论文部分内容阅读
【摘要】一直以来，Web服务组合是Web服务研究领域的重点，而大多数研究集中在服务如何能够正确地组合，对组合服务能否自适应执行的研究较少。本文对Web服务及其组合进行基于模糊数学的描述，从Web服务的可替换性入手，提出了一种改良的有QoS保证的Web组合服务的自适应决策模型。最后，对该模型进行了验证，实验表明，该模型可以在有QoS保证的条件下，实现Web组合服务的自适应性。
【关键词】Web服务;服务替换;QoS;模糊数学
引言
随着Web服务的广泛应用，组合服务是否具有服务质量（QoS）保证已经成为Web服务提供商能否取得成功的关键因素，而组合服务的质量主要依靠服务水平协议（SLA）来保障。然而在Web组合服务的实际执行过程中，由于网络环境的动态性以及用户对于所需服务QoS期望的改变，所需要的QoS通常是变化的。在这种条件下，Web组合服务需要能够在尊重SLA的前提下最大程度的适应这种QoS的动态性，即当QoS变化时，组合服务需要自行判断是否需要进行Web服务的替换。
Web服务的自适应性研究已经持续了几年，也有很多基于模糊控制理论的自适应模型被提出。文献[1]提出了一种支持QoS和用户需求的Web服务选择模糊算法，提供了一种对QoS向量的选取以及模糊化处理方法，使Web服务精确的QoS属性可以用模糊的自然语言进行描述。文献[2]提供了一种采用模糊控制逻辑对Web服务自适应决策选择的方法，其根据Web组合服务的总体QoS水平来判断系统选择哪种自适应决策，如维持原状、重新谈判还是服务替换等。本文将继续上述的研究并对如下几个方面进行了改进：
首先，本文在文献[3]的基础上对全局QoS属性的推断做了优化与改进，引入Web服务中每种QoS属性值的模糊化权重因子可使得对于全局QoS属性的推断更加精确，并与实际使用时的情况保持一致。
其次，本文考虑了用户对于Web组合服务运行时用户对于QoS属性期望的改变，并将其添加到自适应决策模型中来，使得决策模型可以综合考虑网络环境的波动以及用户需求的改变，增强决策模型的全面性。
最后，本文使用Matlab模糊数学工具箱对改进模型进行了仿真与验证，以证明模型的正确性与有效性。
1.Web服务的QoS描述
1.1 模糊数学方法简介
模糊数学是研究和处理模糊现象的数学学科。所谓现象的模糊性是指事物间差异的中间过渡中所呈现的“亦此亦彼”的特性。模糊集合是模糊数学及其控制理论的基础，模糊集的定义如下：
设在论域U上给定了一个映射：
A：U→[0，1] ul→A（u）
则称A为U上的模糊集，A（u）为A的隶属度函数。隶属度函数代表了模糊集上的元素属于该模糊集的确定程度，常见的隶属度函数有梯形、矩形与铃型函数等。
1.2 QoS模糊化处理
模糊控制理论要求控制模块的输入参数必须经过模糊化处理转变为模糊的自然语言描述，由于本文引入了服务消费者对QoS属性期望的改变，因此采用对服务当前QoS属性与用户此时对QoS属性的期望的差值进行模糊化处理。
（1）评判因素集
U={Web服务Q（s），服务消费者当前期望Q（s）}
（2）评语集
V={很好，好，中，差，很差}
本文采用大多数研究所采用的铃形函数作为模糊集的隶属度函数，根据评判因素集，我们可以将精确的QoS属性转变为自然语言描述的模糊集合。
2.结合用户需求改变的自适应决策模型
本文旨在通过对Web服务运行时QoS信息的处理，能够在保障QoS的条件下即时调整组合服务在运行时的执行能力。在组合服务运行时，存在以下两种情况会对组合服务的服务质量产生改变：（1）由于网络环境的改变，或由于服务提供者的供应能力改变（例如当用户过多时，服务提供商存在并发瓶颈导致提供的服务质量下降）而导致的组合服务QoS改变;（2）由于服务消费者在某时刻对于服务QoS属性的期望发生变化，导致组合服务的QoS不再能够满足用户的需要。由于存在这两种情况，在组合服务运行时可能会使得SLA水平协议被破坏，服务供应商与消费者之间需要一种机制来相互协调是否进行服务的替换，也就是自适应决策的制定。
对于基于非模糊控制理论的自适应决策模型，一旦组合服务运行时的QoS信息不满足当前用户要求的QoS时，服务执行引擎会迅速执行服务替换操作，由于采用精确的数学语言表示QoS信息，难免会增加服务替换操作的次数，并且其中有些服务替换，对于服务消费者来说是不必要的。然而，经过模糊化处理，采用精确的数学语言表达的QoS信息转变为模糊的自然语言表示后，更加符合实际的情况，我们可以得到如图1所示的一個结合用户需求改变的经过多级模糊评判的自适应决策模型：
图1
为了更好的解释图1所示的模型，本文对其中部分参数进行了如下定义：
定义II：单个Web服务单一QoS差值程度 SQoSD，评语集{很大，大，中，小，很小}，SQoSD反应了组合服务执行过程中，某服务的某种QoS属性是否符合用户对其的期望程度。
定义III：单个Web服务单一QoS兼容度 SQoSC，评价因素集{SQoSD，该QoS属性在Web服务中的权重因子}，评语集{很好，好，中，差，很差}，SQoSD反应了某种QoS在Web服务运行时的兼容程度，引入QoS属性在Web服务中的权重因子可以帮助服务消费者更好的选择自己的偏好，例如更加看重时延在该服务中的作用，而可以尽可能忽略价格的因素等。当兼容程度较差时，说明该种QoS属性已经很难满足服务消费者的需求。
定义IV：单个Web服务整体QoS兼容度 TQoSD，评价因素集{SQoSC1，SQoSC2，SQoSC3…}，评语集{很好，好，中，差，很差}，TQoSD反应了组合服务运行时某个Web服务的整体QoS兼容程度，由每种QoS的兼容度模糊推理获得。 定义V：自适应决策优先级AdaptionPriority，
评价因素集{TQoSD，该Web服务权重因子，替换该服务所需要的损耗}，评语集{服务替换，重新谈判，维持原状}，该参数是决策模型的输出，表明该Web服务是否需要进行服务替换的程度，当推理评语是服务替换时，则组合服务中该Web服务需要进行服务替换，当推理评语是重新谈判时，则会提高进行自适应决策的频率，当推理评语是维持原状时，则不做任何改变。
3.实验及仿真
针对自适应决策模型，本文采用了Matlab中的模糊数学工具箱进行模型的仿真，选用mamdani方法生成推理决策集。在模糊評判前，需要对某些以精确数学语言表示的输入参数进行模糊化处理，在本模型中只有Web服务当前的各项QoS参数可能为精确数值，其余输入参数均可以直接用模糊语言进行表示。
图2
图3
图4
图5
由于决策模型采用了多级评判的方法，因此需要进行多次模糊推理。第一级推理的输入为SQoSD与SQoS Importance，输入为SQoSC;第二级推理的输入为Web服务的各项SQoSC，本文选用5种QoS属性做代表，因此第二级共用5个输入参数，输出为TQoSC;第三级推理的输入为TQoSC，服务权重因子及服务替换损耗，输出为AdaptionPrioirty。经过三级模糊推理后可获得模型的输出参数自适应优先级，执行引擎根据该参数执行相应的自适应操作。
对于Web服务当前的QoS参数模糊化，我们采用较为接近实际情况的铃型函数作为隶属度函数，本文以时延为例，该参数的SQoSC如图2所示。
在进行了模糊化操作之后，则需要进行模糊推理集的制定，这里本文提供了如下三级模糊推理集的部分内容，如图3所示。
在确定模糊推理集之后，我们可以看到整个模型的仿真输出，如图4所示。
利用本模型，可以与其他基于非模糊控制理论的自适应模型进行比较，结果如图5所示。
结果显示在一定时间内，非模糊模型与模糊模型对于某一组合服务当中单项服务进行替换的次数，比较得出，基于模糊模型的自适应决策可以在具有QoS的保证下减少由于服务替换造成的不必要损耗。
4.总结及未来的工作
本文在前人研究的基础上，改进了基于模糊控制逻辑的自适应决策模型。采用多级评判及引入用户需求的改变是本模型的特点。在未来的研究中，可以从以下两方面着手。
首先需要进一步研究在模糊化过程中由于隶属度函数的不同对于结果的改变，由于每种服务可能具有不同特征、不同表现的QoS，因此其隶属度函数的确定会随着QoS种类的改变而变化，因此需要进一步的研究与探讨。
参考文献
[1]M.P.Papazoglou，P.Traverso，S.Dustdar，and F.Leymann，”Service-oriented computing： State of the art and research challenges”，Computer，vol.40，pp.38-45，2007.
[2]Zhichao Peng，Wenhua He，and Daiwu Chen，“Research on Fuzzy Matching Model for Semantic Web Services”，Preceedings of 2008 3rd International Conference on Intelligent System and Knowledge Engineering.978-1-4244-2197-8/08 2008 IEEE.
[3]Hongxia Tong，Jian Cao，Shensheng Zhang，Yujie Mou，“A fuzzy evaluation system for web services selection using extended QoS model”，Kybernets，vol.38 pp.513-521，2009.
[4]Hamdi Yahyaoui，Mohamed Almulla，Hala S.Own，“A novel non-functional matchmaking approach between fuzzy user queries and.
【关键词】Web服务;服务替换;QoS;模糊数学
引言
随着Web服务的广泛应用，组合服务是否具有服务质量（QoS）保证已经成为Web服务提供商能否取得成功的关键因素，而组合服务的质量主要依靠服务水平协议（SLA）来保障。然而在Web组合服务的实际执行过程中，由于网络环境的动态性以及用户对于所需服务QoS期望的改变，所需要的QoS通常是变化的。在这种条件下，Web组合服务需要能够在尊重SLA的前提下最大程度的适应这种QoS的动态性，即当QoS变化时，组合服务需要自行判断是否需要进行Web服务的替换。
Web服务的自适应性研究已经持续了几年，也有很多基于模糊控制理论的自适应模型被提出。文献[1]提出了一种支持QoS和用户需求的Web服务选择模糊算法，提供了一种对QoS向量的选取以及模糊化处理方法，使Web服务精确的QoS属性可以用模糊的自然语言进行描述。文献[2]提供了一种采用模糊控制逻辑对Web服务自适应决策选择的方法，其根据Web组合服务的总体QoS水平来判断系统选择哪种自适应决策，如维持原状、重新谈判还是服务替换等。本文将继续上述的研究并对如下几个方面进行了改进：
首先，本文在文献[3]的基础上对全局QoS属性的推断做了优化与改进，引入Web服务中每种QoS属性值的模糊化权重因子可使得对于全局QoS属性的推断更加精确，并与实际使用时的情况保持一致。
其次，本文考虑了用户对于Web组合服务运行时用户对于QoS属性期望的改变，并将其添加到自适应决策模型中来，使得决策模型可以综合考虑网络环境的波动以及用户需求的改变，增强决策模型的全面性。
最后，本文使用Matlab模糊数学工具箱对改进模型进行了仿真与验证，以证明模型的正确性与有效性。
1.Web服务的QoS描述
1.1 模糊数学方法简介
模糊数学是研究和处理模糊现象的数学学科。所谓现象的模糊性是指事物间差异的中间过渡中所呈现的“亦此亦彼”的特性。模糊集合是模糊数学及其控制理论的基础，模糊集的定义如下：
设在论域U上给定了一个映射：
A：U→[0，1] ul→A（u）
则称A为U上的模糊集，A（u）为A的隶属度函数。隶属度函数代表了模糊集上的元素属于该模糊集的确定程度，常见的隶属度函数有梯形、矩形与铃型函数等。
1.2 QoS模糊化处理
模糊控制理论要求控制模块的输入参数必须经过模糊化处理转变为模糊的自然语言描述，由于本文引入了服务消费者对QoS属性期望的改变，因此采用对服务当前QoS属性与用户此时对QoS属性的期望的差值进行模糊化处理。
（1）评判因素集
U={Web服务Q（s），服务消费者当前期望Q（s）}
（2）评语集
V={很好，好，中，差，很差}
本文采用大多数研究所采用的铃形函数作为模糊集的隶属度函数，根据评判因素集，我们可以将精确的QoS属性转变为自然语言描述的模糊集合。
2.结合用户需求改变的自适应决策模型
本文旨在通过对Web服务运行时QoS信息的处理，能够在保障QoS的条件下即时调整组合服务在运行时的执行能力。在组合服务运行时，存在以下两种情况会对组合服务的服务质量产生改变：（1）由于网络环境的改变，或由于服务提供者的供应能力改变（例如当用户过多时，服务提供商存在并发瓶颈导致提供的服务质量下降）而导致的组合服务QoS改变;（2）由于服务消费者在某时刻对于服务QoS属性的期望发生变化，导致组合服务的QoS不再能够满足用户的需要。由于存在这两种情况，在组合服务运行时可能会使得SLA水平协议被破坏，服务供应商与消费者之间需要一种机制来相互协调是否进行服务的替换，也就是自适应决策的制定。
对于基于非模糊控制理论的自适应决策模型，一旦组合服务运行时的QoS信息不满足当前用户要求的QoS时，服务执行引擎会迅速执行服务替换操作，由于采用精确的数学语言表示QoS信息，难免会增加服务替换操作的次数，并且其中有些服务替换，对于服务消费者来说是不必要的。然而，经过模糊化处理，采用精确的数学语言表达的QoS信息转变为模糊的自然语言表示后，更加符合实际的情况，我们可以得到如图1所示的一個结合用户需求改变的经过多级模糊评判的自适应决策模型：
图1
为了更好的解释图1所示的模型，本文对其中部分参数进行了如下定义：
定义II：单个Web服务单一QoS差值程度 SQoSD，评语集{很大，大，中，小，很小}，SQoSD反应了组合服务执行过程中，某服务的某种QoS属性是否符合用户对其的期望程度。
定义III：单个Web服务单一QoS兼容度 SQoSC，评价因素集{SQoSD，该QoS属性在Web服务中的权重因子}，评语集{很好，好，中，差，很差}，SQoSD反应了某种QoS在Web服务运行时的兼容程度，引入QoS属性在Web服务中的权重因子可以帮助服务消费者更好的选择自己的偏好，例如更加看重时延在该服务中的作用，而可以尽可能忽略价格的因素等。当兼容程度较差时，说明该种QoS属性已经很难满足服务消费者的需求。
定义IV：单个Web服务整体QoS兼容度 TQoSD，评价因素集{SQoSC1，SQoSC2，SQoSC3…}，评语集{很好，好，中，差，很差}，TQoSD反应了组合服务运行时某个Web服务的整体QoS兼容程度，由每种QoS的兼容度模糊推理获得。 定义V：自适应决策优先级AdaptionPriority，
评价因素集{TQoSD，该Web服务权重因子，替换该服务所需要的损耗}，评语集{服务替换，重新谈判，维持原状}，该参数是决策模型的输出，表明该Web服务是否需要进行服务替换的程度，当推理评语是服务替换时，则组合服务中该Web服务需要进行服务替换，当推理评语是重新谈判时，则会提高进行自适应决策的频率，当推理评语是维持原状时，则不做任何改变。
3.实验及仿真
针对自适应决策模型，本文采用了Matlab中的模糊数学工具箱进行模型的仿真，选用mamdani方法生成推理决策集。在模糊評判前，需要对某些以精确数学语言表示的输入参数进行模糊化处理，在本模型中只有Web服务当前的各项QoS参数可能为精确数值，其余输入参数均可以直接用模糊语言进行表示。
图2
图3
图4
图5
由于决策模型采用了多级评判的方法，因此需要进行多次模糊推理。第一级推理的输入为SQoSD与SQoS Importance，输入为SQoSC;第二级推理的输入为Web服务的各项SQoSC，本文选用5种QoS属性做代表，因此第二级共用5个输入参数，输出为TQoSC;第三级推理的输入为TQoSC，服务权重因子及服务替换损耗，输出为AdaptionPrioirty。经过三级模糊推理后可获得模型的输出参数自适应优先级，执行引擎根据该参数执行相应的自适应操作。
对于Web服务当前的QoS参数模糊化，我们采用较为接近实际情况的铃型函数作为隶属度函数，本文以时延为例，该参数的SQoSC如图2所示。
在进行了模糊化操作之后，则需要进行模糊推理集的制定，这里本文提供了如下三级模糊推理集的部分内容，如图3所示。
在确定模糊推理集之后，我们可以看到整个模型的仿真输出，如图4所示。
利用本模型，可以与其他基于非模糊控制理论的自适应模型进行比较，结果如图5所示。
结果显示在一定时间内，非模糊模型与模糊模型对于某一组合服务当中单项服务进行替换的次数，比较得出，基于模糊模型的自适应决策可以在具有QoS的保证下减少由于服务替换造成的不必要损耗。
4.总结及未来的工作
本文在前人研究的基础上，改进了基于模糊控制逻辑的自适应决策模型。采用多级评判及引入用户需求的改变是本模型的特点。在未来的研究中，可以从以下两方面着手。
首先需要进一步研究在模糊化过程中由于隶属度函数的不同对于结果的改变，由于每种服务可能具有不同特征、不同表现的QoS，因此其隶属度函数的确定会随着QoS种类的改变而变化，因此需要进一步的研究与探讨。
参考文献
[1]M.P.Papazoglou，P.Traverso，S.Dustdar，and F.Leymann，”Service-oriented computing： State of the art and research challenges”，Computer，vol.40，pp.38-45，2007.
[2]Zhichao Peng，Wenhua He，and Daiwu Chen，“Research on Fuzzy Matching Model for Semantic Web Services”，Preceedings of 2008 3rd International Conference on Intelligent System and Knowledge Engineering.978-1-4244-2197-8/08 2008 IEEE.
[3]Hongxia Tong，Jian Cao，Shensheng Zhang，Yujie Mou，“A fuzzy evaluation system for web services selection using extended QoS model”，Kybernets，vol.38 pp.513-521，2009.
[4]Hamdi Yahyaoui，Mohamed Almulla，Hala S.Own，“A novel non-functional matchmaking approach between fuzzy user queries and.