考慮剔除虛假云服務(wù)的制造云服務(wù)優(yōu)選

江澤豪，伊德景，朱光宇

(福州大學(xué) 機(jī)械工程及自動(dòng)化學(xué)院，福建 福州 350116)

0 引言

隨著云制造平臺(tái)的快速發(fā)展，吸引了大量云用戶和制造商，云池中的云服務(wù)急劇增多，但質(zhì)量水準(zhǔn)參次不齊，其中不乏一些虛假的制造云服務(wù)，惡意競(jìng)爭(zhēng)的制造商通過(guò)發(fā)布虛假信息、提供虛假的服務(wù)評(píng)論和供應(yīng)廠商來(lái)迷惑云用戶，不但傷害了云用戶的利益，而且危害了其他制造商的權(quán)益。因此，制造云服務(wù)的可信度評(píng)估、虛假云服務(wù)剔除及在此基礎(chǔ)上的制造云服務(wù)優(yōu)選成為本領(lǐng)域研究的焦點(diǎn)。

馬文龍等[1]提出一種基于服務(wù)質(zhì)量感知的云服務(wù)選擇模型，通過(guò)評(píng)判不誠(chéng)實(shí)評(píng)價(jià)信息來(lái)評(píng)價(jià)服務(wù)質(zhì)量，為用戶選擇最佳云服務(wù)；陶飛等[2]對(duì)制造云服務(wù)進(jìn)行可信評(píng)估，并對(duì)服務(wù)進(jìn)行組合搭配；魏樂(lè)等[3]選擇5個(gè)因素衡量云服務(wù)的可信度，并采用加權(quán)平均的方法計(jì)算制造云服務(wù)的可信值；馬華等[4]定義了云服務(wù)的個(gè)性化特征，利用相似度函數(shù)識(shí)別特征共同體，通過(guò)個(gè)性化特征加權(quán)值來(lái)評(píng)估可信度；李超[5]建立了一個(gè)多指標(biāo)評(píng)價(jià)模型對(duì)云服務(wù)的可信度進(jìn)行評(píng)估；劉鉆石等[6]通過(guò)選取6個(gè)制造云服務(wù)指標(biāo)作為可信特征集，提出基于D-S(Dempster-Shafer)理論的云服務(wù)評(píng)價(jià)方法；Chiregi等[7-8]利用拓?fù)浜饬糠椒ㄍ瓿稍品?wù)綜合可信評(píng)估；Singh等[9]搭建了多維信任評(píng)估系統(tǒng)對(duì)云服務(wù)進(jìn)行選擇。

云制造環(huán)境下，針對(duì)制造云服務(wù)有效性和綜合質(zhì)量評(píng)估的研究是建立在云平臺(tái)上存在大量可靠且真實(shí)的制造云服務(wù)，而實(shí)際上有些制造云服務(wù)存在虛假行為，通過(guò)文獻(xiàn)分析可知，現(xiàn)有文獻(xiàn)對(duì)剔除或識(shí)別虛假云服務(wù)的研究較少，或者對(duì)虛假云服務(wù)的識(shí)別程度較小甚至并未識(shí)別虛假云服務(wù)，有關(guān)虛假云服務(wù)的識(shí)別僅依賴于用戶的反饋。

本文以商業(yè)化運(yùn)營(yíng)的工程機(jī)械交易云平臺(tái)“鐵臂商城”作為數(shù)據(jù)源，采用3個(gè)步驟進(jìn)行基于虛假云服務(wù)剔除的制造云服務(wù)優(yōu)選：①基于蒙特卡洛模擬估計(jì)超體積的虛假云服務(wù)剔除；②建立基于遺傳算法(Genetic Algorithm, GA)的模糊c均值聚類算法(Fuzzyc-Means algorithm, FCM)進(jìn)行制造云服務(wù)可信度評(píng)估，結(jié)合層次分析法(Analytic Hierarchy Process, AHP)和熵值法提出云服務(wù)組合賦權(quán)綜合評(píng)價(jià)模型來(lái)計(jì)算云服務(wù)綜合評(píng)價(jià)值；③將云服務(wù)的可信度等級(jí)與綜合評(píng)價(jià)值結(jié)合，對(duì)云服務(wù)進(jìn)行優(yōu)選排序，得到最佳制造云服務(wù)。

1 數(shù)據(jù)獲取與量化

“鐵臂商城”是行業(yè)內(nèi)首家網(wǎng)上購(gòu)置工程機(jī)械的交易平臺(tái)，聚集了國(guó)內(nèi)外工程機(jī)械大小品牌的各種型號(hào)，其種類豐富、型號(hào)齊全，經(jīng)過(guò)多年運(yùn)營(yíng)，積累了龐大的客戶交易量。

為了獲取平臺(tái)上不同數(shù)據(jù)類型的云服務(wù)信息，本文針對(duì)該平臺(tái)開(kāi)發(fā)了一個(gè)網(wǎng)頁(yè)爬蟲(chóng)，通過(guò)網(wǎng)頁(yè)爬蟲(chóng)爬取特定位置所需的云服務(wù)信息。分析平臺(tái)上影響云服務(wù)可信度評(píng)估和質(zhì)量綜合評(píng)價(jià)的因素，確定爬取每個(gè)云服務(wù)的10項(xiàng)信息，將10項(xiàng)信息歸類為云服務(wù)ID和5項(xiàng)評(píng)價(jià)指標(biāo)。品牌和型號(hào)為云服務(wù)ID，5項(xiàng)評(píng)價(jià)指標(biāo)分為兩級(jí)，一級(jí)指標(biāo)分別為云服務(wù)的完備性、可靠性、交互性，二級(jí)指標(biāo)包括云服務(wù)性能描述、云服務(wù)參數(shù)配置、服務(wù)提供者的實(shí)物操作圖或視頻描述，供應(yīng)商信息，詢價(jià)和交易評(píng)分信息。圖1所示為評(píng)價(jià)指標(biāo)和綜合評(píng)價(jià)層次分析結(jié)構(gòu)圖。

上述信息需要采用不同的處理方式轉(zhuǎn)化為定量指標(biāo)才能用于后續(xù)云服務(wù)的識(shí)別、評(píng)價(jià)和優(yōu)選。不同指標(biāo)的量化方式如下：

(1)性能描述信息 平臺(tái)上對(duì)每一個(gè)云服務(wù)性能的描述差異較大，因此本文以性能描述的詳細(xì)程度對(duì)其進(jìn)行量化。描述云服務(wù)的字?jǐn)?shù)越多，詳細(xì)程度越高。例如針對(duì)挖掘機(jī)，隨機(jī)抽取爬取數(shù)據(jù)的50個(gè)樣本，計(jì)算描述性能的字?jǐn)?shù)，通過(guò)主觀評(píng)判將性能描述信息量化為0～100之間的數(shù)，并分為五段數(shù)值。量化公式為：

z1(w)=

(1)

式中：z1為云服務(wù)性能描述信息量化的數(shù)值；w為性能描述的字?jǐn)?shù)。5個(gè)分段區(qū)間臨界值通過(guò)計(jì)算取樣值得到。

(2)參數(shù)配置信息 對(duì)參數(shù)的項(xiàng)數(shù)進(jìn)行量化。由于工程機(jī)械自身的性能參數(shù)較多，云服務(wù)的參數(shù)項(xiàng)數(shù)越多，對(duì)云服務(wù)描述得越詳細(xì)，云服務(wù)的綜合質(zhì)量越好。將參數(shù)配置項(xiàng)數(shù)量化為0～100之間的數(shù)。量化公式為

(2)

式中：z2為參數(shù)配置信息量化的數(shù)值；e為某云服務(wù)參數(shù)的項(xiàng)數(shù)；emax和emin分別為某類工程機(jī)械在云平臺(tái)上參數(shù)項(xiàng)數(shù)的最大值和最小值。

(3)實(shí)物操作圖或視頻描述信息 以提供的實(shí)物操作圖(視頻)的多少作為量化依據(jù)，將操作圖(視頻)數(shù)量從0～5(含>5)張(個(gè))對(duì)應(yīng)不同量化值，對(duì)應(yīng)的量化數(shù)值z(mì)3=0，20，40，60，80，100。

(4)供應(yīng)商信息 供應(yīng)商對(duì)云服務(wù)能否達(dá)成交易起重要作用。將云服務(wù)的供應(yīng)商數(shù)量化為0～100之間的數(shù)，量化公式為

(3)

式中：z4為品牌供應(yīng)商信息量化的數(shù)值；A為某云服務(wù)供應(yīng)商的數(shù)量；Amax和Amin分別為某工程機(jī)械云服務(wù)供應(yīng)商數(shù)量的最大值和最小值。

(5)詢價(jià)和交易評(píng)分信息 該項(xiàng)信息包括詢價(jià)數(shù)量、評(píng)價(jià)總?cè)藬?shù)、交易的平均評(píng)分、有效評(píng)價(jià)個(gè)數(shù)和平均詢價(jià)時(shí)間。平臺(tái)上的這些信息為量化數(shù)據(jù)，可借鑒式(2)將其量化到0～100之間，取平均值作為詢價(jià)和交易評(píng)分的數(shù)值z(mì)5。

2 虛假制造云服務(wù)的特點(diǎn)和剔除方法

2.1 虛假制造云服務(wù)的特點(diǎn)

通過(guò)分析平臺(tái)數(shù)據(jù)總結(jié)歸納認(rèn)為，虛假制造云服務(wù)信息分化嚴(yán)重，特點(diǎn)有：①制造云服務(wù)提供的基礎(chǔ)信息(包括性能屬性、參數(shù)配置和實(shí)物操作圖)不全或無(wú)相關(guān)信息內(nèi)容。例如，在無(wú)基礎(chǔ)信息的情況下，擁有比較高的平均評(píng)分、較多的詢價(jià)數(shù)量，且評(píng)論都是一邊倒的好評(píng)。②基礎(chǔ)信息完備，但無(wú)交易人數(shù)和交易評(píng)分，而且沒(méi)有供應(yīng)商信息等。由于虛假制造云服務(wù)涉及多個(gè)評(píng)價(jià)指標(biāo)，評(píng)判虛假制造云服務(wù)需要綜合考慮多個(gè)指標(biāo)因素。

2.2 基于蒙特卡洛模擬估計(jì)超體積的虛假云服務(wù)剔除方法

選用超體積(hypervolume)作為衡量多個(gè)因素的綜合指標(biāo)，計(jì)算每個(gè)云服務(wù)多維指標(biāo)的超體積值，根據(jù)超體積值識(shí)別虛假制造云服務(wù)，并將其剔除。計(jì)算過(guò)程中超體積方法考慮了解集的收斂性、均勻性和廣泛性[10]，因此特性優(yōu)良。

本文所建的云服務(wù)評(píng)價(jià)指標(biāo)體系為高維數(shù)據(jù)，包括5個(gè)指標(biāo)(5維數(shù)據(jù))，而且每個(gè)云服務(wù)的多維數(shù)據(jù)必然存在超體積值。通過(guò)比較其云服務(wù)的超體積值與選定的標(biāo)準(zhǔn)超體積來(lái)判斷云服務(wù)的數(shù)據(jù)是否達(dá)到標(biāo)準(zhǔn)，以此識(shí)別云服務(wù)的真實(shí)性。超體積算法不但可以綜合分析多個(gè)指標(biāo)屬性，而且能夠通過(guò)異常結(jié)果發(fā)現(xiàn)兩極分化現(xiàn)象[11]。

由于超體積算法在高維空間中的計(jì)算時(shí)間太長(zhǎng)[12]，本文選擇基于蒙特卡洛模擬估計(jì)的超體積算法計(jì)算云服務(wù)評(píng)價(jià)指標(biāo)的超體積值，蒙特卡洛模擬估計(jì)能夠從已知概率分布抽樣建立各種估計(jì)量。文獻(xiàn)[13]證明，該算法設(shè)定的采樣點(diǎn)越多，計(jì)算的估計(jì)值越接近準(zhǔn)確值，而且用時(shí)較少。

采用基于蒙特卡洛模擬估計(jì)計(jì)算云服務(wù)評(píng)價(jià)指標(biāo)的超體積過(guò)程如下：

P={P1,P2,…,Pk,…,Pn}為包含任意n個(gè)制造云服務(wù)的集合，S∶{(z1,z2,…,zj,…,zM)∈P|?1≤j≤M,lj≤zj≤uj}為云服務(wù)的評(píng)價(jià)指標(biāo)，其中：M為云服務(wù)評(píng)價(jià)指標(biāo)的個(gè)數(shù)(維數(shù))，zj為指標(biāo)值，uj和lj分別為指標(biāo)的上下限。所有指標(biāo)形成的多維空間最大體積

(4)

定義1a為某云服務(wù)指標(biāo)在評(píng)價(jià)指標(biāo)多維空間中代表的一個(gè)點(diǎn)，P為云服務(wù)集合，R為參考點(diǎn)。將P中所有云服務(wù)評(píng)價(jià)指標(biāo)投影到二維平面，表現(xiàn)為點(diǎn)，如圖2中的點(diǎn)a,b,c,d所示，a點(diǎn)與參考點(diǎn)R形成的矩形與其他點(diǎn)形成的矩形有交集，用H(a,P,R)表示a與參考點(diǎn)R所圍成矩形區(qū)域，Hh(a,P,R)表示a與參考點(diǎn)R所圍成矩形的第h個(gè)區(qū)域。圖1中，H(a,P,R)是所有陰影構(gòu)成的矩形，由H1(a,P,R),H2(a,P,R),H3(a,P,R),H4(a,P,R)組成。

超體積算法需預(yù)先設(shè)定參考點(diǎn)R，則云服務(wù)集合P與參考點(diǎn)R構(gòu)成一個(gè)評(píng)價(jià)指標(biāo)多維空間，n個(gè)云服務(wù)點(diǎn)P1,P2,…,Pn隨機(jī)分布在多維空間中。運(yùn)用蒙特卡洛思想，計(jì)算n個(gè)云服務(wù)在各區(qū)域中的分布數(shù)量占總云服務(wù)數(shù)量的比值，用該比值和總體積計(jì)算各區(qū)域所占的體積。判斷云服務(wù)評(píng)價(jià)指標(biāo)點(diǎn)Pk是否在區(qū)域Hh(a,P,R)(1≤h≤q，a∈P，q為區(qū)域的數(shù)量)中的兩個(gè)依據(jù)為：①在多維空間中，確認(rèn)Pk是在參考點(diǎn)R的“下方”，即R的各維數(shù)據(jù)均大于Pk，使得Pk被參考點(diǎn)R支配；②確認(rèn)點(diǎn)Pk支配的云服務(wù)點(diǎn)的集合Y不是空集。如果兩個(gè)條件滿足，則點(diǎn)Pk在區(qū)域Hh(a,P,R)中，有h=|Y|，且a∈Y，說(shuō)明a在第h部分區(qū)域。如圖2所示，H2(a,P,R)兩塊區(qū)域中的點(diǎn)分別支配集合Y=(a,c)和Y′=(a,b)的云服務(wù)點(diǎn)，故h=|Y|=2。如果上面兩個(gè)條件有一個(gè)不滿足，則Pk不在區(qū)域Hh(a,P,R)中。

定義2用于統(tǒng)計(jì)h區(qū)域中采樣點(diǎn)的數(shù)量。

通過(guò)上面的定義及說(shuō)明，計(jì)算對(duì)應(yīng)部分的體積估計(jì)值:

(5)

由大數(shù)定理可知，適當(dāng)增加n可以逼近對(duì)應(yīng)超體積的真實(shí)值。因?yàn)槎鄠€(gè)不同的云服務(wù)點(diǎn)和共同的參考點(diǎn)分別圍成的區(qū)域間可能重疊，所以設(shè)置共享權(quán)重系數(shù)

(6)

則a對(duì)應(yīng)的蒙特卡洛估計(jì)超體積值

(7)

由于虛假云服務(wù)的特點(diǎn)，采用蒙特卡洛估計(jì)超體積法計(jì)算得到的這類云服務(wù)評(píng)價(jià)指標(biāo)蒙特卡洛估計(jì)超體積值較大，通過(guò)設(shè)定超體積最低標(biāo)準(zhǔn)值，判別云服務(wù)是否為虛假或惡意云服務(wù)。

由超體積算法以及設(shè)定的最低標(biāo)準(zhǔn)值云服務(wù)點(diǎn)可知，任意云服務(wù)與最低標(biāo)準(zhǔn)值云服務(wù)點(diǎn)(以下稱為標(biāo)準(zhǔn)點(diǎn))存在3種關(guān)系：

(1)支配標(biāo)準(zhǔn)點(diǎn) 這類云服務(wù)的各維數(shù)值大于標(biāo)準(zhǔn)點(diǎn)，其超體積值小于標(biāo)準(zhǔn)點(diǎn)的超體積值，這類云服務(wù)被認(rèn)定為非虛假或非惡意的云服務(wù)，可以全部保留。

(2)被標(biāo)準(zhǔn)點(diǎn)支配 這類云服務(wù)的各維數(shù)值小于標(biāo)準(zhǔn)點(diǎn)數(shù)值，認(rèn)定為虛假云服務(wù)點(diǎn)，其超體積值大于標(biāo)準(zhǔn)點(diǎn)的超體積值，這類云服務(wù)能夠完全剔除。

(3)與標(biāo)準(zhǔn)點(diǎn)互不支配 這類差異性表現(xiàn)在云服務(wù)某些維度的屬性值小于標(biāo)準(zhǔn)點(diǎn)數(shù)值，甚至極小，根據(jù)超體積算法綜合考慮各個(gè)維度，剔除其中超體積值大于標(biāo)準(zhǔn)點(diǎn)超體積值的云服務(wù)，即將這類云服務(wù)認(rèn)定為虛假云服務(wù)。

超體積算法處理這部分云服務(wù)時(shí)，可能會(huì)保留一些質(zhì)量不好的云服務(wù)，但是通過(guò)后續(xù)的聚類算法能夠保證不將這類虛假云服務(wù)推薦給用戶。

3 基于遺傳算法的模糊c均值聚類算法對(duì)云服務(wù)的可信度評(píng)估

為了給用戶推薦優(yōu)秀的云服務(wù)或云服務(wù)集合，并使被推薦的云服務(wù)各維數(shù)值相差不懸殊，本文綜合考慮各維度屬性，利用聚類算法評(píng)價(jià)云服務(wù)的可信度等級(jí)，該方法能夠明確兩個(gè)不同集合云服務(wù)的差異，并保證不選擇未能識(shí)別的虛假云服務(wù)，而且后續(xù)操作只需考慮優(yōu)秀的云服務(wù)集合，從而減少數(shù)據(jù)處理量。

分析現(xiàn)有文獻(xiàn)可知，本文將模糊聚類應(yīng)用于云服務(wù)可信度評(píng)估，能夠通過(guò)改進(jìn)的模糊聚類方法劃分云服務(wù)可信度等級(jí)，將可信度等級(jí)最高的云服務(wù)聚類集推薦給云用戶。本文采用聚類算法將所有云服務(wù)歸為A(好)，B(良好)，C(較好)，D(一般)，E(差)5個(gè)可信度等級(jí)集合。

3.1 模糊c均值聚類算法

定義3P={P1,P2,…,Pk,…,Pn}?ΩM是制造云服務(wù)空間ΩM中的一個(gè)有限數(shù)據(jù)集合，M為云服務(wù)評(píng)價(jià)指標(biāo)的維數(shù)，n為云服務(wù)的個(gè)數(shù)，則對(duì)P的c(2≤c≤n)個(gè)模糊聚類劃分是一個(gè)c×n矩陣U=(uik)cn∈Ωc×n，模糊分類矩陣U滿足如下條件：

0≤uik≤1,1≤i≤c,1≤k≤n；

式中uik為第k個(gè)云服務(wù)屬于第i類的隸屬度值。

基于上述定義，F(xiàn)CM描述為求(U,V)使下式最小化：

(8)

式(8)是一個(gè)關(guān)于(U,V)的約束優(yōu)化問(wèn)題，利用極值點(diǎn)的K-T(Kuhn-Tucker)必要條件，得到如下迭代公式：

i=1,2,…,c,k=1,2,…,n。

(9)

i=1,2,…,c，j=1,2,…,M。

(10)

FCM流程為：①設(shè)定聚類個(gè)數(shù)c和模糊系數(shù)m，初始化聚類中心V0和收斂精度ε，令迭代次數(shù)t=1；②用式(9)計(jì)算Ut+1；③用式(10)計(jì)算Vt+1，令t=t+1；④若‖Vt+1-Vt‖<ε或達(dá)到最大迭代數(shù)tmax，則輸出Vt+1，否則返回步驟②繼續(xù)迭代。

3.2 面向云服務(wù)可信度評(píng)估的基于遺傳算法的模糊c均值聚類算法

由于FCM在聚類過(guò)程中容易因初始值不佳陷入局部收斂點(diǎn)，有學(xué)者將FCM與不同群體智能算法結(jié)合[14-16]。如果與GA結(jié)合，則可將GA算法的染色體設(shè)置為隸屬度矩陣或聚類中心，染色體若為隸屬度矩陣，則迭代搜索和尋優(yōu)性能較低，不能滿足算法需要。本文提出面向云服務(wù)可信度評(píng)估的基于GA的FCM采用聚類中心為GA的染色體。

3.2.1 初始聚類中心的選取

設(shè)聚類數(shù)為c，初始聚類中心V0=[v1,v2,…,vi,…,vc]T，有vi=[vi1,vi2,…,vij,…,viM]，則

vij=rand×(max(zij)-min(zij))。

(11)

式中：rand∈(0,1)；max(zij)和min(zij)分別為n個(gè)云服務(wù)中第j維數(shù)據(jù)的最大值和最小值。

3.2.2 算法步驟

面向云服務(wù)可信度評(píng)估的基于GA的FCM操作包括編碼、生成初始群體、選擇、交叉、變異。

(1)編碼 基于制造云服務(wù)的數(shù)據(jù)集特點(diǎn)，本文采用元胞數(shù)組對(duì)聚類中心進(jìn)行編碼，每個(gè)染色體，即每個(gè)元胞對(duì)應(yīng)一個(gè)聚類中心，為c×M矩陣，染色體V=(vij)cM∈Rc×M。

(2)生成初始群體 利用式(11)生成Num個(gè)初始聚類中心V0，即為初始群體Po。

(3)選擇操作 計(jì)算當(dāng)代群體中每一個(gè)個(gè)體(聚類中心)的適應(yīng)度，按適應(yīng)度大小用輪盤選擇法選擇用于交叉的父本。

將每個(gè)分類集到各自聚類中心的歐式距離之和最小化作為聚類準(zhǔn)則，建立適應(yīng)度函數(shù)

(12)

i=1,2,…,c，j=1,2,…,M。

(13)

基于以上方法，面向云服務(wù)可信度評(píng)估的基于GA的FCM的步驟為：

(1)設(shè)置參數(shù)模糊指數(shù)m、模糊聚類數(shù)c、種群規(guī)模Num、外部檔案?jìng)€(gè)數(shù)Enum、交叉概率Pc、變異概率Pm、最大迭代次數(shù)tmax。

(2)獲取初始聚類中心，得到初始聚類中心種群Po，t=0。

(3)用式(12)計(jì)算適應(yīng)度值，為保留父代個(gè)體的優(yōu)越性，建立外部檔案，選取適應(yīng)度值大的個(gè)體放入外部檔案。

(4)基于FCM計(jì)算模糊分類矩陣U，更新聚類中心種群為Po′。

(5)利用遺傳算子對(duì)Po′進(jìn)行選擇、交叉、變異操作，得到種群Po″。

(6)計(jì)算3個(gè)種群Po，Po′，Po″中個(gè)體的適應(yīng)度值，更新外部檔案。

(7)判斷是否滿足終止條件，不滿足則t=t+1，返回(4)；滿足則輸出外部檔案中適應(yīng)值最小的基因?yàn)榫垲愔行腣t。

3.3 云服務(wù)可信度評(píng)估等級(jí)判定

對(duì)3.2節(jié)得到的云服務(wù)聚類中心Vt，按照下式判斷可信度評(píng)價(jià)等級(jí)：

(14)

式中VGi表示第i個(gè)聚類中心M維數(shù)據(jù)值的乘積，按乘積大小決定可信度等級(jí)，乘積越大，可信度等級(jí)越高，分級(jí)按照A，B等依次類推。

3.4 聚類算法驗(yàn)證

為了驗(yàn)證算法的有效性，同時(shí)考慮聚類效果的可視性，實(shí)驗(yàn)選擇對(duì)5項(xiàng)評(píng)價(jià)指標(biāo)進(jìn)行主成分分析，確定用于測(cè)試的3項(xiàng)指標(biāo)。對(duì)第1章云服務(wù)信息中5項(xiàng)評(píng)價(jià)指標(biāo)(性能描述、參數(shù)配置、實(shí)物圖或視頻、供應(yīng)商、詢價(jià)評(píng)分)中的3項(xiàng)開(kāi)展測(cè)試，結(jié)果如表1所示。從表1中選取方差百分比大的3個(gè)指標(biāo)值，即性能描述、云服務(wù)參數(shù)配置、服務(wù)提供者的實(shí)物操作圖或視頻描述，用本章聚類算法對(duì)云服務(wù)進(jìn)行聚類。

表1 主成分分析總方差

聚類算法參數(shù)為：模糊指數(shù)m=2，模糊聚類數(shù)c=5，種群規(guī)模Num=50，外部檔案?jìng)€(gè)數(shù)Enum=10，交叉概率Pc=0.8，變異概率Pm=0.2，最大迭代次數(shù)tmax=150。聚類結(jié)果如圖4所示。圖中3個(gè)坐標(biāo)為主成分分析后選定的3個(gè)指標(biāo)，x1軸代表性能描述，x2軸代表參數(shù)配置，x3軸代表實(shí)物圖或視頻供應(yīng)。

從圖中看出基于GA的FCM精準(zhǔn)地將云服務(wù)集分為5個(gè)聚類，A類云服務(wù)聚類明顯，B與A或C類的交界處存在一些模糊狀態(tài)，分界線不明顯，一些點(diǎn)在聚類時(shí)出現(xiàn)偏差。總體上，面向云服務(wù)可信度評(píng)估的基于GA的FCM對(duì)云服務(wù)的聚類比較理想，滿足實(shí)驗(yàn)要求。

4 制造云服務(wù)組合賦權(quán)綜合評(píng)價(jià)

由于各指標(biāo)對(duì)云服務(wù)質(zhì)量的影響程度不同，從主觀和客觀的角度考慮，在“好”、“良好”集合中選擇云服務(wù)進(jìn)行評(píng)價(jià)，并按照評(píng)價(jià)分?jǐn)?shù)從高到低優(yōu)先推薦給使用者參考，從而確保與標(biāo)準(zhǔn)點(diǎn)互不支配的未被剔除的虛假云服務(wù)點(diǎn)不被選擇。建立如圖1所示的指標(biāo)層次分析結(jié)構(gòu)，通過(guò)層次分析法和熵值法分別計(jì)算指標(biāo)權(quán)重和組合權(quán)重，然后進(jìn)行綜合評(píng)價(jià)，得到各云服務(wù)的評(píng)價(jià)值。

為克服AHP層次分析法主觀性較強(qiáng)、不依賴數(shù)據(jù)，熵值法數(shù)據(jù)之間缺少橫向比較、過(guò)于依賴數(shù)據(jù)的缺點(diǎn)，本文將兩種方法結(jié)合，形成組合賦權(quán)評(píng)價(jià)法。按照層次分析結(jié)構(gòu)，對(duì)云服務(wù)評(píng)價(jià)指標(biāo)構(gòu)造一級(jí)指標(biāo)層判斷矩陣F和二級(jí)指標(biāo)層判斷矩陣GF1，GF2，GF3，完成矩陣一致性檢驗(yàn)(計(jì)算矩陣最大特征值λmax、一致性指標(biāo)CI、一致性比率CR)、層次單排序和層次總排序，確定每項(xiàng)指標(biāo)的權(quán)重αj，即主觀權(quán)重。AHP法的詳細(xì)流程請(qǐng)參見(jiàn)文獻(xiàn)[17]。熵值法中，經(jīng)過(guò)5個(gè)步驟計(jì)算云服務(wù)二級(jí)指標(biāo)層的5項(xiàng)指標(biāo)，即構(gòu)造判斷矩陣，進(jìn)行歸一化處理，計(jì)算每項(xiàng)指標(biāo)熵值ej、指標(biāo)差異系數(shù)εj和每項(xiàng)指標(biāo)熵值權(quán)重βj(即客觀權(quán)重)。具體流程請(qǐng)參考文獻(xiàn)[18]，AHP法與熵值法的綜合評(píng)價(jià)流程請(qǐng)參考文獻(xiàn)[19-23]。

上述兩種評(píng)估方法不同，得到的權(quán)重也不同，為了避免兩個(gè)權(quán)重之間差異較大，對(duì)所得權(quán)重進(jìn)行一致性檢驗(yàn)，公式為

(15)

式中d(αβ)為距離，表示兩種方法確定權(quán)重的一致性程度，當(dāng)0≤d(αβ)≤1時(shí)，賦權(quán)結(jié)果通過(guò)一致性檢驗(yàn)。

對(duì)一致性檢驗(yàn)后的權(quán)重進(jìn)行組合賦權(quán)，步驟如下：

j=1,2,…,M。

(16)

(2)為使得到的兩權(quán)重差異最小，以組合賦權(quán)法的權(quán)重與主客觀權(quán)重之間的誤差平方和最小為目標(biāo)：

(17)

wj=0.5αj+0.5βj。

(18)

(4)采用式(18)得到每個(gè)云服務(wù)的組合賦權(quán)權(quán)重，以此計(jì)算某個(gè)制造云服務(wù)的綜合評(píng)價(jià)值

(19)

5 基于可信度和綜合評(píng)價(jià)的制造云服務(wù)優(yōu)選

基于可信度和組合賦權(quán)綜合評(píng)價(jià)值的制造云服務(wù)優(yōu)選過(guò)程如下，優(yōu)選過(guò)程中設(shè)定可信度評(píng)價(jià)等級(jí)的優(yōu)先級(jí)別高于綜合評(píng)價(jià)值：

(1)當(dāng)云服務(wù)評(píng)價(jià)等級(jí)相同時(shí)，根據(jù)綜合評(píng)價(jià)值VCS的高低進(jìn)行優(yōu)選。

(2)當(dāng)云服務(wù)評(píng)價(jià)等級(jí)不同時(shí)分為兩類:①云服務(wù)i的評(píng)價(jià)等級(jí)優(yōu)于云服務(wù)j，且VCS,高于云服務(wù)j，則選擇云服務(wù)i；②云服務(wù)i的評(píng)價(jià)等級(jí)優(yōu)于云服務(wù)j，但VCS低于云服務(wù)j，若評(píng)價(jià)等級(jí)相鄰，且VCS在允許誤差δ(δ<10)范圍內(nèi)，則選擇云服務(wù)i，否則選擇云服務(wù)j；若評(píng)價(jià)等級(jí)相差至少兩個(gè)級(jí)別，則優(yōu)先選擇可信度級(jí)別高的云服務(wù)。

6 實(shí)驗(yàn)分析

某用戶采購(gòu)中大型挖掘機(jī)，希望推薦10個(gè)云服務(wù)優(yōu)選方案。通過(guò)網(wǎng)頁(yè)爬蟲(chóng)技術(shù)獲取“鐵臂商城”平臺(tái)上300個(gè)挖掘機(jī)云服務(wù)，爬取包括ID在內(nèi)的3 000條云服務(wù)信息，對(duì)得到的數(shù)據(jù)進(jìn)行量化處理。

6.1 虛假云服務(wù)識(shí)別

設(shè)超體積參考點(diǎn)R=[101,101,101,101,101]，每一云服務(wù)的評(píng)價(jià)指標(biāo)都對(duì)應(yīng)一個(gè)超體積值，設(shè)定最低標(biāo)準(zhǔn)值，計(jì)算最低標(biāo)準(zhǔn)值對(duì)應(yīng)的超體積值，作為超體積大小的衡量標(biāo)準(zhǔn)。如果云服務(wù)超體積大于最低標(biāo)準(zhǔn)值對(duì)應(yīng)的超體積差值，則判定該云服務(wù)為虛假云服務(wù)，反之判定為真。

表2 虛假云服務(wù)剔除結(jié)果

6.2 可信度評(píng)估

利用基于GA的FCM對(duì)剔除虛假云服務(wù)后含260個(gè)云服務(wù)數(shù)據(jù)的數(shù)據(jù)集進(jìn)行可信度等級(jí)評(píng)估,算法參數(shù)與3.4節(jié)一致。經(jīng)算法優(yōu)化后，可信度聚類中心為

上述矩陣從上到下分別對(duì)應(yīng)云服務(wù)可信度的5個(gè)等級(jí)A，B，C，D，E,如表3所示。

表3 可信度等級(jí)分類統(tǒng)計(jì)表

6.3 組合賦權(quán)綜合評(píng)價(jià)

建立一級(jí)指標(biāo)判斷矩陣及權(quán)重如表4所示。

表4 一級(jí)指標(biāo)判段矩陣及權(quán)重

由表可得λmax=3.038 5，一致性指標(biāo)CI=0.019 3，隨機(jī)一致性指標(biāo)RI=0.58，一致性比率CR=0.033 2<0.1，判斷矩陣符合一致性要求。

建立二級(jí)指標(biāo)判斷矩陣及權(quán)重，如表5～表7所示。

表5 服務(wù)完備性的二級(jí)指標(biāo)判段矩陣及權(quán)重

表6 可靠性的二級(jí)指標(biāo)判段矩陣及權(quán)重

表7 交互性的二級(jí)指標(biāo)判段矩陣及權(quán)重

由表可得λmax=4.138 7，CI=0.046 2，RI=0.90，CR=0.051 4<0.1，判斷矩陣符合一致性要求，是滿意一致性矩陣。

由表可得λmax=1.866 0，因?yàn)榕袛嗑仃嚍槎A矩陣，RI=0，所以判斷矩陣符合一致性要求，是滿意一致性矩陣。因?yàn)楸?數(shù)據(jù)與表6相同，所以也是滿意一致性矩陣。

通過(guò)層次總排序得AHP法各指標(biāo)的總權(quán)重，如表8所示。

表8 AHP法各指標(biāo)的總權(quán)重

利用熵值法求得5項(xiàng)指標(biāo)的熵權(quán)重，如表9所示。

表9 每項(xiàng)指標(biāo)熵值權(quán)重

采用式(15)對(duì)AHP法和熵值法得到的權(quán)重進(jìn)行一致性檢驗(yàn)，得d(uv)=0.551 4<1，權(quán)重通過(guò)一致性檢驗(yàn)。

由式(19)得各指標(biāo)的組合權(quán)重，如表10所示。

表10 每項(xiàng)指標(biāo)的組合權(quán)重

6.4 方案優(yōu)選

由于可信度等級(jí)為A的云服務(wù)有54個(gè)，不需要對(duì)其他等級(jí)云服務(wù)進(jìn)行賦權(quán)綜合評(píng)價(jià)，將A集合中的云服務(wù)推薦給用戶，對(duì)挖掘機(jī)云服務(wù)進(jìn)行組合賦權(quán)綜合評(píng)價(jià)，根據(jù)評(píng)價(jià)指標(biāo)選取綜合評(píng)價(jià)值前10個(gè)云服務(wù)作為用戶的優(yōu)先參考，其各項(xiàng)指標(biāo)如表11所示，基于可信度和綜合評(píng)價(jià)的結(jié)果如表12所示。

表11 選取的10個(gè)云服務(wù)指標(biāo)

表12 實(shí)驗(yàn)結(jié)果

按照第5章給出的基于可信度和綜合評(píng)價(jià)值的組合制造云服務(wù)優(yōu)選方案確定本實(shí)驗(yàn)推薦的優(yōu)秀云服務(wù)集合A，提供給用戶參考的優(yōu)先級(jí)較高的云服務(wù)按照挖掘機(jī)ID排序依次為ID7-ID8-ID1-ID5-ID4-ID2-ID10-ID9-ID3-ID6。

7 結(jié)束語(yǔ)

云制造服務(wù)模式的提出為全球制造業(yè)服務(wù)模式轉(zhuǎn)型奠定了堅(jiān)實(shí)的基礎(chǔ)，而且這種新的制造服務(wù)模式對(duì)改善我國(guó)制造業(yè)發(fā)展現(xiàn)狀、促進(jìn)制造業(yè)服務(wù)水平升級(jí)具有積極作用，可以很好地滿足我國(guó)目前制造業(yè)發(fā)展市場(chǎng)的需求。制造云服務(wù)的虛假識(shí)別和云服務(wù)推薦優(yōu)選研究是云制造服務(wù)模式發(fā)展中的關(guān)鍵技術(shù)之一，本文提出一種基于超體積的算法來(lái)識(shí)別和剔除虛假云服務(wù)，并根據(jù)可信度等級(jí)結(jié)合綜合評(píng)價(jià)值建立云服務(wù)優(yōu)化評(píng)估算法，對(duì)云服務(wù)進(jìn)行優(yōu)選。所提算法實(shí)現(xiàn)了虛假制造云服務(wù)識(shí)別和云服務(wù)最優(yōu)選擇，通過(guò)實(shí)例也驗(yàn)證了算法具有有效性和優(yōu)越性。