基于T-QoS感知的服務(wù)組合優(yōu)化研究.pdf

1、隨著用戶要求的日益增多，單一的服務(wù)已經(jīng)無(wú)法滿足用戶的復(fù)雜要求，服務(wù)組合技術(shù)將現(xiàn)有的分布式的服務(wù)，組合成滿足用戶要求的復(fù)合服務(wù)。然而如何從大量功能相同而質(zhì)量不同的服務(wù)中構(gòu)造出既滿足用戶要求又具有全局最優(yōu)質(zhì)量的復(fù)合服務(wù)，是一個(gè)亟待解決的問(wèn)題。但是，現(xiàn)有的研究成果仍存在以下不足：
　　1）針對(duì)服務(wù)組合中每個(gè)原子服務(wù)的選取,只考慮服務(wù)的質(zhì)量，卻沒(méi)有考慮服務(wù)的可信度，導(dǎo)致在實(shí)際執(zhí)行時(shí)因?yàn)閻阂夥?wù)實(shí)體的存在，使得復(fù)合服務(wù)執(zhí)行失敗。
　　

2、2）現(xiàn)有研究大多以用戶角度出發(fā)，研究服務(wù)的可信度并根據(jù)可信度決定是否選擇此服務(wù)，從而保護(hù)用戶的利益。但是，卻忽略了用戶對(duì)服務(wù)存在的威脅。
　　3）傳統(tǒng)服務(wù)組合算法未能深入解決陷入局部最優(yōu)這一問(wèn)題，致使最終服務(wù)組合路徑不是最優(yōu)期望值。
　　針對(duì)以上不足，本文提出基于T-QoS感知的服務(wù)組合優(yōu)化算法。所做工作和創(chuàng)新點(diǎn)如下：
　　首先，提出一種基于評(píng)價(jià)可信度的動(dòng)態(tài)信任評(píng)估模型。該模型將服務(wù)提供商的服務(wù)能力和用戶所需求的服務(wù)能

3、力分別劃分等級(jí)，有效解決了服務(wù)提供商服務(wù)能力動(dòng)態(tài)變化對(duì)模型存在的潛在破壞問(wèn)題。建立了信任度隨時(shí)間窗變化的動(dòng)態(tài)信任機(jī)制，在計(jì)算信譽(yù)度時(shí)，將用戶的評(píng)價(jià)可信度作為其評(píng)價(jià)證據(jù)的可信權(quán)重，通過(guò)引入評(píng)價(jià)可信度和評(píng)價(jià)相似度提高了計(jì)算推薦行為可信度的準(zhǔn)確率。仿真結(jié)果表明，該模型的評(píng)估結(jié)果更加貼近服務(wù)提供商的真實(shí)信任度，同時(shí)能有效抵御惡意用戶的攻擊。
　　其次，提出一種基于改進(jìn)AdaBoost算法的用戶風(fēng)險(xiǎn)預(yù)測(cè)模型。本文將用戶風(fēng)險(xiǎn)預(yù)測(cè)看作一個(gè)兩類(lèi)分

4、類(lèi)的問(wèn)題，通過(guò)歷史用戶的屬性信息預(yù)測(cè)出新用戶有無(wú)風(fēng)險(xiǎn)性。為了進(jìn)行精確的分類(lèi)，本文采用Adaboost集成算法，此算法通過(guò)上一次訓(xùn)練的錯(cuò)誤率來(lái)調(diào)整下一次訓(xùn)練的樣本分布,使得下一次訓(xùn)練對(duì)于這些錯(cuò)分的樣本有更強(qiáng)的鑒別能力,并且給定每個(gè)弱分類(lèi)器一個(gè)權(quán)值.最后,通過(guò)加權(quán)投票的方式得到最后的強(qiáng)分類(lèi)器，從而提高整體的分類(lèi)效果。考慮到錯(cuò)分代價(jià)的存在，對(duì)AdaBoost算法進(jìn)行改進(jìn)，引入代價(jià)敏感方法，將代價(jià)敏感矩陣考慮到分類(lèi)器的構(gòu)造當(dāng)中從而產(chǎn)生最小代價(jià)的

5、分類(lèi)器。實(shí)驗(yàn)結(jié)果表明，本文提出的基于代價(jià)敏感的AdaBoost方法比傳統(tǒng)分類(lèi)器有更好的效果，從而有效預(yù)測(cè)一個(gè)新增用戶是否存在風(fēng)險(xiǎn)，有效保障服務(wù)的安全。
　　最后，提出一種基于T-QoS感知的并行蟻群算法，將服務(wù)的可信度作為服務(wù)質(zhì)量的權(quán)重，得到每個(gè)服務(wù)的可信質(zhì)量T-QoS，使得服務(wù)組合能夠在可信的環(huán)境中進(jìn)行。通過(guò)建立基于每個(gè)服務(wù)的T-QoS初始化信息素矩陣，從而減少了蟻群的初始搜索時(shí)間。通過(guò)修改信息素的更新規(guī)則，并引入兩個(gè)群體從不同