Web服务组合方法研究

本文对当前Web服务组合的研究现状进行了阐述。介绍了服务组合的概念和实现框架,阐述了工作流模型、形式化和语义三大类Web服务组合方法,最后从五个方面对这三类组合方法进行了比较分析。     

一种基于局部链接预测的Web服务质量稀疏性方法研究

为了增加基于用户的协同过滤方法在预测Web服务质量时的相似性用户数目,进而提高Web服务的质量,首先构建一个用户相似性网络,并通过链接预测的方法找出潜在的相似性用户,最后综合应用相似性用户和预测出的潜在相似性用户预测用户的Web服务质量.实验表明,提出的方法在提高预测成功率的同时,还降低了预测的误差,因而适用于稀疏的Web服务质量预测.     

一种有QoS保障的Web服务组合方法

随着可用Web Services数量的快速增长，如何根据用户的需求来自动组合Web Services，生成满足用户需求的组合业务，成为一项亟待解决的课题。提出了一种基于QoS的启发式算法，通过该算法，动态调用Web Services来自动生成满足用户所需目标的Web Service组合．同时，该算法还能够根据Web Services组合经验，对以后的Web Services组合方案进行调整。实验结果表明：该算法能够很好地适应网络上Web Services的不确定情况，与同类算法进行性能比较，也显示出较好的性能。     

基于动态QoS的Web服务组合

在Web服务组合中,现行的几种QoS衡量标准都将重点放在单个Web服务本身的质量上,而忽视了Web服务动态特性、组合特性以及服务组合中的网络特性。另外,在诸多服务组合的算法中,都只是强调组合服务的总体质量,却忽略了用户对某些质量属性的约束条件,从而导致服务重计算问题经常发生。为此,考虑了服务动态特性以及服务间的协作关系对组合服务质量的影响,提出了动态QoS模型;同时,综合了用户的质量约束以及组合服务的整体质量,将用户的质量约束引入服务组合流程中。最后通过实验证实了所提出的动态QoS模型能够根据服务实体的实时情况计算服务质量,同时将用户的质量约束引入服务组合流程中,有效地避免了服务重计算问题。     

Web服务动态组合关键方法研究

Web服务动态组合方式相较于静态组合方式拥有更高的灵活性和实用性,动态组合使服务在异常情况下可以被替换.文章通过对当前Web服务动态组合主要方法的实现原理与相关关键技术进行综合分析,比较得出各类方法的适用性及优缺点,并提出了Web服务动态组合的研究方向.     

Web服务质量建模及其正确性验证

针对现有的Web服务质量模型主要考虑的都是通用的服务质量属性,没有考虑特定的Web服务属性在评价中的作用,提出了一个新的Web服务质量模型,它引入了一个特定领域的服务质量属性,该模型包括三个子模型。模型中建立了相关的服务质量树和目标对象树,通过量化指标子模型对目标对象进行量化,形成相应的服务权重树。该模型既可适应用于单个的Web服务请求,也可以用于多个服务组合而成的请求。通过一个应用实例验证了模型的正确性和可用性。     

语义Web服务组合方法研究

该文首先对语义Web服务组合的研究内容和现状进行了概括,紧接着对现有的语义服务组合方法进行了分类,然后着重讨论了这些组合方法的特点及其相关应用。     

一种轻量级的Web服务QoS预测机制

服务质量（Quality of Service, QoS）作为Web服务非功能属性的代表,已被广泛作为重要的服务选择依据。然而现有QoS预测方法存在着难以兼顾运行效率与预测准确度的问题,且普遍忽略了服务器端的QoS预测。针对该问题,提出一种适用于服务器端环境的轻量级QoS预测机制（LPM）。LPM基于卡尔曼滤波算法构建QoS状态转换模型实现来QoS预测,并借助预测准确度优化预测周期。实验结果显示,在存在显著量测噪声的应用环境中,LPM的预测准确度明显优于常规方法。LPM的QoS预测结果可为用户选择Web服务提供首要的客观依据。     

动态Web服务组合研究

Web服务作为一种崭新的分布式计算模型,是Web上数据和信息集成的有效机制。动态Web服务组合作为一种灵活、快速集成信息的重要方法,成为开放异构环境中复杂分布应用的新的研究热点。本文首先分析了几种Web服务描述方式并给出了动态Web服务组合定义及模式;其次,结合目前存在的一些组合平台和框架,重点分析了基于工作流和基于AI规划的动态Web服务组合原理与典型应用,并分析了其它相关的一些动态Web服务组合策略;最后提出了动态Web服务组合面临的挑战和进一步的研究方向。     

Web服务组合综述

综述了Web服务组合的起源、概念和特点,介绍了Web服务组合的目标和方式,提出了服务组合的正确性验证及Web组合的性能分析、评价及其优化.     

提高Web服务匹配效率的服务过滤方法

为提高Web服务匹配的时间效率,提出了Web服务与当前服务请求之间的泛化语义无关关系,并证明了满足该关系的服务与当前服务的不可匹配性;提出了判定服务与当前请求的语义泛化无关的高效判定规则,即两者的泛化语义的交是不可满足的;基于该判定规则,提出了支持Web服务匹配的服务过滤方法。应用和实验分析表明,该方法可提高服务匹配的时间效率。     

Web服务组合评分分配方法

为了根据组件服务的实际和历史表现公平地将用户对组合服务的评分分配到各组件服务,首先利用层次分析法(AHP)来计算各个组件服务的分配权重,其中给出Web服务流程转换为结构树流程的方法,并利用权重矩阵计算树状结构中各层节点的权重。通过考虑组件服务服务质量实际观察值和公告的有效区间之间的关系,并以偏差函数计算了组件服务的实际服务质量(QoS)效用值与全部组件服务的实际QoS平均效用值的偏差比重,同时考虑了各组件服务的历史表现对评分分配的影响。实验结果表明,组件服务的实际观察值以及历史表现对分配到的评分有一定的影响,从而验证了评分分配方法的合理性和公平性。     

语义物联网中一种基于QoS的动态服务组合方法

针对语义物联网中实体设备所提供的原子服务的资源有限性及其所处环境的动态变化性等问题,提出了一种语义物联网中基于QoS的动态服务组合方法。该方法依据添加情境的QoS本体,在对语义物联网中的服务进行动态地语义标注后,对待选择服务集进行动态地选择与组合,并将组合后的新服务通过服务ID映射到对应的实体设备上,最后通过实体设备将结果反馈给服务请求者。通过对具体实例的对比分析表明,该方法可以针对不同的服务对象以及不同的服务环境动态地为服务请求者提供更加准确的服务。     

一种分布式Web服务发现方法

Web服务发现系统由一个或多个服务注册器连接组成一定的系统拓扑来存储和维护服务信息,服务注册器的连接拓扑直接关系到Web服务发现系统的可扩展性。采用层次模型在数据层定义统一的动态元组模型来解决各种数据源和数据模型的异构性,在抽象层定制统一的发布和查询API实现统一的访问方式,在网络层构造一种全新的双层结构保证整个系统的可扩展性、灵活性和鲁棒性,设计实现了一种分布式Web服务发现方法。给出了适应双层拓扑结构的两阶段查找算法,并对算法的时间、空间和消息复杂性进行了分析。实验结果表明,该Web服务发现方法具有明显的自组织特性和良好的可扩展性,适应Web服务自主,动态变化和强分布特点,同时两阶段查找算法具有较好的服务查找能力。     

一种面向用户的Web服务组装方法

为了将分布在Internet上异构的Web服务组装成新的服务提供给用户,提出一种面向用户的Web服务组装方法,将组装过程分为需求拆分、服务选择、执行服务组装和服务结果合并四个阶段,并提出了基于组装模式的用户需求输入及拆分方法、基于QoS的服务选择模型和基于中间模式的异构消息转换模型。最后通过物流领域服务组装平台的设计与实现,验证了上述方法的可行性与有效性。     

上下文感知在Web服务动态信任计算中的应用

针对当前信任模型未能充分考虑环境因素在信任评估中的影响问题,提出了一种基于上下文本体的Web服务动态信任计算模型（CO-WTCM）。该模型通过感知服务实体所处上下文信息,对这些动态、分布、异构的信息进行本体建模,在此基础上采用主客观组合赋权法和模糊综合评估算法对服务实体间的信任关系进行综合评估并通过信任度的综合计算实时更新实体间的信任关系,从而最大程度地保证实体行为的安全和可信。通过与EigenTrust模型相对比,仿真实验验证了该模型的可靠性和有效性。     

Algorithms for Web service selection with static and dynamic requirements

A main feature of Service Oriented Architectures is the capability to support the development of new applications through the composition of existing Web services that are offered by different service providers. The runtime selection of which providers may better satisfy the end-user requirements in terms of quality of service remains an open issue in the context of Web services. The selection of the service providers has to satisfy requirements of different nature: requirements may refer to static qualities of the service providers, which do not change over time or change slowly compared to the service invocation time (for example related to provider reputation), and to dynamic qualities, which may change on a per-invocation basis (typically related to performance, such as the response time). The main contribution of this paper is to propose a family of novel runtime algorithms that select service providers on the basis of requirements involving both static and dynamic qualities, as in a typical Web scenario. We implement the proposed algorithms in a prototype and compare them with the solutions commonly used in service selection, which consider all the service provider qualities as static for the scope of the selection process. Our experiments show that a static management of quality requirements is viable only in the unrealistic case where workload remains stable over time, but it leads to very poor performance in variable environments. On the other hand, the combined management of static and dynamic quality requirements allows us to achieve better user-perceived performance over a wide range of scenarios, with the response time of the proposed algorithms that is reduced up to a 50 % with respect to that of static algorithms.     

Web service reliability prediction based on machine learning

Web service reliability is an important mission that keeps web services running normally. Within web service, the web services invoked by users not only depend on the service itself, but also on web load condition (such as latency). Due to the features of web dynamics, traditional reliability methods have become inappropriate; at the same time, the web condition parameter sparsity problem will cause inaccurate reliability prediction. To address these new challenges, in this paper, we propose a new web service reliability prediction method based on machine learning considering user, web service and web condition. First we solve the web condition parameter sparsity problem, then we use the k-means clustering method to aggregate past invocation data, incorporate user, service, and web condition parameters to build a reliability feedback matrix, at last we predict web service reliability by considering specific web condition environments. The experiment shows that our machine learning method is able to solve the data sparsity problem and improve accurate web service reliability prediction, and we discuss how data sparsity and the number of feedback clusters to affect web service reliability prediction.