制造云服務(wù)組合中支持服務(wù)關(guān)聯(lián)的QoS感知評估模型

謝曉蘭，曾蘭英，翟青海

（1.桂林理工大學(xué)廣西嵌入式技術(shù)與智能系統(tǒng)重點實驗室，廣西 桂林 541004；2.桂林理工大學(xué)信息科學(xué)與工程學(xué)院，廣西 桂林 541004）

1 引言

隨著制造業(yè)的發(fā)展，傳統(tǒng)制造模式難以滿足客戶復(fù)雜多樣的需求，制造資源和制造能力未能有效利用，以至于不少制造企業(yè)面臨資源瓶頸和資源閑置問題[1]?；诖?，李伯虎院士提出了“云制造”的概念[2]，將制造云平臺作為云制造系統(tǒng)的中間媒介連接用戶和服務(wù)提供商，改變了制造資源和制造能力的流通方式。但由于制造規(guī)模擴張，單一的服務(wù)資源不能完成復(fù)雜的制造任務(wù)，因此需將制造云平臺中具有不同功能的制造資源服務(wù)以組合的方式形成隨需求即時變換的松耦合制造云服務(wù)應(yīng)用，從而滿足整個制造生命周期中的各個功能需求[3]。

服務(wù)質(zhì)量（QoS,quantity of service）作為衡量服務(wù)組合好壞的非功能需求指標，是制造云服務(wù)組合的重要篩選方式。在滿足功能需求的情況下，如何從海量功能相似但QoS 不同的制造云服務(wù)中挑選出較好的服務(wù)組合是首要問題[4]。通常采用建立QoS 評估模型并結(jié)合群體智能算法等優(yōu)選方式進行問題求解，得到最佳服務(wù)組合。

陳友玲等[5]建立了服務(wù)需求方和服務(wù)提供商的雙側(cè)約束，通過服務(wù)質(zhì)量計算模型對制造云服務(wù)組合進行綜合評估，并采用改進的i-NSGA-II-JG 算法進行求解。Lu 等[6]提出了一種利用分布式知識進行制造云服務(wù)能力評估和推薦的系統(tǒng)框架，并基于Web 的系統(tǒng)形式實現(xiàn)了該方案。Afshin 等[7]提出了一種基于Agent 的混合方式實現(xiàn)服務(wù)組合，通過識別QoS 參數(shù)和粒子群算法來選擇優(yōu)質(zhì)服務(wù)，提升了組合資源和等待時間方面的性能。Li 等[8-9]考慮了服務(wù)調(diào)用順序以及服務(wù)之間的時間關(guān)系，以資源服務(wù)鏈的方式對服務(wù)順序組合進行描述，并提出了資源服務(wù)鏈組成算法進行方案求解。

以上關(guān)于制造云服務(wù)組合的研究大部分都是在基于服務(wù)獨立、不存在任何依賴關(guān)系的前提下展開的，但在實際制造生產(chǎn)工作流程中，制造云服務(wù)之間或多或少存在各種關(guān)聯(lián)關(guān)系，如接口關(guān)聯(lián)（InC,interface correlation）、業(yè)務(wù)實體關(guān)聯(lián)（BuC,business-entity correlation）和統(tǒng)計關(guān)聯(lián)（StC,statistical correlation）等。若忽略實際制造過程中關(guān)聯(lián)關(guān)系對QoS 的影響，會過濾掉一些較好的服務(wù)組合方案。

有不少學(xué)者對服務(wù)關(guān)聯(lián)進行了探索。Tao 等[10]著重研究了2 個服務(wù)間的商業(yè)實體關(guān)聯(lián)關(guān)系，并闡述了相應(yīng)的QoS 描述模型。Lina[11-12]在分析服務(wù)間存在關(guān)聯(lián)的基礎(chǔ)上，研究了一種剔除冗余服務(wù)的服務(wù)選擇方法，提高了選擇效率。Xu 等[13]和田思思等[14]建立了基于關(guān)聯(lián)關(guān)系的云制造服務(wù)聚合模型（CMSA-CA,correlation aware cloud manufacturing service aggregation），并采用改進的離散蜂群算法（IDBA-Pareto,improved discrete bees algorithm based on Pareto）得到非劣服務(wù)組合解集。Liu 等[15]建立了含有3 種關(guān)聯(lián)的綜合QoS 相關(guān)性模型，并基于該模型應(yīng)用了基于案例庫的并行最大最小螞蟻系統(tǒng)（PMMAS-CL,parallel max-min ant system based on case library）算法求解。

以上研究對服務(wù)組合關(guān)聯(lián)的QoS 感知時效性未能有良好體現(xiàn)，因此本文在前人的基礎(chǔ)上進一步對業(yè)務(wù)實體關(guān)聯(lián)和統(tǒng)計關(guān)聯(lián)進行研究，提出了支持服務(wù)關(guān)聯(lián)的QoS 感知評估模型。在業(yè)務(wù)實體關(guān)聯(lián)中考慮了服務(wù)提供商的合作時長，有效區(qū)分企業(yè)合作的好壞。在統(tǒng)計關(guān)聯(lián)中充分挖掘服務(wù)組合歷史記錄信息，利用“分時有效”的思想預(yù)測得到當前時間的QoS，并結(jié)合關(guān)聯(lián)規(guī)則評估中相關(guān)性度量參數(shù)KULC（kulczynski）和不平衡因子（IR,imbalance ratio）[16]形成動態(tài)變化量以保證統(tǒng)計關(guān)聯(lián)的時效性。最后建立了多目標優(yōu)化模型，使用含有關(guān)聯(lián)分析的NSGAII（non-dominated sorting genetic algorithm II）進行求解，篩選出了制造云環(huán)境下較優(yōu)質(zhì)的服務(wù)組合解集。本文的主要工作和貢獻如下。

1) 主要分析了業(yè)務(wù)實體關(guān)聯(lián)和統(tǒng)計關(guān)聯(lián)，并提出了相應(yīng)的服務(wù)描述模型和計算方式。將企業(yè)合作時間引入業(yè)務(wù)實體關(guān)聯(lián)中區(qū)分合作優(yōu)劣；在統(tǒng)計關(guān)聯(lián)中，利用關(guān)聯(lián)規(guī)則相關(guān)性度量參數(shù)KULC 和IR評估服務(wù)組合的關(guān)聯(lián)強度，并結(jié)合時間衰減函數(shù)得到的QoS 預(yù)測值動態(tài)調(diào)整統(tǒng)計關(guān)聯(lián)的QoS 變化量，使服務(wù)組合QoS 更能貼合實際制造環(huán)境。

2) 建立了支持服務(wù)關(guān)聯(lián)的QoS 感知評估模型，并利用基于Pareto 最優(yōu)解的NSGAII 多目標優(yōu)化算法進行問題求解。將服務(wù)關(guān)聯(lián)分析引入算法中，通過全局約束進行尋優(yōu)限制，得到非劣服務(wù)組合解集，有助于服務(wù)需求方做出更合理的決策。

2 問題描述與模型介紹

2.1 制造云服務(wù)組合流程

在給出定義之前，對所涉及的部分符號表示及含義進行說明，如表1 所示。

表1 符號表示與含義

圖1 制造云服務(wù)組合流程

以摩托車生產(chǎn)裝配過程這一實際應(yīng)用場景為例，如圖1 所示，用戶提出裝配任務(wù)后，首先對服務(wù)組合進行設(shè)計，將制造任務(wù)（MT,manufacturing task）分解成6 個制造子任務(wù)（MST,manufacturing subtask），分別是車架生產(chǎn)MST1、發(fā)動機生產(chǎn)MST2、零部件生產(chǎn)MST3、摩托車裝配MST4、產(chǎn)品檢測MST5、摩托車包裝MST6。然后對制造子任務(wù)的功能和流程進行分析，形成抽象的服務(wù)組合執(zhí)行路徑。在服務(wù)組合部署階段，分別按照每個子任務(wù)的功能需求在制造云平臺中對服務(wù)進行搜索與匹配形成候選服務(wù)集（如MCS1、MCS2等），并通過QoS 評估模型從候選服務(wù)集中選出對應(yīng)的單個制造云服務(wù)（MCS,manufacturing cloud service）形成多種組合方案。最后從中選擇優(yōu)質(zhì)的服務(wù)組合即為最終服務(wù)組合執(zhí)行路徑。

2.2 制造云服務(wù)描述模型

在制造云平臺中，首先根據(jù)服務(wù)提供商所提供的服務(wù)進行基本信息描述完成云服務(wù)的注冊建模，發(fā)布到云服務(wù)資源池中供用戶使用?；诜?wù)的網(wǎng)絡(luò)本體語言（OWL-S,ontology Web language for service）對制造云服務(wù)的語義描述提供了良好的支持，不少學(xué)者在此基礎(chǔ)上對其進行了形式化描述。本文引入了文獻[17-18]中含有關(guān)聯(lián)關(guān)系的形式化描述方式，將制造云服務(wù)MCS 建模為一個六元組，如式(1)所示。

其中，MCSbasic為制造云服務(wù)的基本信息，如名稱、參數(shù)等；MCScategory為制造云服務(wù)類別，如制造資源、制造能力和制造知識；MCSstatus為制造云服務(wù)的狀態(tài)信息，如空閑、未滿負荷、滿負荷和超負荷等；MCSfunction為制造云服務(wù)的功能描述，如輸入、輸出等；MCSQoS為制造云服務(wù)的服務(wù)質(zhì)量QoS，是選擇選擇服務(wù)并評估服務(wù)組合好壞的標準；MCScorrelation為制造云服務(wù)間的關(guān)聯(lián)關(guān)系，如接口關(guān)聯(lián)、業(yè)務(wù)實體關(guān)聯(lián)和統(tǒng)計關(guān)聯(lián)等。

3 制造云服務(wù)關(guān)聯(lián)模型

制造云服務(wù)描述模型中 MCScorrelation包含接口關(guān)聯(lián)、業(yè)務(wù)實體關(guān)聯(lián)和統(tǒng)計關(guān)聯(lián)3 種服務(wù)關(guān)聯(lián)關(guān)系，下面將給出相應(yīng)的定義、描述模型和QoS 計算方式。

3.1 服務(wù)關(guān)聯(lián)關(guān)系

3.1.1 接口關(guān)聯(lián)

定義1接口關(guān)聯(lián)。在制造云服務(wù)組合過程中，MCSi為MCSj的前驅(qū)服務(wù)，MCSj為MCSi的后繼服務(wù)。MCSi的輸出與MCSj的輸入之間的數(shù)據(jù)邏輯關(guān)系即為接口關(guān)聯(lián)。制造云服務(wù)的接口關(guān)聯(lián)可以用式(2)描述。

其中，Outi是MCSi的輸出，Inj是MCSj的輸入。接口關(guān)聯(lián)關(guān)系可分為5 類，在式(2)中從上至下依次為等價匹配、完全匹配、部分匹配、交叉匹配、無關(guān)聯(lián)匹配。在摩托車生產(chǎn)裝配流程中，假設(shè)車架生產(chǎn)采用的服務(wù)為MCS1，摩托車裝配選擇服務(wù)為MCS10，則可以表示為

由于車架生產(chǎn)的輸出是摩托車裝配輸入中的一部分，即為部分匹配。在接口關(guān)聯(lián)中MCSi的QoS各屬性的計算式可表示為

其中，Sim(i,j)表示MCSi和MCSj的接口關(guān)聯(lián)度，即輸入輸出的語義相似度，一般從概念、屬性和屬性值3個維度進行度量；isCor 表示MCSi與MCSj之間是否存在接口關(guān)聯(lián)，其值為0（表示不存在）或1（表示存在）。

3.1.2 業(yè)務(wù)實體關(guān)聯(lián)

定義2業(yè)務(wù)實體關(guān)聯(lián)。在制造云服務(wù)平臺中，不同云服務(wù)提供商之間的企業(yè)利益關(guān)系，即合作或競爭。業(yè)務(wù)實體關(guān)聯(lián)一般用四元組進行表示，如式(4)所示。

其中，δ表示MCSj與MCSi之間是否存在業(yè)務(wù)實體關(guān)聯(lián)關(guān)系，其值為0 或1。

3.1.3 統(tǒng)計關(guān)聯(lián)

定義3統(tǒng)計關(guān)聯(lián)。制造云平臺中，2 個或多個云服務(wù)經(jīng)常被綁定應(yīng)用于同一服務(wù)組合中執(zhí)行某一制造任務(wù)。統(tǒng)計關(guān)聯(lián)常用三元組進行表示，如式(6)所示。

其中，γ為MCSi與MCSj歷史合作執(zhí)行成功次數(shù)；E為MCSi與MCSj歷史合作總次數(shù)，包含了任務(wù)執(zhí)行失敗情況。式(7)即為服務(wù)組合被綁定執(zhí)行效果好壞的評價標準。

統(tǒng)計關(guān)聯(lián)主要影響制造云服務(wù)QoS 中時間、信譽度、可用性和可靠性4 個屬性值[17-18]，其MCSi的QoS 屬性計算式可表示為

其中，λ表示MCSi與MCSj是否存在統(tǒng)計關(guān)聯(lián)關(guān)系，其值為0 或1。

式(3)、式(5)和式(8)可將服務(wù)之間的關(guān)聯(lián)關(guān)系直接作用于QoS，通過建立基本的QoS 評估模型對服務(wù)進行選擇。

3.2 基本QoS 評估模型

本文主要將QoS 中時間（Time）、成本（Cost）、信譽度（Reputation）、可用性（Availability）、可靠性（Reliability）這5 個屬性作為QoS 評估指標，單個制造云服務(wù)QoS 可形式化表示為

制造云服務(wù)組合的抽象工作流中包含了一種或多種邏輯控制結(jié)構(gòu)，如順序結(jié)構(gòu)、并行結(jié)構(gòu)、選擇結(jié)構(gòu)和循環(huán)結(jié)構(gòu)。不同邏輯控制結(jié)構(gòu)的計算方式也有所不同，一般計算服務(wù)組合的QoS 會將非順序結(jié)構(gòu)轉(zhuǎn)換為順序結(jié)構(gòu)進行計算。本文只討論順序結(jié)構(gòu)，服務(wù)組合的QoS 各屬性可通過單個服務(wù)QoS 累加、累乘或求平均的方式計算得到，如式(12)所示。

其中，Q1～Q5分別表示服務(wù)組合QoS 中時間、成本、信譽度、可用性、可靠性5 個屬性，n表示服務(wù)組合中含單個服務(wù)的數(shù)量。綜合考慮以上屬性，則某一制造任務(wù)的服務(wù)組合 QoS 綜合評估值Q(MCSC)的計算式為

其中，wi為第i個QoS 屬性的權(quán)重，一般是服務(wù)需求方設(shè)置，反映各屬性的優(yōu)先順序；Qi(MCSC)為服務(wù)組合第i個屬性值。

4 支持服務(wù)關(guān)聯(lián)的QoS 感知模型與求解

4.1 支持服務(wù)關(guān)聯(lián)的QoS 感知模型

本文根據(jù)制造云服務(wù)的特點改進了服務(wù)組合關(guān)聯(lián)模型中業(yè)務(wù)實體關(guān)聯(lián)和統(tǒng)計關(guān)聯(lián)，考慮了企業(yè)合作時長和歷史服務(wù)組合情況，提出了合作時間因子和基于預(yù)測的QoS 變化量，在保證滿足制造任務(wù)的同時，最大化服務(wù)組合QoS 水平，提升服務(wù)組合的時效性。

4.1.1 合作時間因子

制造云平臺中云服務(wù)提供商往往會建立合作關(guān)系以達到共贏目的。建立長期的合作關(guān)系，不僅可以充分利用雙方資源，還能更快、更好地實現(xiàn)制造企業(yè)降低成本、縮短產(chǎn)品生產(chǎn)周期等戰(zhàn)略目標。合作時間越長，企業(yè)之間工作接洽越協(xié)調(diào)，合作效果越好；反之，合作時間越短，越容易出現(xiàn)一些合作問題與風(fēng)險。

介于上述情況，本文從制造云服務(wù)描述模型中提取出提供商之間合作時間，并對合作時間進行歸一化處理形成時間因子融入業(yè)務(wù)實體關(guān)聯(lián)模型中，即將業(yè)務(wù)實體關(guān)聯(lián)中MCSi的QoS 屬性計算式(5)調(diào)整為

同時，將業(yè)務(wù)關(guān)聯(lián)中合作關(guān)系、無關(guān)系、競爭關(guān)系量化表示2、1、0.5 分別調(diào)整為1、0、?1，使競爭關(guān)系差量增大，即增加了競爭關(guān)系的懲罰。

4.1.2 基于預(yù)測的QoS 變化量

在統(tǒng)計關(guān)聯(lián)中，之前的研究簡單地通過服務(wù)組合執(zhí)行制造任務(wù)的成功次數(shù)與總執(zhí)行次數(shù)的比例來衡量統(tǒng)計關(guān)聯(lián)的好壞，忽略了2 個服務(wù)形成的關(guān)聯(lián)規(guī)則的影響。此外，統(tǒng)計關(guān)聯(lián)中QoS 變化量常為人工隨機賦值且固定不變，缺乏客觀實際性和動態(tài)性，難以發(fā)現(xiàn)2 個服務(wù)在近一段時間內(nèi)組合執(zhí)行制造任務(wù)的效果。針對上述問題，本文考慮了時間因素并結(jié)合相關(guān)性度量參數(shù)KULC 和IR 動態(tài)生成統(tǒng)計關(guān)聯(lián)的QoS 變化量。在式(6)的基礎(chǔ)上調(diào)整了統(tǒng)計關(guān)聯(lián)的描述模型，如式(15)所示。

將KULC 和IR 相結(jié)合作為2 個服務(wù)之間關(guān)聯(lián)規(guī)則的評估指標，是對關(guān)聯(lián)強度的良好度量方式[16]。KULC 表示MCSi和MCSj的相關(guān)性，當KULC≥0.7時，即MCSi的出現(xiàn)促進了MCSj的出現(xiàn)，稱為正相關(guān)；當KULC≤0.3 時，稱為負相關(guān)。KULC 對雙向置信度做了一個良好的平均，有效避免了由于歷史記錄數(shù)據(jù)的數(shù)值大小對關(guān)聯(lián)規(guī)則可靠性造成的影響。IR 度量了雙向關(guān)聯(lián)規(guī)則是否平衡，若IR 越接近0，則表明MCSi和MCSj之間的關(guān)聯(lián)規(guī)則越平衡，對于雙方出現(xiàn)的可能性相同。一般IR≤0.3 為平衡，IR≥0.6 為不平衡。

為了保證制造云服務(wù)的QoS 能夠更加貼合實際服務(wù)質(zhì)量信息，受文獻[19]的啟發(fā)，在基于服務(wù)組合歷史記錄進行QoS 值預(yù)測時，采用了“分時有效”的思想，根據(jù)歷史記錄的時間信息對QoS 進行加權(quán)計算，距離越近權(quán)重越大，即越可靠，距離越遠權(quán)重越小，即可靠性越差。這樣預(yù)測得到的QoS更具時效性，也更能反映出近階段2 個云服務(wù)組合執(zhí)行制造任務(wù)時的服務(wù)質(zhì)量狀態(tài)。的具體計算過程如下。

首先，利用時間衰減函數(shù)計算MCSi和MCSj每條歷史組合記錄信息的時間系數(shù)β，即歷史記錄的參考程度。假設(shè)有m個時間，每一個時間的時間系數(shù)的計算式為

其中，L表示距離最近的時間的權(quán)重，F(xiàn)表示距離最遠的時間的權(quán)重，?表示權(quán)重增長率，T表示最大權(quán)重所處的時間段。

然后，將時間系數(shù)β進行歸一化處理，使MCSi和MCSj歷史組合記錄的時間權(quán)重之和為1。最后，加權(quán)融合得到QoS 預(yù)測值。

針對所提出的統(tǒng)計關(guān)聯(lián)描述模型，其對應(yīng)MCSi的QoS 屬性計算式為

服務(wù)組合歷史記錄信息在不同時間內(nèi)含有的記錄個數(shù)不同，并且相同服務(wù)組合在不同時間的執(zhí)行效果不一，則QoS 預(yù)測值以及KULC 和IR 會隨時間波動，從而使云服務(wù)QoS 變化量動態(tài)調(diào)整。這樣不僅能保證統(tǒng)計關(guān)聯(lián)的時效性，還可以對制造云服務(wù)統(tǒng)計關(guān)聯(lián)有良好的區(qū)分。

4.2 模型求解

QoS 屬性中有增量和減量2 種類型，如成本、時間，其值越小，表示服務(wù)質(zhì)量越好；再如可靠性、可用性和信譽度，其值越大，表示服務(wù)質(zhì)量越好。因此，在計算服務(wù)組合加權(quán)QoS 前，需要對QoS屬性進行無量綱化處理，如式(20)和式(21)所示。

制造云服務(wù)組合本質(zhì)上是由一系列候選云服務(wù)按照制造工藝流程構(gòu)成的執(zhí)行路徑。在基于QoS對制造云服務(wù)組合優(yōu)選時，需要平衡QoS 中如時間、成本等不同屬性之間的性能。目前，大部分研究采用線性加權(quán)等方式將多目標轉(zhuǎn)換為單目標進行求解，所得到的解較單一，不能有效解決多個子目標帶來的沖突，并且權(quán)重依賴過大，主觀性過強。

因此，本文將采用基于Pareto 最優(yōu)的多目標優(yōu)化對服務(wù)組合問題建模，將制造時間、制造成本作為2 個子目標進行求解，模型如式(22)和式(23)所示。

其中，式(22)為需要優(yōu)化的目標函數(shù)，本文將時間和成本作為制造云服務(wù)組合中的主要沖突目標，盡可能使制造時間和制造成本最小化；式(23)為全局約束，制造云服務(wù)組合的時間和成本不能高于服務(wù)需求方制定的最大可接受值，信譽度、可用性和可靠性不能低于服務(wù)需求方的最低期望值。

本文采用了多目標優(yōu)化中經(jīng)典的NSGAII[20]對所建模型求解。其算法的主要思想如下。一個解集中由于需要同時優(yōu)化多個目標函數(shù)值，則無法保證每個目標函數(shù)都能取得最優(yōu)解，使某些解之間目標沖突，導(dǎo)致無法進行比較，對此可利用非支配排序的方式。首先，對解集中的解進行兩兩比較，若不存在任何一個解優(yōu)于解xi，則xi為非支配解即Pareto 解，找出所有Pareto 解為第一級非支配層，將剩余支配解按照上述流程找出新的Pareto 解為下一級非支配層。如此循環(huán)，將解集進行分層，得到每個解的層級即Rank，使每一層內(nèi)的解均為Pareto解。同時，計算每個解的擁擠度D，即衡量解集多樣性指標，通過Rank 和D區(qū)分解的優(yōu)劣情況。最后結(jié)合遺傳操作和精英選擇策略，經(jīng)過不斷迭代后，篩選出Pareto 最優(yōu)解集即非劣服務(wù)組合解集。

一個服務(wù)組合就是一個解也稱為個體，n個個體的集合即為一個種群。在NSGAII 中，個體采用實數(shù)編碼，其編碼位置的數(shù)值為對應(yīng)子任務(wù)選擇的服務(wù)編號，如服務(wù)組合[2,11,20,32,40]即第一個子任務(wù)選擇2 號制造云服務(wù)依次類推。將關(guān)聯(lián)分析流程引入NSGAII 中，對種群中每個個體進行3 種關(guān)聯(lián)關(guān)系分析，并返回個體的各個目標函數(shù)值，最后擇優(yōu)選擇，具體流程如圖2 所示。

圖2 服務(wù)關(guān)聯(lián)分析流程

具體算法流程介紹如下。

步驟1隨機生成規(guī)模為n的初始化種群Pt，對種群進行關(guān)聯(lián)分析，返回目標函數(shù)值。

步驟2對種群Pt進行非支配排序，形成非支配集Z，并初始化每個個體的Rank 值。

步驟3進行遺傳操作（選擇、交叉、變異），產(chǎn)生第一代子代種群Qt。

步驟4合并種群Pt和Qt，形成組合種群Rt=Pt+Qt。

步驟5對Rt進行快速非支配排序，計算出每個支配層的個體擁擠度，結(jié)合精英選擇策略選出n個個體形成性的父代種群Pt+1。

步驟6滿足最大迭代次數(shù)，得到Pareto 最優(yōu)解集合；反之，返回步驟2。

5 實驗與結(jié)果分析

本節(jié)通過算例實驗以及與文獻[15]的對比分析，驗證本文所提模型的可行性和有效性，并以服務(wù)組合排名和QoS 變化情況說明引入合作時間因子和采用基于預(yù)測的QoS 變化量對服務(wù)組合選擇的時效性影響。

5.1 實驗設(shè)計

假設(shè)制造云平臺中有15 個服務(wù)提供商，每個服務(wù)提供商有3 種不同類型的制造云服務(wù)，共45個制造云服務(wù)?，F(xiàn)有一制造任務(wù)被分解為由5 個子任務(wù)串聯(lián)組成的業(yè)務(wù)流程，如圖3 所示，每個子任務(wù)有3 個服務(wù)提供商可提供相應(yīng)需求的制造云服務(wù)，即每個子任務(wù)有9 個候選云服務(wù)。

圖3 制造子任務(wù)流程

1) 實驗數(shù)據(jù)

按照傳統(tǒng)制造業(yè)企業(yè)的典型運作方式，本文將制造工作流程簡化為設(shè)計、采購、生產(chǎn)、質(zhì)檢、配送，并分別對應(yīng)上述劃分的5 個子任務(wù)。為保證實驗數(shù)據(jù)的科學(xué)性、推測性和一般性，參考了前人實驗數(shù)據(jù)設(shè)定并結(jié)合制造流程中各子任務(wù)制造時間和制造成本的不同，按照如表2 所示的不同數(shù)值范圍隨機生成了候選服務(wù)的QoS。

表2 制造云服務(wù)QoS 取值范圍

在接口關(guān)聯(lián)關(guān)系中，相似度Sim 的取值范圍為[0.7,1]。在業(yè)務(wù)實體關(guān)聯(lián)關(guān)系中，隨機選擇一定比例的服務(wù)提供商形成合作或競爭關(guān)系，并隨機生成數(shù)值范圍為[1,10]的合作時間。通過多次模擬實驗，生成1 000 條歷史服務(wù)組合記錄。

2) 實驗參數(shù)設(shè)置

3 種關(guān)聯(lián)關(guān)系權(quán)重ω分別為[0.2,0.4,0.4]；關(guān)聯(lián)規(guī)則選取中支持度為所有支持度的均值，置信度為所有置信度的均值；NSGAII 中交叉率為0.9，變異率為0.3。

3) 實驗方案

為檢驗所提服務(wù)關(guān)聯(lián)QoS 感知模型的可行性和有效性以及關(guān)聯(lián)關(guān)系中關(guān)聯(lián)比例和歷史記錄的影響，基于表3 中的制造需求參數(shù)，本文設(shè)計了3 組實驗，每組實驗將分別獨立運行30 次并取平均結(jié)果進行對比。

表3 制造需求參數(shù)設(shè)置

5.2 服務(wù)關(guān)聯(lián)QoS 感知模型的驗證（實驗1）

指定業(yè)務(wù)實體關(guān)聯(lián)比例為20%，當前時間為2020 年8 月1 日，分別按照迭代次數(shù)為200、400、600、800 開展實驗。

如圖4 和圖5 所示，以時間和成本作為服務(wù)組合的關(guān)鍵性能指標，含關(guān)聯(lián)分析的服務(wù)組合平均時間和成本均小于不含關(guān)聯(lián)分析的情況。從時間上看，含關(guān)聯(lián)分析的服務(wù)組合平均時間約為22～23 天，不含關(guān)聯(lián)分析的服務(wù)組合平均時間約為26～27 天，相差約為4 天；從成本上看，含關(guān)聯(lián)分析的服務(wù)組合平均成本約為117～119 萬元，不含關(guān)聯(lián)分析的服務(wù)組合平均成本約為123～124 萬元，相差約6 萬元?？梢?，服務(wù)關(guān)聯(lián)降低了制造成本、縮短了制造時間，為服務(wù)需求方帶來效率和收益上的提升。

圖4 不含關(guān)聯(lián)分析與含關(guān)聯(lián)分析的時間對比

圖5 不含關(guān)聯(lián)分析與含關(guān)聯(lián)分析的成本對比

為了體現(xiàn)本文所提模型對制造云服務(wù)組合評估的顯著效果，使用不含關(guān)聯(lián)分析方法和文獻[15]中含關(guān)聯(lián)的QoS 模型與本文所提模型進行對比實驗。

假設(shè)服務(wù)需求方設(shè)置的QoS 屬性權(quán)重wi分別為[0.3,0.3,0.2,0.2,0.2]，在隨機生成的模擬數(shù)據(jù)上，直接采用式(12)計算QoS 各屬性值，再使用式(13)計算得到不含關(guān)聯(lián)分析時服務(wù)組合的加權(quán)QoS1。并將不含關(guān)聯(lián)分析的服務(wù)組合集合進行非支配排序，取排名前10 的服務(wù)組合（如表4 所示）作為對比驗證的服務(wù)組合方案。再以文獻[15]的計算方式得到加權(quán)QoS2；按照圖2 中關(guān)聯(lián)分析流程求解得到加權(quán)QoS3。最終3 種方式計算得到的加權(quán)QoS 對比分析如圖6 所示，并呈現(xiàn)如表5 所示的變化。

表4 服務(wù)組合編號及方案

如圖6 所示，對于相同的服務(wù)組合而言，經(jīng)過關(guān)聯(lián)分析后服務(wù)組合的加權(quán)QoS 都呈現(xiàn)大幅度變化，含服務(wù)關(guān)聯(lián)分析的加權(quán)QoS 明顯大于不含關(guān)聯(lián)分析的加權(quán)QoS。本文關(guān)聯(lián)分析的平均加權(quán)QoS 為0.505，大于文獻[15]的平均加權(quán)QoS（為0.496），表明本文所提服務(wù)關(guān)聯(lián)QoS 感知模型有更好的性能。

圖6 加權(quán)QoS 對比分析

表5 服務(wù)組合加權(quán)QoS 的排名變化

在此基礎(chǔ)上，分別以加權(quán)QoS 對服務(wù)組合進行排名。從表5 可以看出，采用不同的關(guān)聯(lián)分析模型對不含關(guān)聯(lián)分析的服務(wù)組合排名的變化不同。

例如，編號3 的服務(wù)組合不含關(guān)聯(lián)分析時QoS1為[29.62,109.95,0.84,0.29,0.23]；利用文獻[15]方法時QoS2為[26.38,106.5,0.83,0.37,0.39]，排名為8，下降5 名；采用本文方法時QoS3為[25.76,106.8,0.88,0.41,0.45]，排名為5，下降2 名。從整體上看，相較于QoS1而言，QoS2中屬性平均增幅為總體平均增幅的0.77；QoS3中屬性平均增幅為總體平均增幅的0.91。通過查證服務(wù)關(guān)聯(lián)模型可以發(fā)現(xiàn)，業(yè)務(wù)實體關(guān)聯(lián)中存在2 個合作時間分別為3 年和4 年的合作關(guān)系；統(tǒng)計關(guān)聯(lián)中存在8 種常出現(xiàn)的組合，其對應(yīng)關(guān)聯(lián)規(guī)則的KULC 和IR 分別為0.79 和0.23，即較平衡的正相關(guān)，并且近2 個月各組合QoS 屬性均有輕微的上升趨勢。文獻[15]中并未考慮服務(wù)組合關(guān)聯(lián)規(guī)則強度和歷史表現(xiàn)的影響，從而對編號3的QoS 屬性優(yōu)化程度相較于本文方法偏低，使排名下降更多，容易丟失存在關(guān)聯(lián)較強的服務(wù)組合。

編號6 的服務(wù)組合不含關(guān)聯(lián)分析時QoS1為[27.13,119.08,0.82,0.21,0.31]；利用文獻[15]方法時QoS2為[24.1,115.23,0.86,0.38,0.45]，排名上升3 名；采用本文方法時QoS3為[23.38,115.55,0.87,0.38,0.48]，排名不變。從整體上看，相較于QoS1而言，QoS2中屬性平均增幅為總體平均增幅的1.17，從而排名上升；QoS3中屬性平均增幅為總體平均增幅的0.97，排名不變。根據(jù)描述模型中的關(guān)聯(lián)關(guān)系發(fā)現(xiàn)，編號6 的服務(wù)組合的業(yè)務(wù)實體關(guān)聯(lián)中存在3 個合作時間分別為1 年、2 年、5 年的合作關(guān)系；統(tǒng)計關(guān)聯(lián)中存在8 種常出現(xiàn)的組合，其中組合(c1_s1,c14_s1)、(c1_s1,c9_s1)和(c10_s1,c14_s1)的描述模型中KULC＜0.5 和IR＞0.7 呈負向、不平衡關(guān)聯(lián)，即關(guān)聯(lián)組合強度弱，在加權(quán)QoS3總體呈上升的情況下，使該組合排名靠后，從而避免選擇含較差關(guān)聯(lián)規(guī)則的服務(wù)組合。

由此可見，接口關(guān)聯(lián)、業(yè)務(wù)實體關(guān)聯(lián)和統(tǒng)計關(guān)聯(lián)在服務(wù)組合中QoS 的直接作用對單個服務(wù)選擇和服務(wù)組合的選取都有較大影響。通過對比，體現(xiàn)了本文所提支持服務(wù)關(guān)聯(lián)的QoS 感知評估模型的可行性和有效性。

5.3 業(yè)務(wù)實體關(guān)聯(lián)中關(guān)聯(lián)比與合作時間的影響（實驗2）

為檢驗業(yè)務(wù)實體關(guān)聯(lián)中關(guān)聯(lián)比對制造云服務(wù)組合加權(quán)QoS 的影響，在當前時間為2020 年8 月1 日的條件下，分別對關(guān)聯(lián)比例為20%、40%、60%、80%進行600 次迭代，發(fā)現(xiàn)得到Pareto 解的平均個數(shù)呈現(xiàn)如圖7 所示的趨勢。

圖7 不同關(guān)聯(lián)比例下的Pareto 解的個數(shù)

從圖7 中可以看出，隨業(yè)務(wù)實體關(guān)聯(lián)比例的變大，Pareto 解的平均個數(shù)逐漸增加。主要原因在于，關(guān)聯(lián)比例的上升使?jié)M足約束條件的服務(wù)組合個數(shù)增多，即可行解的數(shù)量變多，從而使實驗所得到Pareto 解的個數(shù)增加。

針對業(yè)務(wù)實體關(guān)聯(lián)模型中合作時間對服務(wù)組合選擇的影響，在實驗1 的基礎(chǔ)上進一步探討。如圖8 所示，由于合作時間形成的時間因子作用，含合作時間的加權(quán)QoS 相較于不含合作時間的加權(quán)QoS 都有不同幅度的增長。以服務(wù)組合各QoS 屬性的均值來看，從不含合作時間的[24.23,114.27,0.86,0.41,0.42]優(yōu)化為含合作時間的[23.72,113.26,0.87,0.44,0.46]，各個屬性值都得到提升。

圖8 不含合作時間與含合作時間的加權(quán)QoS

將2 種方案的加權(quán)QoS 進行排名，如表6 所示。從表6 中可以看出，編號5、7、8 的服務(wù)組合在業(yè)務(wù)實體關(guān)聯(lián)模型中在不含合作時間和含合作時間的2 種情況下排名增幅發(fā)生了變化。

表6 不含合作時間與含合作時間的排名變化

根據(jù)各個服務(wù)的業(yè)務(wù)實體關(guān)聯(lián)描述模型發(fā)現(xiàn)編號為8的組合方案包含2個4年的合作關(guān)系(c6_s1,c14_s3)、(c6_s1,c10_s1)和一個6 年的合作關(guān)系(c9_s2,c14_s3)。在不考慮合作時間時編號為8 的服務(wù)組合排名為第9 名，當引入合作時間后上升到第6名。由于合作時間較長，因此該方案服務(wù)提供商之間合作效率和成本具有更大優(yōu)勢?？梢?，含合作時間的業(yè)務(wù)實體關(guān)聯(lián)模型能夠有效地為服務(wù)需求方識別出合作時間相對較長、合作效果更好的服務(wù)組合，表明了在業(yè)務(wù)實體關(guān)聯(lián)模型中引入合作時間的可行性。

5.4 統(tǒng)計關(guān)聯(lián)中不同時間的影響（實驗3）

為驗證本文在統(tǒng)計關(guān)聯(lián)中利用服務(wù)組合歷史記錄信息動態(tài)調(diào)整QoS 變化量的有效性，將在不同時間（2020 年6 月1 日、2020 年7 月1 日和2020 年8 月1 日）進行服務(wù)組合尋優(yōu)，并對所有時間得到Pareto 解集合并去重，再次進行非支配排序，可以防止Pareto 解集的隨機性，使某一時間未能找到某個Pareto 解所導(dǎo)致的結(jié)果不一致現(xiàn)象。表7 為各個時間得到的Pareto 解集。

如表7 所示，不同時間段得到加權(quán)QoS 排名前10 的服務(wù)組合解集相似，但由于個別服務(wù)組合加權(quán)QoS 不同，使排名有一定的變化。例如，服務(wù)組合(c1_s2,c4_s3,c9_s1,c11_s2,c13_s2)在6 月1 日時加權(quán)QoS 為0.542，排名第4，查證歷史組合記錄發(fā)現(xiàn)，6 月期間組合(c1_s2,c4_s3)和(c1_s2,c9_s1)綁定執(zhí)行時QoS 呈下降趨勢。(c1_s2,c4_s3)中c1_s2 的QoS 從[1.5,0.85,0.88,0.91]至[1.59,0.84,0.88,0.88]，c4_s3 的QoS 從[8.36,0.95,0.84,0.63]至[8.37,0.93,0.76,0.63]；(c1_s2,c9_s1)中c1_s2 的QoS 從[1.71,0.85,0.85,0.93]至[1.74,0.85,0.82,0.92]，c9_s1 的QoS 從[4.95,0.87,0.73,0.93]至[5.06,0.76,0.6,0.90]。其中第一個值為時間，越小越好，其余值為信譽度、可用性和可靠性，越大越好。由此可以看出，在6 月這2 種組合的執(zhí)行效果欠佳，并且組合(c1_s2,c13_s2)和(c10_s1,c13_s2)的KULC 分別從0.87、0.89 下降至0.85、0.84，即組合關(guān)聯(lián)性減弱，總體效果變差，從而使(c1_s2,c4_s3,c9_s1,c11_s2,c13_s2)組合方案在7 月1 日時加權(quán)QoS 變小為0.538，排名下降到第5 名。

此外，7 月期間組合(c4_s3,c9_s2)、(c9_s2,c12_s1)和(c12_s1,c14_s3)綁定頻次增多且執(zhí)行效果較好：(c4_s3,c9_s2)綁定執(zhí)行次數(shù)增加3 次，且服務(wù)QoS 中時間的均值相較于6 月分別從8.84、6.87減少至8.25、6.01；(c9_s2,c12_s1)綁定執(zhí)行次數(shù)增加2 次，且服務(wù)對應(yīng)QoS 中時間的均值相較于6 月分別從6.75、5.92 下降至6.70、5.83；(c12_s1,c14_s3)綁定執(zhí)行次數(shù)增加1 次，且該服務(wù)QoS 在4 個屬性上都有提升。c12_s1 從[5.98,0.72,0.48,0.73]優(yōu)化至[5.52,0.74,0.49,0.81]；c14_s3 從[4.05,0.8,0.95,0.69]優(yōu)化至[3.51,0.75,0.96,0.74]。從而在8 月1 日時出現(xiàn)了新的優(yōu)質(zhì)服務(wù)組合(c1_s1,c4_s3,c9_s2,c12_s1,c14_s3)。

由此可見，利用本文所提統(tǒng)計關(guān)聯(lián)模型可以有效地識別出近期執(zhí)行較好的服務(wù)組合，通過動態(tài)調(diào)整QoS 變化量，使最終得到的服務(wù)組合方案時效性更強，更符合實際。

6 結(jié)束語

制造業(yè)生產(chǎn)過程復(fù)雜多變，服務(wù)質(zhì)量會隨時間和應(yīng)用的不同動態(tài)發(fā)生變化，因此服務(wù)需求方往往需要更加切實有效的服務(wù)組合方案。因此，本文研究了制造云平臺中服務(wù)組合的3 種關(guān)聯(lián)關(guān)系，提出了支持服務(wù)關(guān)聯(lián)的QoS 感知評估模型。下一步工作將對多目標優(yōu)化算法進行對比選擇并做出相應(yīng)的改進，提升算法性能，以適應(yīng)制造云服務(wù)組合問題，得到更優(yōu)質(zhì)的解集。此外，進一步探索制造云服務(wù)關(guān)聯(lián)的自適應(yīng)調(diào)整，提升服務(wù)質(zhì)量真實性。

表7 不同時間加權(quán)QoS 排名前10 的Pareto 解集