《Web服务与Web服务组合.ppt》由会员分享，可在线阅读，更多相关《Web服务与Web服务组合.ppt（60页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、Web效劳与效劳与Web效劳组合效劳组合12021/2/22 Web效劳与效劳与Web效劳组合效劳组合22021/2/22 Web效劳效劳1.Web效劳的定义效劳的定义 W3C(World Wide Web Consortium,万维网联盟万维网联盟)：“Web效劳是由效劳是由URI标识的应用软件，这些软件系标识的应用软件，这些软件系统的接口和绑定可以通过统的接口和绑定可以通过XML来定义、描绘和发来定义、描绘和发现，现，Web效劳支持通过基于效劳支持通过基于Internet协议直接与协议直接与其他应用程序进展交互。其他应用程序进展交互。32021/2/22 Web 效劳效劳IBM所给出的We
2、b效劳的定义为：“Web效劳描绘了一些操作的接口，这些接口可以通过Internet协议和XML消息的传递机制进展访问。通常采用标准、标准的XML语言来描绘Web效劳，Web效劳的描绘一般包括与Web效劳进展交互所必需的信息，包括消息格式、传输协议和物理位置。Web效劳的接口隐藏了效劳实现的详细细节，从而实现了与运行平台、编程语言无关的效劳开发与部署，使得基于Web效劳的应用程序具有松耦合、模块化和跨平台的特性。Web效劳可以单独地完成任务，也可以通过与其他Web效劳的合作来满足复杂的业务需求。42021/2/22 Web 效劳效劳2.Web效劳的技术标准效劳的技术标准52021/2/22 We
3、b效劳效劳3.面向效劳的架构面向效劳的架构(Service Oriented Architecture,SOA)SOA的的核核心心概概念念是是重重用用和和互互操操作作，它它将将企企业业的的IT资资源源整整合合成成可可操操作作的的、基基于于标标准准的的效效劳劳，使使其其可可以以被被重重新新组组合合和和应应用用。与与传传统统的的紧紧耦耦合合IT架架构构相相比比，SOA的的松松耦耦合合架架构构更更能能适适应应业业务务的的变变化化。在在SOA中中，可可以以用用一一个个效效劳劳交交换换另另一一个个效效劳劳而而无无须须关关心心其其底底层层的的实实现现技技术术，唯唯一一需需要要考考虑虑的的就就是是效效劳劳的
4、的接接口口。SOA带带来来的的另另一一个个好好处处是是可可以以充充分分利利用用现现有有的的IT资资源源，包包括括计计算算资资源源、数数据据资资源源和和应应用用系系统统资资源源等等，这这种种架构最终将使企业可以更加快速地、有效地适应业务需求。架构最终将使企业可以更加快速地、有效地适应业务需求。62021/2/22 Web效劳效劳4.Web效劳的体系架构效劳的体系架构 72021/2/22 Web Web效劳效劳 Web效劳的体系构造包括三种角色和三种操作，三种角色主要效劳的体系构造包括三种角色和三种操作，三种角色主要是指效劳提供者、效劳消费者和效劳注册中心；三种操作分别是指效劳提供者、效劳消费者
5、和效劳注册中心；三种操作分别是效劳的发布、发现和绑定。是效劳的发布、发现和绑定。Web效劳技术为实现效劳技术为实现Internet上数据资源、信息资源和应用资源上数据资源、信息资源和应用资源的共享和集成提供了实现方法，越来越多的效劳提供商开场基的共享和集成提供了实现方法，越来越多的效劳提供商开场基于于Web效劳技术向消费者提供效劳。效劳技术向消费者提供效劳。82021/2/22l1.为什么进展为什么进展Web效劳组合效劳组合l 网网络络上上所所发发布布的的Web效效劳劳大大都都构构造造简简单单、功功能能单单一一，不不能能满满足足用用户户较较复复杂杂的的业业务务需需求求，这这时时需需要要聚聚合合
6、网网络络上上已已经经存存在在的的功功能能简简单单的的Web效效劳劳，构构建建出出功功能能强强大大的的增增值值效效劳劳。这这种种效效劳劳聚聚合合过过程程就是就是Web效劳组合。效劳组合。Web效劳组合效劳组合92021/2/22l效劳组合的定义效劳组合的定义l IBM公公司司：Web效效劳劳组组合合是是支支持持业业务务流流程程逻逻辑辑的的一一组组Web效效劳劳，该该组组合合Web效效劳劳既既可可以以作作为为最最终终的的Web效效劳劳提提交交给给用用户户，又又可可以以作作为为新新的的Web效效劳劳发发布布到到网网络络上上，Web效效劳劳组组合合是是通通过过确确定定组组件件Web效效劳劳的的执执行行
7、顺顺序序和和各各组组件件Web效效劳劳之之间的交互来实现的。间的交互来实现的。Web效劳组合效劳组合102021/2/22 Web效劳组合效劳组合 HP实验室提：实验室提：Web效效劳劳组组合合是是效效劳劳提提供供者者将将网网络络上上已已经经存存在在的的Web效效劳劳作作为为效效劳劳的的组组件件模模块块进进展展重重用用，在在总总体体上上完完成成对对各各个个组组件件效效劳劳的的增增值值，这这种种增增值值表表达达在在所所构构建建的的新新的的效效劳劳可可以以满满足足较较复复杂杂的的、特特定定需需求求的的才才能能，并并且且可可以以提提供供更更高高的可用性和效劳质量保障。的可用性和效劳质量保障。1120
8、21/2/22 Web效劳组合效劳组合3.Web效劳组合框架图效劳组合框架图 122021/2/22 Web效劳组合效劳组合132021/2/22基于事例推理的基于事例推理的Web效劳效劳QoS预测预测方法方法l 8.QoS事例的组织l l 图3.2 QoS事例的存储形式142021/2/22基于事例推理的基于事例推理的Web效劳效劳QoS预测预测方法方法l 9.QoS事例的检索事例的检索 l 目的目的QoS事例：事例：l 检索规那么：检索规那么：l (1)首先检索出与目的首先检索出与目的QoS事例具有一样任务事例具有一样任务类型的历史类型的历史 l QoS事例事例l (2)根据全局相似度，从
9、根据全局相似度，从(1)中检索到的中检索到的QoS事事例集中找出例集中找出 l 与目的与目的QoS事例最为相似的事例最为相似的K个历史个历史QoS事事例例152021/2/22基于事例推理的基于事例推理的Web效劳效劳QoS预测方法预测方法l 相似度计算公式相似度计算公式l(1)部分相似度：部分相似度：162021/2/22基于事例推理的基于事例推理的Web效劳效劳QoS预测方法预测方法l 相似度计算公式：相似度计算公式：(2)全局相似度：全局相似度：172021/2/22基于事例推理的基于事例推理的Web效劳效劳QoS预测方法预测方法l10.QoS预测预测l QoS预测公式：预测公式：l 详
10、细详细QoS预测算法见论文预测算法见论文P60182021/2/22基于事例推理的基于事例推理的Web效劳效劳QoS预测方法预测方法l11.模拟实验模拟实验 实验平台实验平台 图图3.3 实验模拟平台实验模拟平台192021/2/22基于事例推理的基于事例推理的Web效劳效劳QoS预测方法预测方法实验结果：实验结果：图图3.6 预测精度比较图预测精度比较图202021/2/22基于事例推理的基于事例推理的Web效劳效劳QoS预测方法预测方法实验结果：实验结果：基于事例推理的基于事例推理的Web效劳效劳QoS预测方法的预测方法的预测精度为：预测精度为：95.55%。常用的平均值法的预测精度为：常
11、用的平均值法的预测精度为：51.45%。212021/2/221 1、WebWeb效劳效劳效劳效劳QoSQoS评价模型的重要性评价模型的重要性评价模型的重要性评价模型的重要性在基于在基于在基于在基于QoSQoS的的的的WebWeb效劳选择中，效劳选择中，效劳选择中，效劳选择中，WebWeb效劳的效劳的效劳的效劳的QoSQoS评价值是进展效劳选择的根据。评价值是进展效劳选择的根据。评价值是进展效劳选择的根据。评价值是进展效劳选择的根据。科学合理的科学合理的科学合理的科学合理的QoSQoS评价模型是效劳选择成功的评价模型是效劳选择成功的评价模型是效劳选择成功的评价模型是效劳选择成功的关键。关键。关
12、键。关键。研究问题二：研究问题二：WebWeb效劳效劳QoSQoS评价模型评价模型222021/2/22研究问题二：研究问题二：Web效劳效劳QoS评价模评价模型型2.已有的已有的QoS评价模型评价模型l 基于基于QoS属性扩展的评价模型属性扩展的评价模型 l 基于一般基于一般QoS属性和领域属性和领域QoS属性的评价模型属性的评价模型l 基于用户基于用户QoS偏好量化的评价模型偏好量化的评价模型232021/2/223.存在的缺乏：存在的缺乏：要么不考虑用户的要么不考虑用户的QoS约束约束 导致所选择的效劳不能满足用户的导致所选择的效劳不能满足用户的QoS需求需求 要么将用户的要么将用户的Q
13、oS约束当作是强迫性约束约束当作是强迫性约束 容易导致过约束问题，降低效劳选择的成功率容易导致过约束问题，降低效劳选择的成功率和效劳资源的利用率和效劳资源的利用率(3)不能快速地量化用户的模糊不能快速地量化用户的模糊QoS偏好偏好 导致所选择的效劳与用户的导致所选择的效劳与用户的QoS偏好不一致偏好不一致研究问题二：研究问题二：Web效劳效劳QoS评价模型评价模型242021/2/22基于约束层次和模糊偏好的基于约束层次和模糊偏好的QoS评价模型评价模型4.约束层次约束层次(Constraint Hierarchies,CHs)(1)Constraint Hierarchies(CHs)属于传
14、统的属于传统的用于处理过约束问题的知识工具，通过把约用于处理过约束问题的知识工具，通过把约束描绘成带有分层偏好或分层重要性的约束束描绘成带有分层偏好或分层重要性的约束来解决过约束问题。来解决过约束问题。CHs 把约束分为两类：把约束分为两类：硬约束层硬约束层 所有硬约束必须被满足所有硬约束必须被满足 软约束层软约束层 约束问题的解可以不满足软约约束问题的解可以不满足软约 束，但偏离值越小越好。束，但偏离值越小越好。252021/2/22基于约束层次和模糊偏好的基于约束层次和模糊偏好的QoS评价模型评价模型2QoS约束层次模型约束层次模型262021/2/22基于约束层次和模糊偏好的基于约束层次
15、和模糊偏好的QoS评价模型评价模型5.模糊模糊QoS偏好量化方法偏好量化方法1 约束层重要性比对关系约束层重要性比对关系272021/2/22基于约束层次和模糊偏好的基于约束层次和模糊偏好的QoS评价模型评价模型282021/2/22基于约束层次和模糊偏好的基于约束层次和模糊偏好的QoS评价模型评价模型292021/2/22基于约束层次和模糊偏好的基于约束层次和模糊偏好的QoS评价模型评价模型6.QoS评价函数评价函数 (1)QoS硬约束层评价函数硬约束层评价函数302021/2/22基于约束层次和模糊偏好的基于约束层次和模糊偏好的QoS评价模型评价模型(2)QoS软约束层评价函数软约束层评价
16、函数312021/2/22基于约束层次和模糊偏好的基于约束层次和模糊偏好的QoS评价模型评价模型(3)QoS综合评价函数综合评价函数322021/2/22基于约束层次和模糊偏好的基于约束层次和模糊偏好的QoS评价模型评价模型7.实例分析实例分析332021/2/22基于约束层次和模糊偏好的基于约束层次和模糊偏好的QoS评价模型评价模型l QoS约束约束342021/2/22l Web效劳满足用户效劳满足用户QoS约束的情况约束的情况基于约束层次和模糊偏好的基于约束层次和模糊偏好的QoS评价模型评价模型352021/2/22基于约束层次和模糊偏好的基于约束层次和模糊偏好的QoS评价模型评价模型l
17、 QoS约束层及约束层及Web效劳满足约束层的情况效劳满足约束层的情况362021/2/22基于约束层次和模糊偏好的基于约束层次和模糊偏好的QoS评价模型评价模型l1.根据模糊偏好的量化方法量化用户的根据模糊偏好的量化方法量化用户的QoS偏好偏好l2.计算候选计算候选Web效劳的效劳的QoS综合评价值综合评价值l3.选出综合评价最小的选出综合评价最小的Web效劳效劳l该评价模型的优点：该评价模型的优点：l 可以抑制效劳选择中的过约束问题；可以抑制效劳选择中的过约束问题；l 方便用户描绘其方便用户描绘其QoS偏好；偏好；372021/2/22研究问题三：基于研究问题三：基于QoS的组合的组合We
18、b效劳选择效劳选择1 1、WebWeb效劳组合的定义效劳组合的定义BEABEA公司：公司：WebWeb效劳组合是指将假设干个独效劳组合是指将假设干个独立的、自治的立的、自治的WebWeb效劳按照一定的逻辑构效劳按照一定的逻辑构造组合起来提供增值效劳的过程。造组合起来提供增值效劳的过程。斯坦福大学：斯坦福大学：WebWeb效劳组合技术是研究如效劳组合技术是研究如何通过组合独立的何通过组合独立的WebWeb效劳来构建功能更效劳来构建功能更为强大的效劳的问题为强大的效劳的问题 382021/2/22研究问题三：基于研究问题三：基于QoS的组合的组合Web效劳选择效劳选择2、Web效劳组合示意图效劳组
19、合示意图 图图5.1 Web效劳组合示意图效劳组合示意图392021/2/22研究问题三：基于研究问题三：基于QoS的组合的组合Web效劳选择效劳选择3、基于、基于QoS的组合的组合Web效劳选择效劳选择 图图5.2 带有候选带有候选Web效劳的效劳的Web效效劳组合图劳组合图402021/2/22研究问题三：基于研究问题三：基于QoS的组合的组合Web效劳选择效劳选择3、已有的求解方法、已有的求解方法(1)基于数学规划的组合基于数学规划的组合Web效劳选择方效劳选择方法法 优点：简单易于实现，问题规模较小时优点：简单易于实现，问题规模较小时效率较高效率较高 缺点：扩展性差，问题规模比较大时，
20、缺点：扩展性差，问题规模比较大时，复杂度较高复杂度较高(2)基于遗传算法的组合基于遗传算法的组合Web效劳选择方效劳选择方法法 优点：并行计算，全局搜索，扩展性优点：并行计算，全局搜索，扩展性强强 缺点：易早熟，求解结果不稳定，收缺点：易早熟，求解结果不稳定，收敛速度慢敛速度慢412021/2/22研究问题三：基于研究问题三：基于QoS的组合的组合Web效劳选择效劳选择(3)基于粒子群算法的组合基于粒子群算法的组合Web效劳选择方法效劳选择方法 优点：并行计算，全局搜索，很强的记忆功能优点：并行计算，全局搜索，很强的记忆功能 缺点：搜索精度不高，收敛速度慢，易陷于部缺点：搜索精度不高，收敛速度
21、慢，易陷于部分最优分最优(4)基于蚁群算法的组合基于蚁群算法的组合Web效劳选择方法效劳选择方法 优点：并行性，全局搜索，群智能寻优优点：并行性，全局搜索，群智能寻优 缺点：易停滞，易陷于部分最优，收敛速度慢缺点：易停滞，易陷于部分最优，收敛速度慢422021/2/224、文化算法、文化算法 图图2.4 文文化化算算法法的的根根本本框框架架图图研究问题三：基于研究问题三：基于QoS的组合的组合Web效劳选择效劳选择432021/2/225、MMAS算法算法最最大大最最小小蚁蚁群群算算法法(Max-Min Ant System)来源于根本来源于根本蚁蚁群群算算法法，并并对对根根本本蚁蚁群群算算法
22、法了了做做了了三三点点改进：改进：(1)每每次次循循环环完完毕毕后后，只只有有一一只只蚂蚂蚁蚁进进展展信信息息素素更更新新，这这只只蚂蚂蚁蚁可可以以是是当当前前最最优优解解或自循环以来最优解的蚂蚁。或自循环以来最优解的蚂蚁。(2)将将 各各 条条 途途 径径 上上 的的 信信 息息 素素 强强 度度 限限 制制 在在 内内，超超出出这这个个范范围围，强强迫迫设设为为最最大大值值会会最小值。最小值。(3)初初始始时时刻刻设设置置途途径径上上信信息息素素强强度度为为最最大大值。值。研究问题三：基于研究问题三：基于QoS的组合的组合Web效劳选择效劳选择442021/2/22研究问题三：基于研究问题
23、三：基于QoS的组合的组合Web效劳选择效劳选择6、对、对MMAS算法的改进算法的改进 (1)采用轮盘赌的方式选择下一个待访采用轮盘赌的方式选择下一个待访问的节点。问的节点。(2)每次循环完毕后，对评价值排在前每次循环完毕后，对评价值排在前K位的解途径进展信息素增加；对其余解位的解途径进展信息素增加；对其余解途径上的信息素进展衰减。途径上的信息素进展衰减。452021/2/22研究问题三：基于研究问题三：基于QoS的组合的组合Web效劳效劳选择选择7、C-MMAS算法的构建算法的构建 图图5.13 C-MMAS算法框架图算法框架图462021/2/22研究问题三：基于研究问题三：基于QoS的组
24、合的组合Web效劳选择效劳选择8、C-MMAS算法的计算流程算法的计算流程472021/2/22研究问题三：基于研究问题三：基于QoS的组合的组合Web效劳选择效劳选择9、组合、组合Web效劳效劳QoS的聚合公式及组合构造转换的聚合公式及组合构造转换(1)组合组合Web效劳效劳QoS聚合公式：聚合公式：求和、求积、取最大和取最小；论文的求和、求积、取最大和取最小；论文的P89-91详细给详细给 出了各种出了各种QoS属性在四种组合形式下的聚合属性在四种组合形式下的聚合公式。公式。(2)Web效劳组合形式的转换效劳组合形式的转换 文献文献74对组合形式的转换进展了研究；论文对组合形式的转换进展了
25、研究；论文的的P92-94详细给出了循环组合构造、并行组合构详细给出了循环组合构造、并行组合构造以及选择组合构造向顺序组合构造转换的方法。造以及选择组合构造向顺序组合构造转换的方法。482021/2/22研究问题三：基于研究问题三：基于QoS的组合的组合Web效劳选择效劳选择10、组合、组合Web效劳效劳QoS的评价模型的评价模型 采用本文第四章构建的采用本文第四章构建的QoS评价模型作为评价模型作为 组合组合Web效劳的效劳的QoS评级模型评级模型492021/2/22基于基于基于基于C-MMASC-MMAS算法的组合算法的组合算法的组合算法的组合WebWeb效劳选择方法效劳选择方法效劳选择
26、方法效劳选择方法11、基于、基于C-MMAS算法的组合算法的组合Web效劳选择方法描绘效劳选择方法描绘502021/2/22基于基于基于基于C-MMASC-MMAS算法的组合算法的组合算法的组合算法的组合WebWeb效劳选择方法效劳选择方法效劳选择方法效劳选择方法512021/2/22基于基于基于基于C-MMASC-MMAS算法的组合算法的组合算法的组合算法的组合WebWeb效劳选择方法效劳选择方法效劳选择方法效劳选择方法12、模拟实验、模拟实验(1)实验对象实验对象 图图5.14 Web效劳组合图效劳组合图522021/2/22基于基于C-MMAS算法的组合算法的组合Web效劳选择方法效劳选
27、择方法(2)(2)实验环境实验环境实验环境实验环境采用采用采用采用C+C+语言实现了基于语言实现了基于语言实现了基于语言实现了基于C-MMASC-MMAS算法的组合算法的组合算法的组合算法的组合WebWeb效劳选择方法。效劳选择方法。效劳选择方法。效劳选择方法。算法运行的算法运行的算法运行的算法运行的PCPC机配置为：机配置为：机配置为：机配置为：CPUCPU：，：，：，：，MemoryMemory：512M512M；OSOS：Miscrosoft Windows 2000Miscrosoft Windows 2000。532021/2/22基于基于C-MMAS算法的组合算法的组合Web效劳选
28、择方法效劳选择方法(2)(2)实验结果比较实验结果比较实验结果比较实验结果比较 图图图图5.24 5.24 三种算法寻优才能比较图三种算法寻优才能比较图三种算法寻优才能比较图三种算法寻优才能比较图542021/2/22基于基于C-MMAS算法的组合算法的组合Web效劳选择方法效劳选择方法 图图5.25 三种算法运行三种算法运行时间比较图时间比较图552021/2/22总总 结结1、提出了基于事例推理的、提出了基于事例推理的Web效劳效劳QoS预测预测 方法。方法。2、构建了一种基于约束层次和模糊偏好的、构建了一种基于约束层次和模糊偏好的QoS 评价模型。评价模型。3、设计了一种基于文化最大最小
29、蚁群算、设计了一种基于文化最大最小蚁群算 法的组合法的组合Web效劳选择方法。效劳选择方法。562021/2/22下一步工作下一步工作l1.继续对继续对Web效劳效劳QoS的预测方法进展研究的预测方法进展研究 l本文所提出的基于事例推理的本文所提出的基于事例推理的Web效劳效劳QoS预测方法属预测方法属于即时预测方法，不能预测于即时预测方法，不能预测Web效劳将来一段时间之后的效劳将来一段时间之后的QoS，在后期的研究工作中，将研究如何预测将来一段时，在后期的研究工作中，将研究如何预测将来一段时间之后的间之后的Web效劳处理详细任务时的效劳处理详细任务时的QoS。572021/2/22下一步工
30、作下一步工作l2.研究组合研究组合Web效劳效劳QoS的预测方法的预测方法 lWeb效劳效劳QoS的动态性以及的动态性以及Web效劳之间的联动性，使效劳之间的联动性，使得组合得组合Web效劳的效劳的QoS具有更强的动态性，如何预测组合具有更强的动态性，如何预测组合Web效劳的效劳的QoS更具有挑战性。在后期的研究工作中，将更具有挑战性。在后期的研究工作中，将研究如何预测组合研究如何预测组合Web效劳的效劳的QoS。582021/2/22下一步工作下一步工作3.对基于对基于QoS的组合的组合Web效劳选择方法进展更效劳选择方法进展更加深化的研究加深化的研究 随着可用随着可用Web效劳数量增加，组合效劳数量增加，组合Web效劳效劳的每个任务会具有更多的候选的每个任务会具有更多的候选Web效劳，随着效劳，随着候选候选Web效劳数量的剧增，算法的复杂度也将效劳数量的剧增，算法的复杂度也将会变大，如何进步问题的求解效率，仍然是组会变大，如何进步问题的求解效率，仍然是组合合Web效劳选择的研究重点。在后期的工作中，效劳选择的研究重点。在后期的工作中，将对该问题做进一步的研究。将对该问题做进一步的研究。592021/2/22 谢 谢！60602021/2/222021/2/22