一种基于服务质量本体的互联网服务选择系统及方法

摘要

本发明公开了一种基于服务质量(QoS)本体的互联网(Web)服务选择系统，该系统包括QoS本体扩展单元、QoS请求向量构成单元、QoS广告向量构成单元和Web服务选择实现单元；Web服务选择实现单元，用于获取并计算QoS请求向量中QoS信息与QoS广告向量中QoS信息之间的QoS信息综合相似度，匹配服务请求端需求和服务提供端提供的服务。本发明还公开了一种基于QoS本体的Web服务选择方法，该方法包括：获取并计算QoS请求向量中QoS信息与QoS广告向量中QoS信息之间的QoS信息综合相似度，匹配服务请求端需求和服务提供端提供的服务。采用本发明的系统及方法，能满足基于语义的Web服务选择的需要。

说明书

技术领域

本发明涉及互联网(Web)服务选择技术，尤其涉及一种基于服务质量(QoS)本体的Web服务选择系统及方法。

背景技术

随着Internet的飞速发展，网络的应用已经深入到社会的很多方面，Web上可获得的服务急剧增多，网上信息呈指数级增长，同时使来自各领域的用户对信息的查找、访问、表示以及维护变得越来越困难起来。如何从庞大的服务群中有效地获得所需功能的Web服务和如何在功能相似的Web服务中找到让用户最满意的服务成为了值得关心的问题，而这些正是Web服务选择的任务。Web服务选择技术指：根据Web服务的QoS信息，从诸多功能相同的Web服务中选择出一个在Qos方面最符合服务请求者个性化需求的Web服务的技术。这里，所谓Web服务指：一种能够用编程技术通过Web来调用的、可互操作的分布式应用程序。

可见，随着网络上服务数量的急剧增长，用户使用Web服务时有了更多的选择。由于Web服务的QoS信息是进行Web服务排序和选择的重要依据。因此，QoS信息在Web服务选择技术中是尤为重要的考虑因素。并且，现有Web服务选择技术是在语法描述的基础上，通过关键词匹配来实现的。比如，用户在网络上的搜索引擎中输入父亲，会返回与父亲这一关键词相匹配的返回结果。即便父亲和爸爸在语义上是相关联的词，语义上实际上是一个意思，采用现有Web服务选择技术，是不会返回爸爸这一与父亲相关联词相匹配的返回结果。从而导致用户的搜索体验、搜索效率和精确度都大大降低。也就是说，现有的Web服务选择技术缺乏对Web服务进行带有语义信息的描述，智能化程度不高，无论在精确度还是在返回率上都无法满足人们日益增长的需求。要得到更好的返回结果，需要更高效和更完善的Web服务选择技术。解决手段就是借助QoS本体使得网络中所有Web服务的QoS信息都具有语义，增加对Web服务带有语义信息的描述，使计算机能够理解和处理。

以下针对基于语义的Web服务选择相关的研究现状进行阐述。

主要研究点集中在三个方面：一是QoS建模，二是QoS信息的匹配，三是基于QoS的服务选择。

针对QoS建模而言，最初的模型用响应时间、可靠性、可用性和价格等有限的几个信息来描述服务的QoS。这是没有语义的，所有的QoS信息都用实数来表达，可扩展性很差。在QoS本体描述语言出现之后，考虑利用QoS本体描述语言来研究QoS本体建模。比如DAML-QoS本体和WSMO-QoS本体。DAML-QoS本体将QoS本体分为三层—QoS配置层、QoS信息定义层和QoS度量方法层。QoS配置层用于进行QoS匹配。QoS属性定义层描述属性的定义域和取值范围。QoS度量方法层规定了度量的标准。DAML-QoS本体关注的是模型整体结构的划分，着重阐述了QoS信息之间的关系。WSMO-QoS本体关注的是每个QoS信息，具体描述了QoS信息的每一个属性，对应DAML-QoS本体的QoS信息层。WSMO-QoS本体认为各个QoS信息之间是平等的，之间没有依赖关系。在QoS度量方面，WSMO-QoS本体认为每一个度量值都是单值，不能支持模糊单值和区间类型的度量方式。

针对QoS信息的匹配而言，考虑使用描述逻辑来计算两个服务QoS的匹配程度，包括两种解决手段。第一种解决手段是将一个服务的整体QoS作为匹配单位，提出了Subsume、Exact、PlugIn、Intersection和Disjoint五级匹配度。而第二种解决手段是以每个QoS信息为匹配单位，先分别计算对应QoS信息的四级匹配度，然后加权相加，计算出整体QoS信息的匹配度。但第二种解决手段与第一种解决手段相比，区别在于第二种解决手段的算法粒度太粗。QoS信息的匹配的特点是数值信息的匹配。对此，第一种解决手段将参数值、语义概念以及<＝、＝等数学运算符结合在一起，作为描述逻辑的量词，如<10storage.MBMetric。然而，计算机理解此类信息是有困难的。第二种解决手段用QoS信息的一个属性来表示数值范围，把数值信息和语义信息分开来对待，有助于计算机理解处理。但是，这只能在相同概念的QoS信息之间进行计算，不能解决异构QoS信息的匹配问题。这里，所谓异构QoS信息指：用不同的格式对QoS信息进行描述，从而影响服务的匹配。

针对基于QoS的服务选择而言，现有的Web服务选择算法多关注QoS值的计算，通过对QoS值排序来评定服务的优劣，QoS值越大的服务越优秀。有些Web服务选择技术考虑了些许的服务请求者的需求，允许服务请求者提出一些粗粒度的限制，在满足限制的前提下，再对QoS值进行计算和取优。事实上，QoS值最大的服务不一定是服务请求者最需要的，与服务请求者需求最接近的服务才是应该被选择的。另外，现有的Web服务选择算法没有考虑服务请求者需求的完备性，没有对服务执行的最低条件做出判断，进而无法保证选择结果的质量。

综上所述，采用现有的Web服务选择相关技术，在QoS建模、QoS匹配以及服务选择方面都存在一定缺陷，对Web服务的语义信息的描述不够精确，不能很好地满足依赖QoS信息基于语义的Web服务选择的需要。无论在精确度还是在返回率上都无法满足人们日益增长的需求。

发明内容

有鉴于此，本发明的主要目的在于提供一种基于QoS本体的Web服务选择系统，能很好地满足依赖QoS信息基于语义的Web服务选择的需要，得到更精确的返回结果，提高Web服务选择技术的使用效率。

本发明的另一目的在于提供一种基于QoS本体的Web服务选择方法，能很好地满足依赖QoS信息基于语义的Web服务选择的需要，得到更精确的返回结果，提高Web服务选择技术的使用效率。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于QoS本体的Web服务选择系统，该系统包括：

服务质量QoS本体扩展单元、QoS请求向量构成单元、QoS广告向量构成单元和互联网Web服务选择实现单元；

其中，QoS本体扩展单元，用于扩展QoS本体；

QoS请求向量构成单元，用于从所述QoS本体扩展单元提取出QoS信息，构成符合服务请求端需求的QoS请求向量；

QoS广告向量构成单元，用于从所述QoS本体扩展单元提取出QoS信息，构成符合服务提供端所提供服务的QoS广告向量；

Web服务选择实现单元，用于获取并计算所述QoS请求向量中QoS信息与所述QoS广告向量中QoS信息之间的QoS信息综合相似度，来匹配所述服务请求端需求和所述服务提供端提供的服务，以实现符合所述服务请求端需求的Web服务选择。

其中，该系统还包括筛选单元，用于采用预设经验阀值对所述QoS广告向量中的QoS信息进行筛选，筛选后保留相容的QoS信息在QoS广告向量中。

其中，所述Web服务选择实现单元包括：QoS信息综合相似度计算单元，用于计算所述QoS请求向量中QoS信息与所述QoS广告向量中QoS信息之间的QoS信息综合相似度。

其中，所述Web服务选择实现单元还包括：服务匹配度计算单元，用于从所述QoS信息综合相似度计算单元获取QoS信息综合相似度矩阵，将所述QoS信息综合相似度矩阵中的每一行加权相加，构成服务匹配度向量，获取所述服务匹配度向量中数值最大的元素所对应的服务，完成Web服务选择的服务匹配度计算。

一种基于QoS本体的Web服务选择方法，该方法包括以下步骤：

A、扩展QoS本体；

B、从所述扩展的QoS本体提取出QoS信息，来分别构成符合服务请求端需求的QoS请求向量，和符合服务提供端所提供服务的QoS广告向量；

C、获取并计算所述QoS请求向量中QoS信息与所述QoS广告向量中QoS信息之间的QoS信息综合相似度，来匹配所述服务请求端需求和所述服务提供端提供的服务，以实现符合所述服务请求端需求的Web服务选择。

其中，步骤C之前还包括：采用预设经验阀值对所述QoS广告向量中的QoS信息进行筛选，筛选后保留相容的QoS信息在QoS广告向量中。

其中，步骤C中，所述QoS信息综合相似度的计算公式为：

Qsim(q_a，q_r)＝Qsims(q_a，q_r)×Qsimn(q_a，q_r)；

其中，Qsim(q_a，q_r)为QoS信息综合相似度；Qsims(q_a，q_r)为QoS信息的语义相似度；Qsimn(q_a，q_r)为QoS信息的数值相似度；q_a，q_r分别为QoS信息。

其中，所述QoS信息的语义相似度的计算公式为：

Qsims(q_a，q_r)＝Sim(q_a，q_r)×C(q_a，q_r)；

其中，Sim(q_a，q_r)为描述QoS信息的普通语义概念的相似度；C(q_a，q_r)为描述QoS信息相容性的函数。

其中，所述QoS信息的数值相似度的计算公式为：

$\mathrm{Qsimn}(q_a,q_r)=\sqrt{\frac{f^2(q_a.l,q_r.l)+f^2(q_a.u,q_r.u)}{2}};$

其中，q_a.l、q_a.u分别为第一区间值QoS信息q_a的上界和下界，q_r.l、q_r.u分别为第二区间值QoS信息q_r的上界和下界；

f(q_a.l，q_r.l)或f(q_a.u，q_r.u)以函数f(a，r)表示，f(a，r)为QoS信息的度量值a、r之间的数值相似度函数，且当a、r为increase型QoS参数时，f(a，r)＝fInc(a，r)；当a、r为decrease型QoS参数时，f(a，r)＝fDec(a，r)。

其中，所述QoS请求向量为Q_R，包含服务请求端所关注的n个QoS信息；所述QoS广告向量为Q_A，Q_A为QoS广告向量集合，包含所有服务提供端所提供的x个备选Web服务的QoS广告向量；所述预设经验阀值为Q_D，Q_D为QoS向量；步骤C具体为：

C1、对输入的所述Q_A进行预处理，并将Q_A转化为x行m列的服务选择矩阵M_x×m；

C2、获取并根据所述Q_D对所述M_x×m筛选，从x个备选Web服务中筛选出y个满足所述Web服务选择的执行基本要求的Web服务，筛选后构成y行m列的领域选择矩阵M^D；

C3、获取并根据所述Q_R从所述M^D中提取出服务请求端所关注的QoS信息，从M^D每行的QoS信息中选出与Q_R中QoS信息相容的QoS信息，构成有效选择矩阵M^E；

C4、计算所述M^E中每行QoS信息，与Q_R中相对应的QoS信息之间的QoS信息综合相似度，构成QoS信息综合相似度矩阵M^S；

C5、将所述M^S中的每一行加权相加，构成服务匹配度向量S，获取所述S中数值最大的元素S_i所对应的服务，完成Web服务选择的服务匹配度计算。

本发明引入QoS本体来描述QoS信息，并对描述QoS信息的QoS本体进行了扩展；采用基于语义匹配的QoS综合相似度来表示QoS信息之间的相近和相关联程度，充分利用了QoS信息中的语义因素，能够处理异构QoS信息，加大了Web服务选择的灵活性和精确度。从而保证Web服务选择结果的质量，能够实现Web服务选择的个性化。进而以服务请求者的需求为中心，以领域专家的建议作为Web服务选择的基本条件，能够避免服务请求者需求不完备而导致所选择的Web服务执行失败的情况。这里，所谓领域专家指：专门从事Web服务，尤其是Web服务QoS、Web服务选择领域研究的专家。领域专家给出的一些针对Web服务QoS的评价标准，往往是Web服务能够执行的最低标准。综上所述，由于现有技术关注的是QoS信息的值，而不是符合服务请求者需求的QoS信息中的语义因素，而QoS本体就是用于解决如何令QoS信息具有语义的技术。因此采用本发明，能满足依赖QoS信息基于语义的Web服务选择的需要。

采用本发明具有以下优点：

第一点、本发明充分利用了QoS信息的语义因素，能够处理异构QoS信息的情况。具体来说，现有的Web服务选择技术集中在QoS值计算和数值表示范围的匹配之上，没有或者很少利用到QoS信息中的语义因素，因此不能处理异构QoS信息情况下的Web服务选择。而本发明采用QoS本体来描述QoS信息，采用基于语义匹配的QoS综合相似度来表示QoS信息之间的相近程度，充分利用了QoS信息中的语义因素，可以进行异构QoS信息情况下的服务选择，加大了Web服务选择的灵活性。

第二点、本发明以服务请求者的需求为中心，能够实现个性化的Web服务选择。具体来说，现有的Web服务选择技术关注的是QoS值的计算，Web服务选择的依据是QoS值的大小，没有考虑备选Web服务与服务请求者的需求是否接近。而本发明能选择出最接近服务请求者需求的Web服务，采用QoS综合相似度作为Web服务选择的依据，能够选出与服务请求者的需求最接近的Web服务，增强了Web服务选择的个性化适应能力。

第三点、本发明以领域专家的建议QoS值为服务选择的基础，能够避免服务请求者需求不完备而导致所选择的Web服务执行失败现象。具体来说，服务请求者并不是QoS专家，可能会忽略某些重要的QoS信息，因此满足服务请求者需求所选择的Web服务可能不满足Web服务可执行的基本条件。现有的Web服务选择技术没有考虑Web服务可执行的最低要求，因此所选的Web服务有可能不可执行。而本发明是以领域专家的建议作Web为服务可执行的最低要求，从而避免选择劣质Web服务，提高了Web服务选择的质量。

附图说明

图1为本发明系统的组成结构示意图；

图2为扩展的QoS本体具体实现的一实现示意图；

图3为扩展的QoS本体具体实现的另一实现示意图；

图4为扩展的QoS本体具体实现的又一实现示意图；

图5为扩展的QoS本体具体实现的再一实现示意图；

图6为本发明方法的实现流程示意图；

图7为increase型QoS信息度量值的QoS数值相似度函数的示意图；

图8为decrease型QoS信息度量值的QoS数值相似度函数的示意图；

图9为本发明扩展的QoS本体的类继承实现一实施的实现示意图。

具体实施方式

本发明的核心思想是：引入QoS本体来描述QoS信息，并对描述QoS信息的QoS本体进行了扩展；采用基于语义匹配的QoS综合相似度来表示QoS信息之间的相近和相关联程度，充分利用了QoS信息中的语义因素，能够处理异构QoS信息，加大了Web服务选择的灵活性和精确度。

为使本发明的目的、技术方案和优点更加清楚明白，以下举实施例并参照附图，对本发明进一步详细说明。

如图1所示，一种基于QoS本体的Web服务选择系统，该系统包括：QoS本体扩展单元1、QoS请求向量构成单元2、QoS广告向量构成单元3和Web服务选择实现单元4。其中，QoS本体扩展单元1用于扩展用以描述QoS信息之间语义关系的QoS本体。QoS请求向量构成单元2用于从QoS本体扩展单元1提取出QoS信息，构成符合服务请求端需求的QoS请求向量。QoS广告向量构成单元3用于从QoS本体扩展单元1提取出QoS信息，构成符合服务提供端所提供服务的QoS广告向量。Web服务选择实现单元4用于获取并计算QoS请求向量中QoS信息与QoS广告向量中QoS信息之间的QoS信息综合相似度，来匹配服务请求端需求和服务提供端提供的服务，以实现符合该服务请求端需求的Web服务选择。

这里，该系统还包括筛选单元5，用于采用预设经验阀值对QoS广告向量中的QoS信息进行筛选，筛选后保留相容的QoS信息在QoS广告向量中，之后将筛选后的QoS广告向量发送给Web服务选择实现单元4进行后续处理。

这里，Web服务选择实现单元4中包括：QoS信息综合相似度计算单元，用于计算QoS请求向量中QoS信息与QoS广告向量中QoS信息之间的QoS信息综合相似度。Web服务选择实现单元4还包括：服务匹配度计算单元，用于从QoS信息综合相似度计算单元获取QoS信息综合相似度矩阵，将QoS信息综合相似度矩阵中的每一行加权相加，构成服务匹配度向量，获取服务匹配度向量中数值最大的元素所对应的服务，完成Web服务选择的服务匹配度计算。其中，服务匹配度向量中数值最大的元素所对应的服务即为：与服务请求端需求相匹配的、由服务提供端所提供的备选Web服务。

如图6所示，一种基于QoS本体的Web服务选择方法，该方法包括以下步骤：

步骤101、通过QoS本体扩展单元，扩展用以描述QoS信息之间语义关系的QoS本体。

这里，针对扩展的QoS本体而言，该扩展的QoS本体是用于描述QoS信息的一系列明确的、形式化的、共享的概念，以及这些概念之间的关系，比如继承关系。如图2至图5所示为该扩展的QoS本体几个具体实现的实现示意图。该扩展的QoS本体主要包含QoS轮廓(QoSProfile)、QoS属性(QoSAttribute)、QoS趋势(Tendency)、度量(Metric)和值(Value)五个大类，以及大类和子类之间的继承关系。其中，QoSAttribute又包含三个子类公共QoS属性(CommonQoSAttribute)、领域QoS属性(DomainQoSAttribute)、特殊QoS属性(SpecialQoSAttribute)，通过这三个子类可以定义不同层次的QoS信息，服务提供者也可以通过定义其他子类对该本体进行扩展。Tendency类用以表示QoS信息的优劣趋势，有increase和decrease两个取值。如果Tendency类为increase型，则该QoS参数对整体QoS信息起的是正面作用，越大越好，如可靠性。如果Tendency类为decrease型，则该QoS参数对整体QoS信息起负面作用，越小越好，比如价格。实际上，当中的QoS信息可能是精确的一个值，也可能是一个范围，还可能是一个模糊的值，因此有必要为QoS信息的度量方式提供强大的表示能力。因此OWL-QoS本体设计了Metric类来定义QoS信息的度量方式。本发明引入的OWL-QoS本体可以支持单值、模糊单值和区间值三种度量方式。比如QoS信息的值可以是数字型的，比如5元、500毫秒；QoS信息的值可以是语言描述型的，比如很高、很大。这种需求在OWL-QoS本体中通过Value类来实现。通过Value类，QoS信息可以通过数值或者语言来描述。

步骤102、QoS请求向量构成单元从QoS本体扩展单元获取扩展的QoS本体，并提取出QoS信息，来构成符合服务请求端需求的QoS请求向量。

步骤103、QoS广告向量构成单元从QoS本体扩展单元获取扩展的QoS本体，并提取出QoS信息，来构成符合服务提供端所提供服务的QoS广告向量。

步骤104、Web服务选择实现单元分别从QoS请求向量构成单元和QoS广告向量构成单元，获取QoS请求向量中的QoS信息与QoS广告向量中的QoS信息，计算QoS请求向量中QoS信息与QoS广告向量中QoS信息之间的QoS信息综合相似度，来匹配服务请求端需求和服务提供端提供的服务，以实现符合服务请求端需求的Web服务选择。

这里需要指出的是，在步骤104之前还包括：通过筛选单元，采用预设经验阀值对QoS广告向量中的QoS信息进行筛选，筛选后保留相容的QoS信息在QoS广告向量中，之后将筛选后的QoS广告向量发送给Web服务选择实现单元进行后续处理。这样，以领域专家建议的经验阀值作为Web服务选择的基本条件，能够避免服务请求端需求不完备而导致所选择的Web服务执行失败的情况。

这里，步骤104中，QoS信息综合相似度的计算公式为以下的公式(1)。

Qsim(q_a，q_r)＝Qsims(q_a，q_r)×Qsimn(q_a，q_r)          (1)

其中，Qsim(q_a，q_r)为QoS信息综合相似度，是用于表征两个QoS信息之间的相近似程度的；Qsims(q_a，q_r)为QoS信息的语义相似度；Qsimn(q_a，q_r)为QoS信息的数值相似度；q_a，q_r分别为QoS信息。

公式(1)中，QoS信息的语义相似度的计算公式为以下的公式(2)。

Qsims(q_a，q_r)＝Sim(q_a，q_r)×C(q_a，q_r)             (2)

其中，Sim(q_a，q_r)为描述QoS信息的普通语义概念的相似度。C(q_a，q_r)为描述QoS信息相容性的函数，该函数的取值为布尔值，描述同一方面QoS属性的QoS信息相容，C(q_a，q_r)取值为1表示相容，反之不相容。

公式(1)中，QoS信息的数值相似度的计算公式为以下的公式(3)。

$\mathrm{Qsimn}(q_a,q_r)=\sqrt{\frac{f^2(q_a.l,q_r.l)+f^2(q_a.u,q_r.u)}{2}}---\left(3\right)$

其中，q_a.l、q_a.u分别为第一区间值QoS信息q_a的上界和下界，q_r.l、q_r.u分别为第二区间值QoS信息q_r的上界和下界。f(q_a.l，q_r.l)或f(q_a.u，q_r.u)以函数f(a，r)表示，f(a，r)为QoS信息的度量值a、r之间的QoS数值相似度函数；f(a，r)有不同的表示，当a、r为increase型QoS参数时，f(a，r)＝fInc(a，r)；当a、r为decrease型QoS参数时，f(a，r)＝fDec(a，r)。

其中，针对fInc(a，r)来说，如图7所示为increase型QoS信息度量值的QoS数值相似度函数的示意图。fInc(a，r)的性质如下所示。

a1、q_min<a，r<q_max；

a2、0≤fInc(a，r)≤100％；

a3、q_min<a<r时，fInc′(a，r)>0；fInc＂(a，r)>0；

a4、r<a<q_max时，fInc′(a，r)<0；fInc＂(a，r)<0。

其中，针对fDec(a，r)来说，如图8所示为decrease型QoS信息度量值的QoS数值相似度函数的示意图。fDec(a，r)的性质如下所示。

b1、q_min<a，r<q_max；

b2、0≤fDec(a，r)≤100％；

b3、q_min<a<r时，fDec′(a，r)>0；fDec＂(a，r)<0；

b4、a<r<q_max时，fDec′(a，r)<0；fDec＂(a，r)>0。

以下用一实例来阐述步骤104的具体处理过程，这里的步骤104主要包括领域专家选择过程和个性化服务选择过程。在领域专家选择过程中，通过筛选单元，以领域专家建议的经验阀值为参考，该经验阀值为QoS值，对服务提供端提供的备选Web服务集合进行过滤，保证所选出的备选Web服务能满足Web服务选择的执行最低条件要求。这样，能够避免服务请求端需求不完备而导致所选择的Web服务执行失败的情况。在个性化服务选择过程中，以服务请求端的个性化需求为中心，致力于选择出最符合服务请求端需求的Web服务。

具体来说，当QoS请求向量为Q_R，包含服务请求端所关注的n个QoS信息，且Q_R＝(q_r1，q_r2，...，q_rn)，其中q_ri为第i个QoS信息。QoS广告向量为Q_A，Q_A为QoS广告向量集合，包含所有服务提供端所提供的x个备选Web服务的QoS广告向量，且$\left\{Q_A\right\}=\{Q_A^1,Q_A^2,...,Q_A^x\},$其中代表第j个服务的QoS广告向量，即$Q_A^j=(q_{a1}^j,q_{a2}^j,...,q_{\mathrm{am}}^j),$每个QoS广告向量包含m个QoS信息，其中表示第j个备选服务的广告向量的第k个QoS信息。需要指出的是，所有QoS广告向量中的语言型参数值都经过去模糊化的过程而转化为数值型的参数值。这里，针对去模糊化的过程而言，通常语言型参数指：用非数值形式描述的参数，比如对某个QoS参数的评价分为很好、好、一般、不好、差五个等级。相对于用数值描述，这是一种模糊的表述方式。而去模糊化的过程就是类似这样的过程，比如将以上五个等级映射到[0，1]空间，很好对应1、好对应0.8、一般对应0.6、不好对应0.4、差对应0.2。

预设经验阀值为Q_D，Q_D为QoS向量。那么步骤104的具体处理过程为：

步骤1041、对输入的Q_A进行预处理，并将Q_A转化为x行m列的服务选择矩阵M_x×m。

这里，输入的Q_A为$\left\{Q_A\right\}=\left(\begin{array}{ccccc}(q_{a1}^1,& ···& q_{\mathrm{ak}}^1,& ···& q_{\mathrm{am}}^1)\\ ···& & ···& & ···\\ (q_{a1}^j,& & q_{\mathrm{ak}}^j,& & q_{\mathrm{am}}^j)\\ ···& & ···& & ···\\ (q_{a1}^x,& ···& q_{\mathrm{ak}}^x,& ···& q_{\mathrm{am}}^x)\end{array},\right);$

经预处理后得到的M_x×m为

M_x×m的每一行$(q_{a1}^j,q_{a2}^j,...,q_{\mathrm{am}}^j)$代表某一个备选服务的QoS广告向量每一列$(q_{\mathrm{ak}}^1,q_{\mathrm{ak}}^2,...,q_{\mathrm{ak}}^x)$代表不同服务的同一个QoS信息，即$M[j,k]=q_{\mathrm{ak}}^j.$这样，后续通过对矩阵M_x×m的行列运算可以为不同服务的同一类QoS信息之间的QoS信息综合相似度的计算带来便利，也使同一服务整体QoS信息的计算清晰明了。

步骤1042、获取并根据Q_D对M_x×m筛选，从x个备选Web服务中筛选出y个满足Web服务选择的执行基本要求的Web服务，筛选后构成y行m列的领域选择矩阵M^D。

步骤1043、获取并根据Q_R从M^D中提取出服务请求端所关注的QoS信息，从M^D每行的QoS信息中选出与Q_R中QoS信息相容的QoS信息，构成有效选择矩阵M^E。

步骤1044、计算M^E中每行QoS信息，与Q_R中相对应的QoS信息之间的QoS信息综合相似度，构成QoS信息综合相似度矩阵M^S。

步骤1045、将M^S中的每一行加权相加，构成服务匹配度向量S，获取S中数值最大的元素S_i所对应的服务，完成Web服务选择的服务匹配度计算。

这里，步骤1045中，S中数值最大的元素S_i所对应的服务即为：与服务请求端需求相匹配的、由服务提供端所提供的备选Web服务。

这里需要指出的是，通过上述步骤1042来实现领域专家的选择过程是很重要的。如果不进行领域专家的选择过程，而只是依赖服务请求端的需求进行选择，则由于服务请求端的请求者不是QoS专家，可能不理解某些足以影响Web服务选择执行效果的QoS信息的重要性。对于不理解的QoS信息，请求者很可能将其忽略，而只对其关心的QoS信息提出需求。因此，即使满足服务请求端所有的需求，也可能因为某些重要的QoS信息被忽略而导致Web服务选择的执行失败。然而领域专家可以根据经验给对每个QoS信息给出建议的经验阀值即门限值，以保证服务提供端所提供的备选Web服务能满足Web服务选择执行的最低条件。本步骤正是基于这方面的考虑，经筛选后的M^D能够避免服务请求端需求不完备而导致所选择的Web服务执行失败的情况。M^D中元素的意义与M_x×m相同，仅行数有所减少。

这里需要指出的是，通过步骤1043至步骤1045能实现个性化服务选择过程，以保证在备选Web服务中所选择的Web服务最接近服务请求端的需求，以实现个性化的服务选择。

针对步骤1043而言，步骤1043也可以理解为有效QoS信息的抽取过程。以下对步骤1043的实现进行具体阐述。

由于Q_R是服务请求端的个性化需求，其中包含服务请求端所关注的n个QoS信息。M^D一行表示某个服务提供端所发布的m个QoS信息。然而，m和n的数目可能不完全一样，M^D中的某一行也不一定包含所有的有效QoS信息，描述同一方面QoS属性所使用的概念也不会完全一致。因此，需要根据Q_R对M^D进行调整，从M^D每行的QoS信息中选出与Q_R中QoS信息q_ri相容的有效QoS信息，剔除与所有q_ri都不相容的无效QoS信息，形成有效的QoS信息向量。如果Q_R中的某个QoS信息q_ri与M^D中某一行M^D[j，^*]中的所有QoS信息都不相容，这意味着此行所对应的服务不能为q_ri所对应的QoS属性提供保证，不能满足服务请求端在q_ri方面的个性化需求，因此这类服务将被剔除，即从M^D中剔除有效QoS向量长度小于n的行，从y个服务中选出z个，构成有效选择矩阵M^E。M^E中每个元素代表一个有效QoS信息，每行代表一个服务的n个有效QoS信息向量，每一列代表与Q_R中某个QoS信息q_ri相容的有效QoS信息向量。

与上述步骤1043的实现相对应的具体算法描述为：

c1、初始化一个y×m的矩阵M^E。

c2、自上向下遍历M^D的每一行M^D[j，^*]；其中j＝1...y；在某一行M^D[j，^*]中，自左向右逐个考虑每个QoS信息M^D[j，k]，其中k＝1...m；如果能找到Q_R中某个QoS信息q_ri与M^D[j，k]相容，则令M^E[j，i]＝M^D[j，k]；否则令M^E[j，i]＝null，这里，针对q_ri而言，i＝1...n；

c3、自上向下检查M^E的每一行，如果某一行M^E[j，^*]中包含某个值为null的元素M^E[j，i]，则将M^E[j，^*]整行删除。

c4、最终得到z×m的M^E。

与上述算法描述相对应的代码为：

for(j＝1 to y){

    for(k＝1 to m){

        for(i＝1 to n){

            if(C(q_ri，M^D[j，k])＝＝true)M^E[j，i]＝M^D[j，k]；

            else M^E[j，i]＝null；

        }

}

     M^E＝M^E remove M^E[j，^*]where M^E[j，i]＝＝null；

}

针对步骤1044而言，步骤1043也可以理解为QoS信息综合相似度的计算过程。以下对步骤1044的实现进行具体阐述。

由于M^E中每行的QoS信息与Q_R中的QoS信息q_ri都是一一对应相容的，这为Q_A中的QoS信息与Q_R中对应QoS信息q_ri之间的匹配创造了条件。因此，可以应用公式(1)这一QoS信息综合相似度计算公式来计算与qri之间的QoS信息综合相似度，进而形成QoS信息综合相似度矩阵M^S。M^S每一个元素为一个百分数值，该值是该备选服务的QoS广告向量中的有效QoS信息与其对应服务QoS请求q_ri之间的QoS信息综合相似度，每一行为一个服务的QoS信息综合相似度向量。M^S的本质意义在于从QoS属性的不同方面刻画了QoS广告向量与QoS请求向量中QoS信息的相似程度。

与上述步骤1044的实现相对应的具体算法描述为：

d1、初始化一个z×m的矩阵M^S。

d2、自上向下遍历M^E的每一行M^E[j，^*]，其中j＝1...z；在某一行M^E[j，^*]中，自左向右逐个计算每个QoS信息M^E[j，i]与Q_R中第i个QoS信息q_ri的QoS信息综合相似度Qsim(M^E[j，i]，q_ri)，且令M^S[j，i]＝Qsim(M^E[j，i]，q_ri)，针对M^E[j，i]而言，其中i＝1...n。

d3、最终得到z×m的M^S。

与上述算法描述相对应的代码为：

for(j＝1 to z){

    for(i＝1 to n){

        M^S[j，i]＝Qsim(M^S[j，i]，q_ri)；

    }

}

针对步骤1045而言，步骤1045也可以理解为服务匹配度计算过程。以下对步骤1045的实现进行具体阐述。

M^S保存了每个QoS广告向量Q_A中的每个有效QoS信息与QoS请求向量Q_R中对应的QoS信息q_ri之间的QoS信息综合相似度。本质上来讲，M^S从QoS的不同方面刻画了服务提供端的所提供的备选Web服务与服务请求端请求的Web服务之间的相似程度。QoS广告向量体现的是服务提供端的所提供的备选Web服务，QoS请求向量体现的是服务请求端请求的Web服务，而最终的服务选择结果需要在各个广告向量之间进行比较，选出最符合QoS请求向量即服务请求端个性化需求的一个备选Web服务。这就需要将M^S的每一行转化成一个唯一的、可以度量和比较的值，然后对该值进行比较、排序，进而得到结果。这里，该唯一的、可以度量和比较的值为服务匹配度S。

并且，由于不同的服务请求端请求者的个性化需求不同，因此对QoS请求向量Q_R中QoS信息q_ri的关注程度也不同。可以通过权重w的形式为服务请求端请求者提供表达关注程度差异的能力。因此，定义服务匹配度S为：Q_A中有效QoS信息与Q_R中对应的QoS信息q_ri之间的QoS信息综合相似度的加权相加之和，即M^S每一行元素加权相加，进而形成服务匹配度向量S。S的每一个元素代表一个服务的匹配度S_i。因此，S中在数值最大的元素S_i所对应的服务匹配度最高，那么S_i所对应的服务即为：与服务请求端需求相匹配的、由服务提供端所提供的备选Web服务。

与上述步骤1045的实现相对应的具体算法描述为：

e1、初始化一个i维服务匹配度向量S。

e2、自上向下遍历M^S的每一行M^S[j，^*]，其中j＝1...z；在某一行M^S[j，^*]中，自左向右逐个计算每个QoS相似度M^S[j，i]与W中第i个权重分量w_i的乘积w_i×M^S[i，j]，且令$s_i=\underset{j=1}{\overset{n}{\Sigma }}(w_i\times M^S[i,j]),$针对M^S[j，i]而言，其中i＝1...n。

e3、得到i维服务匹配度向量S。

e4、从S中选择出数值最大的元素$s=\underset{i=1}{\overset{z}{\mathrm{Max}}}\left(s_i\right),$则s所对应的服务即为所选服务。

与上述算法描述相对应的代码为：

for(j＝1 to z){

       $s_i=\underset{j=1}{\overset{n}{\Sigma }}(w_i\times M^S[i,j]);$

}

$s=\underset{i=1}{\overset{z}{\mathrm{Max}}}\left(s_i\right)$

综上所述，本发明的实施需要四部分数据支持，扩展的QoS本体、领域专家建议的经验阈值、QoS请求向量和QoS广告向量。其中，扩展的QoS本体是对OWL-QoS本体的扩展，也可以称为领域QoS本体。领域QoS本体是OWL-QoS本体在某领域内的具体实现，它体现了该领域内各个QoS信息之间的语义关系，领域QoS本体包含一系列QoS信息。这些QoS信息都直接或间接继承自OWL-QoS本体中QoSAttrribute类，各自之间存在语义关系。领域专家建议的经验阈值指：领域专家根据经验给出的在保证Web服务选择可执行的基本条件下各个QoS信息的门限值。对于increase型的QoS信息，领域专家建议的经验阈值为最小值。对于decrease型的参数，领域专家建议的经验阈值为最大值。QoS请求向量是一组QoS信息组成的向量，表示服务请求端对QoS信息的个性化需求。QoS广告向量也是一组QoS信息组成的向量，它描述是服务提供端所提供的备选服务的QoS信息。QoS请求向量和QoS广告向量中的QoS信息均来自领域QoS本体。

方法实施例：采用图9所示的领域QoS本体来实现基于QoS本体的Web服务选择方法。具体来说，采用可扩展性(E)、价格(P)、时延(L)、规模可扩展性(SE)和功能可扩展性(FE)这五个描述QoS信息的类组成领域QoS本体。其中E、SE、FE为increase型。P、L为decrease型。各类之间的语义继承关系如图9所示。E、P、L直接继承自QoSAttrribute类。SE、FE为E的子类。这意味着该领域本体可描述三方面的QoS信息，分别对应于E、P、L三个QoS信息。而E、SE、FE描述的是扩展性方面的QoS信息，因此E、SE、FE之间是互相相容的。E、P、L之间是互相不相容的。

如表1所示为领域专家建议的经验阀值，针对E、P、L、SE和FE五个QoS信息，领域专家根据经验给建议给出如表1所示的经验阈值。其中E、SE、FE为increase参数，表1给出的是最小阈值，低于此值的Web服务无法满足Web服务选择执行的基本条件。P、L为decrease型参数，表1给出的是最大阈值，高于此值的Web服务无法满足Web服务选择执行的基本条件。

 

QoS信息ESEFEPL经验阈值0.70.70.71011

表1

如表2所示为服务请求端所请求的QoS请求向量，假设服务请求端只对FE、P、L这三个QoS信息感兴趣，分别提出自己的个性化需求。利用OWL-QoS本体强大的表述能力，服务请求端的请求者可以提出模糊单值、单值和区间值等三种度量方式的QoS信息。并且，服务请求端的请求者对这三个参数的关注程度相同，即所分配的权重相同都是1/3，如表2所示。

 

QoS信息(权重)FE(1/3)P(1/3)L(1/3)请求值0.93左右[9.88，9.90]8.99

表2

如表3所示为服务提供端所提供备选服务的QoS广告向量，假设有五个服务提供端的提供者可以提供功能相同但QoS不同的服务。对某些同方面的QoS信息，不同服务提供者所用的概念也可能不同。如表3所示，对于E方面的QoS信息，Service1、Service4采用的是E概念。Service2采用的是E的子概念SE。而Service3、Service5采用的是E的子概念FE。

 

QoS信息ESEFEPLService10.99----9.239.32

 

Service2--0.78--9.5110.51Service3----0.910.329.21Service40.95----9.919.81Service5----0.939.898.99

表3

有了以上的领域QoS本体，领域专家建议的经验阀值，QoS请求向量和QoS广告向量，就能实施基于QoS本体的Web服务选择方法。

首先，执行领域专家选择过程。该领域专家选择过程具体为：根据表1所列的领域专家经验阈值对表3中所列的备选Web服务进行选择。对于P参数，领域专家的建议值为10。且P为decrease型的QoS信息，备选Web服务的P参数最大值必须低于10。因此，P值为10.32的Service3将落选。这表示Service3不满足Web服务选择可执行的最低条件，必定会执行时报。而Service1、Service2、Service4、Service5能满足Web服务选择执行的最低条件，通过领域专家的选择，进入下一步的个性化选择过程。

然后，执行个性化选择过程。经过上一步筛选，Service1、Service2、Service4、Service5进入这一轮基于服务请求端需求的个性化服务选择。首先，将根据服务请求端的请求，即表2中QoS请求向量：FE在0.93左右；P在[9.88，9.90]；L在8.99，由FE、P和L构成QoS请求向量。计算Service1、Service2、Service4、Service5四个备选Web服务每个QoS信息的QoS信息综合相似度。该个性化选择过程具体为：将统筹考虑语义和数值双方面的因素。语义方面，对于E参数，有的Web服务直接用E概念进行描述，有的Web服务则用其子概念SE、FE来描述。计算而知，FE与E、SE的语义相似度分别为0.85，0.92。数值方面，可根据QoS数值相似度定义得到备选Web服务的数值相似度。最后，计算出各个备选Web服务与服务请求端个性化需求之间的QoS信息综合相似度，如表4所示为QoS信息综合相似度。

表4

最后，根据QoS信息综合相似度和服务请求端为每个所关注的QoS信息所分配的权重计算出备选Web服务Service1、Service2、Service4、Service5的服务匹配度。匹配度最高的即是最满足服务请求端需求的服务，是最终选择的结果。根据表5所示，Service5的服务匹配度最高，因此Service5即为所选服务。

 

备选Web服务Service1Service2Service4Service5QoS综合相似度0.610.420.760.98

表5

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。