基于T-QoS感知的服務組合優(yōu)化研究.pdf

1、隨著用戶要求的日益增多，單一的服務已經(jīng)無法滿足用戶的復雜要求，服務組合技術將現(xiàn)有的分布式的服務，組合成滿足用戶要求的復合服務。然而如何從大量功能相同而質量不同的服務中構造出既滿足用戶要求又具有全局最優(yōu)質量的復合服務，是一個亟待解決的問題。但是，現(xiàn)有的研究成果仍存在以下不足：
　　1）針對服務組合中每個原子服務的選取,只考慮服務的質量，卻沒有考慮服務的可信度，導致在實際執(zhí)行時因為惡意服務實體的存在，使得復合服務執(zhí)行失敗。
　　

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

3、力分別劃分等級，有效解決了服務提供商服務能力動態(tài)變化對模型存在的潛在破壞問題。建立了信任度隨時間窗變化的動態(tài)信任機制，在計算信譽度時，將用戶的評價可信度作為其評價證據(jù)的可信權重，通過引入評價可信度和評價相似度提高了計算推薦行為可信度的準確率。仿真結果表明，該模型的評估結果更加貼近服務提供商的真實信任度，同時能有效抵御惡意用戶的攻擊。
　　其次，提出一種基于改進AdaBoost算法的用戶風險預測模型。本文將用戶風險預測看作一個兩類分

4、類的問題，通過歷史用戶的屬性信息預測出新用戶有無風險性。為了進行精確的分類，本文采用Adaboost集成算法，此算法通過上一次訓練的錯誤率來調整下一次訓練的樣本分布,使得下一次訓練對于這些錯分的樣本有更強的鑒別能力,并且給定每個弱分類器一個權值.最后,通過加權投票的方式得到最后的強分類器，從而提高整體的分類效果?？紤]到錯分代價的存在，對AdaBoost算法進行改進，引入代價敏感方法，將代價敏感矩陣考慮到分類器的構造當中從而產(chǎn)生最小代價的

5、分類器。實驗結果表明，本文提出的基于代價敏感的AdaBoost方法比傳統(tǒng)分類器有更好的效果，從而有效預測一個新增用戶是否存在風險，有效保障服務的安全。
　　最后，提出一種基于T-QoS感知的并行蟻群算法，將服務的可信度作為服務質量的權重，得到每個服務的可信質量T-QoS，使得服務組合能夠在可信的環(huán)境中進行。通過建立基于每個服務的T-QoS初始化信息素矩陣，從而減少了蟻群的初始搜索時間。通過修改信息素的更新規(guī)則，并引入兩個群體從不同