[發明專利]一種基于可信度篩選的Web服務組合方法

在審

• 申請號: 202011319892.3
• 申請日: 2020-11-23
• 公開（公告）號: CN112511346A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 韓敏;劉鋒;鐘凱
• 申請（專利權）人: 大連理工大學
• 主分類號: H04L12/24
• 分類號: H04L12/24;G06N3/00;G06N7/00
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 李曉亮;潘迅

1.一種基于可信度篩選的Web服務組合方法，其特征在于，該方法包括以下步驟：

(1)針對Web服務的某個QoS屬性，采用貝葉斯學習理論結合時間因素的方法，計算該屬性的可信度值；

(2)計算候選服務集合中每個候選服務各QoS屬性的可信度值，根據可信度值采用skyline理論將被支配的候選服務刪除，得到可信的候選服務集合作為后續優化的求解空間；具體步驟如下：

1)根據步驟(1)所述可信度值計算方法，計算子任務候選服務集合中每個候選服務各QoS屬性的可信度值，得到候選服務的QoS屬性可信度集合其中，表示候選服務ws_i的QoS可信度集合，表示候選服務ws_i的第q_n個QoS的可信度值；

2)根據可信度集合，利用skyline理論依次將候選服務與其他候選服務比較，將被支配的候選服務從候選服務集合中刪除，其中被支配的規則為：假設候選服務ws_m和ws_n，當ws_m所有QoS屬性的可信度值均不優于ws_n對應QoS屬性的可信度值，并且至少存在一個QoS屬性的可信度值完全劣于ws_n對應QoS屬性的可信度值，則ws_m是被支配的；

3)所有候選服務比較后，得到可信的候選服務集合；

(3)根據各QoS屬性，構建多目標模型，采用改進多目標粒子群算法對該多目標模型進行優化，求解Web服務組合方案；具體包括以下步驟：

1)針對QoS屬性量綱不一致的情況，采用歸一化方法將QoS屬性值轉化到[0,1]范圍；

2)根據不同工作流模型下QoS聚合函數的計算式，計算組合服務的每個QoS的聚合值，作為目標函數，并設置QoS約束；

3)將可信的候選服務集合作為求解空間，構建多目標優化模型。

2.根據權利要求1所述的基于可信度篩選的Web服務組合方法，其特征在于，步驟(1)中計算Web服務某個QoS屬性的可信度值，包括以下步驟：

1)根據Web服務的某個QoS屬性的發布值q和歷史運行值記錄q′計算信任度R，計算式如下：

2)選取某段時間該屬性的歷史運行記錄，通過上述式(1)得到該屬性的信任度集合其中表示第i次運行的信任度，d_i表示第i次運行時距離當前時間的天數；

3)假設不信任度計算該段時間內該屬性的總體信任度和總體不信任度，計算式如下：

其中，λ為時間因子，0＜λ≤1，表示時間對信任度的重要程度；R_λ,q表示該屬性q的總體信任度；i表示第i次運行，i∈[1,2，…，n]；表示該屬性的總體不信任度；表示第i次運行的不信任度，d_i表示第i次運行時距離當前時間的天數；

4)根據貝葉斯學習理論，計算該屬性的可信度值rep_q，計算式如下：

3.根據權利要求1所述的基于可信度篩選的Web服務組合方法，其特征在于，步驟(3)中改進多目標粒子群算法，包括如下步驟：

1)設置算法參數：包括種群規模、最大迭代次數、公式參數等；

2)初始化種群：采用佳點集理論初始化種群；

3)初始化存儲集：根據適應度函數計算每個粒子的適應度，并通過非支配排序選擇非支配的粒子加入存儲集中；

4)初始化個體最優和全局最優：將每個粒子的適應度值作為自己的初始個體最優，從存儲集中根據目標函數的權值排序選擇最優的粒子作為全局最優；

5)初始化迭代次數為1；

6)更新粒子的速度和位置：通過如下速度更新公式和位置更新公式計算得到新的粒子；

v_j,t＝ωv_j,t+c₁r₁(p_j,best-x_j,t-1)+c₂r₂(g_best-x_j,t-1) (5)

x_j,t＝x_j,t-1+v_j,t (6)

其中，j是粒子的序列；ω為慣性權重；v_j,t為粒子j在迭代數為t時的粒子速度；x_j,t為粒子j在迭代數為t時的粒子位置；p_j,best為粒子j的個體最優；g_best為全局最優；c₁為個體加速因子，c₂為全局加速因子；r₁和r₂為0和1之間的隨機數；

7)種群更新：將上一代粒子種群與新得到的粒子混合，得到一個臨時種群，選擇種群規模數量的粒子作為新的種群，選擇規則為：首先根據非支配排序從臨時種群中選擇出非支配的粒子，若選擇出的粒子數量達到種群規模則停止選擇，若未達到則再次根據非支配排序從剩余的粒子種群中選擇非支配的粒子，直到選擇的粒子數量達到種群規模；

8)更新個體最優：根據適應度函數計算新種群中每個粒子的適應度，與當前個體最優進行比較，選擇更優的粒子作為新的個體最優；

9)更新存儲集：通過非支配排序從新種群中選擇出非支配粒子，將這些非支配粒子與存儲集中的粒子進行混合，再次根據非支配排序選擇非支配的粒子作為新的存儲集；

10)更新全局最優：根據粒子的目標函數的權值和進行排序，選擇最優的粒子作為新的全局最優；

11)更新參數：對速度更新公式和位置更新公式中的參數進行動態更新；

12)迭代數加1，并判斷迭代數是否達到最大迭代數，若未達到則循環到步驟6)；若達到則進入下一步；

13)輸出存儲集，得到一系列組合方案，這些方案均滿足用戶需求。