi-user-oriented sustainable multi-cloud service combination acquisition method, including the following steps: constructing a multi-user-service scoring matrix based on social network information; The scoring matrix is further optimized by SVM regression, and then the services are clustered by DBSCAN to obtain the service request sequence; the service request sequence is input into the concept grid, and the screening operation is performed to obtain the candidate cloud service combination, and then calculate each candidate cloud Sustainability indicators of service portfolio, and based on this, obtain the multi-cloud service portfolio that meets the best sustainability.
  • This method improves the cold start problem of data sparseness in traditional collaborative filtering, strengthens service aggregation, and improves the accuracy of service acquisition.
  • the atomic services that make up composite services are usually network services provided by third parties, which brings new challenges to service composition.
  • the service quality of atomic services changes dynamically, which makes composite services need to be dynamically adjusted according to the real-time status of atomic services, and different candidate services can be selected to avoid falling into local optimal solutions;
  • third-party atomic services on different platforms Services will introduce additional service collaboration time, which requires composite services to be able to dynamically optimize the service process according to the selection of atomic services under the condition of loose coupling and low constraints, while taking into account the evolution of individual services and service co-evolution;
  • third, due to The third-party atomic service is invoked by a large number of composite services. In order to reduce the load of the atomic service, empty requests for obtaining the quality of service information of the atomic service should be avoided as much as possible.
  • the invention provides a method for dynamic evolution of composite services, which can dynamically adjust according to the real-time status of atomic services, and dynamically optimize the service process based on the selection of atomic services.
  • a method for dynamic evolution of composite services comprising the following steps:
  • step (4) The concrete process of step (4) is:
  • step (4-2) If the atomic service originally used by the activity is fully loaded or unable to respond to new requests, then remove the atomic service from the candidate service set and perform step (4-4); otherwise, directly perform step (4-3 );
  • P(S) represents the probability of candidate service S being selected
  • count(S) represents the number of times candidate service S is invoked
  • avg(*) represents the average number of times all candidate services are invoked
  • count(*) represents all candidate The total number of times the service was invoked.
  • step (5) the meaning of the selective execution is: when the activities in the composite service flow have execution sequence constraints, then the multi-layer process evolution is not executed, otherwise it is executed.
  • step (5) The concrete process of step (5) is:
  • step (9) when updating the parameters of neural networks NN2 and NN1, the optimization objective is:
  • NN1(CS) is the evolution probability calculated by the combined service CS through the neural network NN1;
  • NN2(CS,CS′) is the evolution success probability calculated by the combined service CS and CS' through the neural network NN2;
  • ⁇ CS. PF is the sum of all recorded service performances of the composite service CS;
  • ⁇ SPF.PF is the sum of all service performances in the service performance set SPF, and
  • avg(CS.PF) is the average of all recorded service performances of the composite service CS Value, avg(CS'.PF) is the average value of all recorded service performances of composite service CS'.
  • the set SPF of the performance of the composite service is a set of 2-tuples composed of (CSkey, PFlist); wherein, CSkey represents the unique key value of the composite service, through the existing The hash algorithm is generated for the combined service; PFlist represents an ordered and repeatable list of all historical running performances of the combined service corresponding to the CSkey.
  • the performance of the combined service is to map the currently collected service quality value into a single service performance value through any existing calculation method, and the larger the service performance value, the better the service.
  • the input of the neural network NN1 in step (2) is a certain combination service CS, and the output is the evolution probability EP of the combination service.
  • Network, deep neural network and other commonly used neural network algorithms instead.
  • the input of the neural network NN2 in step (8) is two specific combination services CS, CS', and the output is the evolution success probability SP of the combination service CS' relative to the combination service CS.
  • Commonly used neural network algorithms such as connection neural network, recurrent neural network, convolutional neural network, and deep neural network are replaced.
  • the present invention has the following beneficial effects:
  • the present invention can dynamically adjust the combined service according to the real-time state of the atomic service when the service quality of the atomic service changes dynamically, select different candidate services, and avoid falling into a local optimal solution.
  • the present invention can dynamically optimize the service process according to the selection of atomic services under the condition of loose coupling and low constraints, while taking into account the evolution of a single service and the collaborative evolution of services.
  • the present invention utilizes the service performance data generated during the actual operation of the service, and avoids empty requests for obtaining the service quality information of the atomic service.
  • Fig. 1 is a schematic flow chart of a method for dynamic evolution of composite services in the present invention
  • FIG. 2 is a schematic diagram of an initialization service combination imported in an embodiment of the present invention.
  • FIG. 3 is a schematic diagram of a combined service after performing distributed service evolution in an embodiment of the present invention.
  • FIG. 4 is a schematic diagram of a combined service after multi-layer process evolution is performed on a process in an embodiment of the present invention.
  • the combined service of the travel assistant is taken as an example.
  • a method for dynamic evolution of the combined service includes the following steps:
  • the evolution threshold TH1 and the evolution success threshold TH2 are initialized, here both are initialized to 0.5.
  • the evolution success probability SP is calculated by neural network NN2 as 0.6.
  • the evolved combined service AABBD is the initial service for the next operation.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer And Data Communications (AREA)
  • Telephonic Communication Services (AREA)

Abstract

一种组合服务动态演化方法，属于软件工程中的服务组合领域，包括：组合服务动态演化流程，分布式服务演化机制和多层流程演化机制。该方法可以在原子服务的服务质量动态变化的情况下，使组合服务可以根据原子服务的实时状态进行动态调整，选择不同的候选服务，避免陷入局部最优解。同时，该方法可以在松耦合、低约束的条件下根据原子服务的选择情况对服务流程进行动态优化，同时兼顾单个服务演化以及服务协同演化。进一步地，为了减轻原子服务负载，该方法利用了服务实际运行时产生的服务表现数据，避免为了获取原子服务服务质量信息而导致的空请求。

Description

一种组合服务动态演化方法 技术领域
本发明属于软件工程中的服务组合领域，尤其是涉及一种组合服务动态演化方法。
背景技术
服务组合是在公共云中快速构建大规模分布式应用的一种令人信服的方法。随着公有云中许多客户的复合服务请求的迅速增加，有效地执行服务质量感知的云计算服务组合是至关重要的。
近年来，许多研究人员专注于自动服务组合，因为它是软件工程的一个显著且有前途的解决方案。其基本思想取决于面向服务的体系结构三角模型，并大多通过网络服务相关技术实现，将可重用的现成服务组合成增值的复合服务以满足请求者。与手动组合和传统的"从头开始编程"的开发相比，自动组合有许多好处和优势，例如低成本、节省时间、降低风险和灵活性。这些都促使人们采用自动组合来满足软件需求。
在传统的组合中，一个隐含的假设是，服务是在重量级的企业服务器上运行的，它们通常提供计算密集型的功能。这就是服务组合的传统背景。然而，这种假设和背景可能会被告诉发展的网络技术和强大的云计算能力所打破。当云服务成为组合服务的基本组成单元，服务集成将不再局限于传统的背景下，它应该更加灵活和复杂。
如公开号为CN111125541A的中国专利文献公开了一种面向多用户的可持续多云服务组合的获取方法，包括如下步骤：基于社交网络的信息构 建多用户-服务评分矩阵；对所述多用户-服务评分矩阵用SVM回归做进一步优化，然后将服务进行DBSCAN聚类，得到服务请求序列；将所述服务请求序列输入到概念格，进行筛选运算，得出候选云服务组合，再计算每个候选云服务组合的可持续指标，并据此来获取满足最佳可持续性的多云服务组合。该方法改进传统的协同过滤中数据稀疏的冷启动问题，以及加强了服务聚合，提高了服务获取的准确率。
构成组合服务的原子服务通常为第三方提供的网络服务，这为服务组合带来了新的挑战。第一，原子服务的服务质量是动态变化的，这使得组合服务需要根据原子服务的实时状态进行动态调整，选择不同的候选服务，避免陷入局部最优解；第二，不同平台的第三方原子服务会引入额外的服务协作时间，这要求组合服务在松耦合、低约束的条件下能够根据原子服务的选择情况对服务流程进行动态优化，同时兼顾单个服务演化以及服务协同演化；第三，由于第三方原子服务被大量组合服务调用，为了减轻原子服务负载，应该尽可能避免为了获取原子服务服务质量信息而导致的空请求。
发明内容
本发明提供了一种组合服务动态演化方法，可以根据原子服务的实时状态进行动态调整，并原子服务的选择情况对服务流程进行动态优化。
一种组合服务动态演化方法，包括以下步骤：
(1)出现新的服务请求时，首先导入初始组合服务CS，同时初始化演化阈值TH1和演化成功阈值TH2；
(2)以组合服务CS为输入，通过神经网络NN1计算演化概率EP；
(3)比较演化概率EP与演化阈值TH1，若EP>TH1则执行步骤(4)，否则执行步骤(11)；
(4)执行分布式服务演化；
(5)选择性执行多层流程演化；
(6)通过演化后的组合服务CS'响应本次请求；
(7)记录演化后的组合服务CS'的表现CS'.PF，增加记录进入组合服务的表现的集合SPF；
(8)以组合服务CS和演化后的组合服务CS'为输入，通过神经网络NN2计算演化成功概率SP；
(9)反向传播，更新神经网络NN2、NN1的参数；
(10)比较演化成功概率SP与演化成功阈值TH2，若SP>TH2则执行步骤(14)，否则执行步骤(13)；
(11)通过组合服务CS响应本次请求；
(12)记录组合服务CS的表现CS.PF，增加记录进入组合服务的表现的集合SPF；
(13)保留组合服务CS为下次运行的初始服务，结束；
(14)使演化后的组合服务CS'为下次运行的初始服务，结束。
步骤(4)的具体过程为：
(4-1)同时对组合服务CS中的每个活动执行步骤(4-2)到(4-4)；
(4-2)如果该活动原本使用的原子服务已经满载或无法响应新的请求，则将该原子服务从候选服务集合中去除，执行步骤(4-4)；否则直接执行步骤(4-3)；
(4-3)取随机数RN，若RN<EP则执行步骤(4-4)，否则结束；
(4-4)通过随机加权的方法，从活动的候选服务中，选择一个作为新的原子服务用于后续执行，候选服务S被选中的概率计算公式如下：
Figure PCTCN2021107234-appb-000001
其中，P(S)表示候选服务S被选中的概率，count(S)表示候选服务S被调用的次数，avg(*)表示所有候选服务被调用次数的平均数，count(*) 表示所有候选服务被调用的总次数。
步骤(5)中，所述的选择性执行的含义为：当组合服务流程中的活动具有执行顺序的约束时，则不执行多层流程演化，否则执行。
步骤(5)的具体过程为：
(5-1)以组合服务CS的开始事件或无前前置节点的节点为当前节点CNode；
(5-2)取随机数RN，若RN<EP，则执行步骤(5-3)，否则执行(5-4)；
(5-3)将当前节点CNode随机与其之后到下一个网关节点或事件节点之间的活动互换位置；
(5-4)若当前节点CNode是不存在可控子流程SubCS，则直接执行(5-4)，否则对可控子流程SubCS开启新的演化流程，独立对SubCS进行多层流程演化，同时继续执行(5-5)；
(5-5)将流程中当前节点CNode的后续相邻节点作为新的CNode，若新的CNode为流程结束事件或无后续节点，则结束；若新的CNode为存在后续节点的活动，则执行步骤(5-2)；若新的CNode为事件节点或网关节点，则重复执行(5-5)。
步骤(9)中，更新神经网络NN2、NN1的参数时，优化目标为：
min V(NN1,NN2)
＝(NN1(CS)-(1-∑CS.PF/∑SPF.PF)) 2
+(NN2(CS,CS′)-e avg(CS′.PF)-avg(CS.PF)/e avg(CS′.PF)+avg(CS.PF)) 2
其中，NN1(CS)为组合服务CS通过神经网络NN1计算得出的演化概率；NN2(CS,CS′)为组合服务CS和CS'通过神经网络NN2计算得出的演化成功概率；∑CS.PF为组合服务CS的所有已记录的服务表现的和；∑SPF.PF为服务表现集合SPF中所有服务表现的和，avg(CS.PF)为组 合服务CS的所有已记录的服务表现的平均值，avg(CS′.PF)为组合服务CS'的所有已记录的服务表现的平均值。
步骤(7)和步骤(12)中，所述的组合服务的表现的集合SPF为由(CSkey,PFlist)组成的二元组的集合；其中，CSkey表示组合服务的唯一键值，通过已有的哈希算法对组合服务生成；PFlist表示CSkey对应的组合服务所有历史运行表现组成的有序可重复列表。
所述组合服务的表现为通过任意现有运算方法，将现有可采集到的服务质量数值映射成为的单一服务表现值，且需要满足服务表现的值约大，则服务越优。
步骤(2)的神经网络NN1的输入为某一特定组合服务CS，输出为该组合服务的演化概率EP，其内部结构可以通过现有的多层全连接神经网络、循环神经网络、卷积神经网络、深度神经网络等常用神经网络算法替代。
步骤(8)中的神经网络NN2的输入为某两个特定组合服务CS、CS'，输出为组合服务CS'相对组合服务CS的演化成功概率SP，其内部结构可以通过现有的多层全连接神经网络、循环神经网络、卷积神经网络、深度神经网络等常用神经网络算法替代。
与现有技术相比，本发明具有以下有益效果：
1、本发明可以在原子服务的服务质量动态变化的情况下，使组合服务可以根据原子服务的实时状态进行动态调整，选择不同的候选服务，避免陷入局部最优解。
2、本发明可以在松耦合、低约束的条件下根据原子服务的选择情况对服务流程进行动态优化，同时兼顾单个服务演化以及服务协同演化。
3、为了减轻原子服务负载，本发明利用了服务实际运行时产生的服务表现数据，避免为了获取原子服务服务质量信息而导致的空请求。
附图说明
图1为本发明一种组合服务动态演化方法的流程示意图；
图2为本发明实施例中导入的初始化服务组合示意图；
图3为本发明实施例中执行分布式服务演化后的组合服务示意图；
图4为本发明实施例中对流程执行多层流程演化后的组合服务示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。下列实施例中未注明具体条件的操作方法，通常按照常规条件，或按照制造厂商所建议的条件。
本实施例以旅游助手的组合服务为例，如图1所示，一种组合服务动态演化方法，包括以下步骤：
当新的服务请求出现，首先导入初始化组合服务ABABC，其流程如图2所示。
同时初始化演化阈值TH1和演化成功阈值TH2，此处均初始化为0.5。
接着，将流程的特征参数输入到全连接神经网络NN1，得到其演化概率EP为0.7。
由于演化概率EP大于演化阈值TH1，开始进行分布式服务演化，演化结果为组合服务ABABD，如图3所示。
接着继续对流程执行多层流程演化，演化结果为组合服务AABBD，如图4所示。
通过演化后的组合服务响应本次请求，并在执行完毕后记录表现(计算值为11)，增加近组合服务的表现集合。
SPF＝{(ABABC,[7]),(AABBD,[11])}
以组合服务ABABC和AABBD为输入，通过神经网络NN2计算演 化成功概率SP为0.6。
反向传播，更新神经网络NN2、NN1的参数。
由于演化成功概率SP大于演化成功阈值TH2，使演化后的组合服务AABBD为下次运行的初始服务。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。

Claims (9)

  1. 一种组合服务动态演化方法，其特征在于，包括以下步骤：
    (1)出现新的服务请求时，首先导入初始组合服务CS，同时初始化演化阈值TH1和演化成功阈值TH2；
    (2)以组合服务CS为输入，通过神经网络NN1计算演化概率EP；
    (3)比较演化概率EP与演化阈值TH1，若EP>TH1则执行步骤(4)，否则执行步骤(11)；
    (4)执行分布式服务演化；
    (5)选择性执行多层流程演化；
    (6)通过演化后的组合服务CS'响应本次请求；
    (7)记录演化后的组合服务CS'的表现CS'.PF，增加记录进入组合服务的表现的集合SPF；
    (8)以组合服务CS和演化后的组合服务CS'为输入，通过神经网络NN2计算演化成功概率SP；
    (9)反向传播，更新神经网络NN2、NN1的参数；
    (10)比较演化成功概率SP与演化成功阈值TH2，若SP>TH2则执行步骤(14)，否则执行步骤(13)；
    (11)通过组合服务CS响应本次请求；
    (12)记录组合服务CS的表现CS.PF，增加记录进入组合服务的表现的集合SPF；
    (13)保留组合服务CS为下次运行的初始服务，结束；
    (14)使演化后的组合服务CS'为下次运行的初始服务，结束。
  2. 根据权利要求1所述的组合服务动态演化方法，其特征在于，步骤(4)的具体过程为：
    (4-1)同时对组合服务CS中的每个活动执行步骤(4-2)到(4-4)；
    (4-2)如果该活动原本使用的原子服务已经满载或无法响应新的请求，则将该原子服务从候选服务集合中去除，执行步骤(4-4)；否则直接执行步骤(4-3)；
    (4-3)取随机数RN，若RN<EP则执行步骤(4-4)，否则结束；
    (4-4)通过随机加权的方法，从活动的候选服务中，选择一个作为新的原子服务用于后续执行，候选服务S被选中的概率计算公式如下：
    Figure PCTCN2021107234-appb-100001
    其中，P(S)表示候选服务S被选中的概率，count(S)表示候选服务S被调用的次数，avg(*)表示所有候选服务被调用次数的平均数，count(*)表示所有候选服务被调用的总次数。
  3. 根据权利要求1所述的组合服务动态演化方法，其特征在于，步骤(5)中，所述的选择性执行的含义为：当组合服务流程中的活动具有执行顺序的约束时，则不执行多层流程演化，否则执行。
  4. 根据权利要求3所述的组合服务动态演化方法，其特征在于，步骤(5)的具体过程为：
    (5-1)以组合服务CS的开始事件或无前前置节点的节点为当前节点CNode；
    (5-2)取随机数RN，若RN<EP，则执行步骤(5-3)，否则执行(5-4)；
    (5-3)将当前节点CNode随机与其之后到下一个网关节点或事件节点之间的活动互换位置；
    (5-4)若当前节点CNode是不存在可控子流程SubCS，则直接执行(5-4)，否则对可控子流程SubCS开启新的演化流程，独立对SubCS进行多层流程演化，同时继续执行(5-5)；
    (5-5)将流程中当前节点CNode的后续相邻节点作为新的CNode， 若新的CNode为流程结束事件或无后续节点，则结束；若新的CNode为存在后续节点的活动，则执行步骤(5-2)；若新的CNode为事件节点或网关节点，则重复执行(5-5)。
  5. 根据权利要求1所述的组合服务动态演化方法，其特征在于，步骤(9)中，更新神经网络NN2、NN1的参数时，优化目标为：
    min V(NN1,NN2)
    ＝(NN1(CS)-(1-∑CS.PF/∑SPF.PF)) 2
    +(NN2(CS,CS′)-e avg(CS′.PF)-avg(CS.PF)/e avg(CS′.PF)+avg(CS.PF)) 2
    其中，NN1(CS)为组合服务CS通过神经网络NN1计算得出的演化概率；NN2(CS,CS′)为组合服务CS和CS'通过神经网络NN2计算得出的演化成功概率；∑CS.PF为组合服务CS的所有已记录的服务表现的和；∑SPF.PF为服务表现集合SPF中所有服务表现的和，avg(CS.PF)为组合服务CS的所有已记录的服务表现的平均值，avg(CS′.PF)为组合服务CS'的所有已记录的服务表现的平均值。
  6. 根据权利要求1所述的组合服务动态演化方法，其特征在于，步骤(7)和步骤(12)中，所述的组合服务的表现的集合SPF为由(CSkey,PFlist)组成的二元组的集合；其中，CSkey表示组合服务的唯一键值，通过已有的哈希算法对组合服务生成；PFlist表示CSkey对应的组合服务所有历史运行表现组成的有序可重复列表。
  7. 根据权利要求1所述的组合服务动态演化方法，其特征在于，步骤(7)和步骤(12)中，所述组合服务的表现为通过任意现有运算方法，将现有可采集到的服务质量数值映射成为的单一服务表现值，且需要满足服务表现的值约大，则服务越优。
  8. 根据权利要求1所述的组合服务动态演化方法，其特征在于，所 述的神经网络NN1的输入为某一特定组合服务CS，输出为该组合服务的演化概率EP；神经网络NN1采用多层全连接神经网络、循环神经网络、卷积神经网络、深度神经网络中的一种。
  9. 根据权利要求1所述的组合服务动态演化方法，其特征在于，所述的神经网络NN2的输入为某两个特定组合服务CS、CS'，输出为组合服务CS'相对组合服务CS的演化成功概率SP；神经网络NN2采用多层全连接神经网络、循环神经网络、卷积神经网络、深度神经网络中的一种。
PCT/CN2021/107234 2021-05-24 2021-07-20 一种组合服务动态演化方法 Ceased WO2022246994A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/782,653 US12423585B2 (en) 2021-05-24 2021-07-20 Method for dynamic evolution of composite service

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110566208.XA CN113255886B (zh) 2021-05-24 2021-05-24 一种组合服务动态演化方法
CN202110566208.X 2021-05-24

Publications (1)

Publication Number Publication Date
WO2022246994A1 true WO2022246994A1 (zh) 2022-12-01

Family

ID=77183937

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/107234 Ceased WO2022246994A1 (zh) 2021-05-24 2021-07-20 一种组合服务动态演化方法

Country Status (3)

Country Link
US (1) US12423585B2 (zh)
CN (1) CN113255886B (zh)
WO (1) WO2022246994A1 (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100088701A1 (en) * 2008-10-06 2010-04-08 Sap Ag Composing and executing service processes
CN102523252A (zh) * 2011-11-29 2012-06-27 浙江大学 一种面向云计算的服务自动组合方法
CN103581309A (zh) * 2013-10-22 2014-02-12 华中科技大学 一种基于需求的动态服务组合与选择方法和系统
CN111125541A (zh) * 2019-12-13 2020-05-08 陕西师范大学 面向多用户的可持续多云服务组合的获取方法
CN112733999A (zh) * 2021-01-19 2021-04-30 昆明理工大学 一种基于自我纠错机制粒子群优化算法的服务模式构建方法
CN112822043A (zh) * 2020-12-31 2021-05-18 扆亮海 预防局部极优的高质量网络服务组合方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8347294B2 (en) * 2009-10-14 2013-01-01 Oracle International Corporation Automated administration using composites of atomic operations
TWI676148B (zh) * 2018-09-17 2019-11-01 中華電信股份有限公司 整合ｉｃｔ服務供裝與虛實資源監控之系統
US11768729B2 (en) * 2018-10-03 2023-09-26 Telefonaktiebolaget Lm Ericsson (Publ) Method and apparatus for secure and verifiable composite service execution and fault management on blockchain
CN111241450A (zh) * 2020-01-14 2020-06-05 中南民族大学 分布式环境下动态Web服务组合方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100088701A1 (en) * 2008-10-06 2010-04-08 Sap Ag Composing and executing service processes
CN102523252A (zh) * 2011-11-29 2012-06-27 浙江大学 一种面向云计算的服务自动组合方法
CN103581309A (zh) * 2013-10-22 2014-02-12 华中科技大学 一种基于需求的动态服务组合与选择方法和系统
CN111125541A (zh) * 2019-12-13 2020-05-08 陕西师范大学 面向多用户的可持续多云服务组合的获取方法
CN112822043A (zh) * 2020-12-31 2021-05-18 扆亮海 预防局部极优的高质量网络服务组合方法
CN112733999A (zh) * 2021-01-19 2021-04-30 昆明理工大学 一种基于自我纠错机制粒子群优化算法的服务模式构建方法

Also Published As

Publication number Publication date
CN113255886A (zh) 2021-08-13
US12423585B2 (en) 2025-09-23
CN113255886B (zh) 2022-07-19
US20240185076A1 (en) 2024-06-06

Similar Documents

Publication Publication Date Title
CN109087086A (zh) 控制热点账户交易的方法
CN116225696B (zh) 用于流处理系统的算子并发度调优方法及装置
CN114756347B (zh) 基于集群的服务器资源调度方法、装置、云平台及介质
CN111614754B (zh) 面向雾计算的成本效率优化的动态自适应任务调度方法
US9292405B2 (en) HANA based multiple scenario simulation enabling automated decision making for complex business processes
US12169837B2 (en) Verifying external accounts in real-time using dynamic smart contracts
WO2024094104A1 (zh) 一种动态反馈加权云存储资源调度方法、装置及设备
CN114090220A (zh) 一种分级cpu和内存资源调度方法
CN117527721A (zh) 内容分发网络带宽控制方法、装置、设备和存储介质
CN115564176A (zh) 一种支持并行执行的决策流引擎简化方法
CN118331726A (zh) 一种嵌入式环境下npu负载感知的容器调度方法
CN114371925A (zh) 一种保障边云负载比的边云协同多任务调度方法和系统
CN104111875A (zh) 云数据中心新增任务数动态控制装置、系统及方法
CN110795248B (zh) 一种处理搜索系统Java实例垃圾回收的方法
CN101695081A (zh) 一种网络服务的可信任务调度方法
CN116233132A (zh) 基于改进Raft共识机制的能源区块链节点共识方法
CN113255886B (zh) 一种组合服务动态演化方法
JP2001229058A (ja) データベースサーバ処理方法
CN111382196B (zh) 分布式账务处理方法及系统
CN113642808A (zh) 一种面向云制造资源变化的动态调度方法
Chalkiadakis et al. The price of democracy in coalition formation
Zhang et al. A virtual network embedding algorithm based on RBF neural network
CN117290099A (zh) 一种云平台的计算资源调整方法及装置
CN113051058A (zh) 一种反欺诈智能决策引擎的调度系统及方法
WO2022183850A1 (zh) 一种面向跨界服务网络的分层路由方法

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 17782653

Country of ref document: US

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21942563

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21942563

Country of ref document: EP

Kind code of ref document: A1

WWG Wipo information: grant in national office

Ref document number: 17782653

Country of ref document: US