Web服务行为兼容性的判定与计算

确保Web服务行为兼容是实现Web服务无缝集成与协作的一个重要问题.在服务视图概念的基础上,给出了Web服务行为兼容性的相关定义.提出一种基于π演算的Web服务行为兼容性的定性判定与定量计算方法.该方法首先通过算法自动地将Web服务行为和Web服务间的交互行为表达成π演算进程,然后借助π演算的操作语义和形式化推演实现服务行为兼容性自动的定性判定;随后在π演算的进程变换理论的基础上提出算法实现服务兼容性自动的定量计算.该方法在服务动态组合与服务动态替换中的典型应用表明,该方法对于服务组合的正确建立和可靠执行具有重要作用.     

支持角色双向继承的约束RBAC模型

针对经典RBAC(Role Based Access Control)模型在复杂应用系统中操作繁琐以及难以映射组织结构等不足之处,提出了一种支持角色双向继承的约束RBAC模型BI-RBAC。该模型对经典的RBAC模型进行扩展,增加虚拟角色及其层次结构以支持角色的双向继承,并定义资源操作的概念。给出模型的形式化定义的同时,设计了访问控制算法。模型在自主开发的大型平台软件钱塘中间件平台软件中得到了应用,可较好地支撑恒生证券交易系统等大型软件系统。     

基于代价敏感决策树的P2P网络借贷风险评估

为了提高P2P网络借贷平台的风险控制能力,提出一种基于多特征融合的、代价敏感决策树的网络借贷项目风险评估方法。该方法首先从互联网借贷平台上提供的借款人信息中构建借款人信用特征,然后综合借款人的历史借款信息、个人信用特征及项目特征,通过构建ROC曲线下面积最大化、互信息最小化为目标的特征选择算法,选择出与项目风险评估最相关且冗余性最少的特征集合,再通过改进的基于代价敏感的决策树算法对借款项目进行风险评估。实验表明,该方法与相关文献中提到的方法以及一些传统分类器相比,在P2P网络借贷风险评估上有更优的表现。     

基于Skyline的QoS感知的动态服务选择

服务计算相关技术标准的持续完善和不断成熟推动了基于Web服务重用的分布式应用系统开发方式的迅速普及.而随着服务数量的爆炸性增长,网络上存在着大量功能相似、非功能特性各异的服务,如何在功能相当的服务集中选择质量较优的服务成为一个亟待解决的问题.传统的基于服务质量的服务选择方法,无论是局部最优或是全局最优策略,均面向服务库中的所有服务进行选择,选择效率受服务数量影响较大,因此不适用于基于大规模服务库的服务选择.文中引入数据库查询中的skyline方法,利用skyline中的支配关系,在选择过程中仅考虑skyline之上的服务,从而大大缩小了服务选择的范围,提高了服务选择的效率.同时针对动态Web服务环境,提出一种动态环境下的skyline服务维护算法,并通过一系列仿真实验证明了所提算法的高效性及良好的可扩展性.     

使用倒排索引优化面向组合的语义服务发现

提出为服务库中所有注册服务的输出建立倒排索引,以快速、准确、高效地发现目标服务.即为每个输出维护一个服务列表,用于记录在该服务库中所有能够产生该输出的服务.基于倒排索引机制,提出面向组合的服务发现算法.该方法利用倒排索引的优势,极大地减少了搜索空间,并通过挖掘服务组合提高服务发现的查全率.仿真实验表明,该方法能够在大规模服务库中快速、全面地响应用户请求.     

基于强化学习的多路口可变车道协同控制方法

为了解决传统的可变导向车道控制方法无法适应多路口场景下的复杂交通流的问题,提出基于多智能体强化学习的多路口可变导向车道协同控制方法来缓解多路口的交通拥堵状况. 该方法对多智能体强化学习 (QMIX)算法进行改进,针对可变导向车道场景下的全局奖励分配问题,将全局奖励分解为基本奖励与绩效奖励,提高了拥堵场景下对车道转向变化的决策准确性. 引入优先级经验回放算法,以提升经验回放池中转移序列的利用效率,加速算法收敛. 实验结果表明,本研究所提出的多路口可变导向车道协同控制方法在排队长度、延误时间和等待时间等指标上的表现优于其他控制方法,能够有效协调可变导向车道的策略切换,提高多路口下路网的通行能力.     

大粒度Pull Request描述自动生成

在GitHub平台中,许多项目贡献者在提交Pull Request （PR）时往往会忽略提交PR描述,这使得他们提交的PR容易被评审者忽略或者拒绝,因此自动生成PR描述以帮助项目贡献者提高PR通过率是很有必要的.然而,现有PR描述生成方法的表现会受到PR粒度影响,无法有效为大粒度的PR生成描述.因此我们的工作专注于大粒度PR描述的自动生成.我们首先对PR中的文本信息进行预处理,将文本中的单词作为辅助节点构建词-句异质图,以建立PR语句间的联系.随后对异质图进行特征提取,并将提取后的特征输入至图神经网络进行图表示学习,通过节点间的消息传递,使句子节点学习到更丰富的内容信息,最后选择带有关键信息的句子组成PR描述.此外,针对PR数据集缺少人工标注的真实标签而无法进行监督学习的问题,我们使用强化学习指导PR描述的生成,以最小化获得奖励的负期望为目标训练模型,该过程与标签无关,并且直接提升了生成结果的表现.我们在真实的数据集上进行了实验,实验结果表明,我们提出的大粒度PR描述生成方法在F1值和可读性上优于现有方法.