一種基于概念分解的政策精化方法

(湖南大學 計算機與通信學院 長沙 410082)

摘 要：提出了一種基于概念分解的政策精化方法，將政策的精化歸結為對概念的分解，依據本體論中的概念結構將政策中較高層的概念轉換為較低層的概念，從而實現政策的精化。給出了該精化算法的步驟，并通過一個案例演示了該方法的執行過程，最后與其他幾種政策精化算法進行對比分析，指出該算法的優缺點。

關鍵詞：政策; 政策精化; 本體; 概念分解

中圖分類號：TP309文獻標志碼：A

文章編號：1001-3695(2009)05-1650-04

Concept decompositionbased policy refinement method

HU Jun FU Yajun

(College of Computer Communication Hunan University Changsha 410082 China)

Abstract:This paper proposed a concept decompositionbased policy refinement method thus the process of policy elaboration could be seen as a process of concept decomposition which was aimed at transforming the concepts at higher levels into concepts at lower levels. Gave the steps of the algorithm and showed the process of execution by a case demonstration. In the end gave the advantages and disadvantages of this methodby comparing it to other methods.

Key words：policy; policy refinement; ontology; concept decomposition

政策^[1]通常表示為決策動作流程時應遵從的準則集，反映了人的決策意圖，可以指導系統的行為選擇，從而引導系統完成相應的目標。人通過政策來干預和影響系統的行為，實現系統管理過程的可控性。基于政策的管理是將指導系統行為選擇的規則與具體功能實現相分離，以便更靈活地控制和管理系統。該方法最先應用于網絡設備的管理，近年來，它的應用領域不斷擴大，從管理一個網絡設備到管理一般的對象，如一個系統的模塊等軟件構件到具有一定自治能力和智能的agent^[2]，已經成為一種用于管理網絡和分布式系統的很有前景的方法。

政策精化對成功實現基于政策管理至關重要。在基于政策的管理系統中，目標或系統行為約束定義在抽象政策中，通過政策精化將這些目標或系統行為約束進行細化，以便更好地引導系統的運行。政策精化的過程就是將高層的目標或約束映射為低層的政策，其實質就是將管理系統行為的一個抽象規則細化為具體的、可實施的規則，通過執行低層的具體規則來完成高層的管理目標。Moffett和Sloman^[3]給出了政策精化的主要目標：

a)確定滿足政策需求所需的資源；b)將高層政策轉換成系統能夠執行的可運行的元政策（低層政策）；c)驗證低層政策是否滿足高層政策的要求。

目前，政策精化方法越來越受到研究人員的重視，采用基于本體的政策精化方法是一個研究趨勢。隨著本體語言OWL^[4]的日漸流行，它也被用于作為政策的描述語言，使得基于政策的系統管理能夠利用本體在語義方面的優勢更好地對系統進行管理。因為在政策精化過程中，利用本體中概念之間的語義關系，可以很容易地對一些抽象的概念進行細化分解。本文提出了一種基于概念分解的政策精化方法，其實質就是利用本體中蘊涵的一些語義關系，將抽象政策中表達抽象約束或規則的概念細化為具體的、語義單一的約束或規則的

集合，從而實現政策的精化。

1 基于概念分解的政策精化算法

政策精化就是將抽象的、不可執行的政策轉換為具體的、可執行的政策。一般來說，政策由政策主體、政策客體、觸發事件、條件約束和政策動作等部分組成。其中，政策主體是政策的執行者；政策客體是政策執行對象；觸發事件是觸發政策執行的事件；條件約束是政策動作的約束條件。政策的各個部分均可以采用抽象概念來表示，政策精化的過程就是將表示政策各部分的抽象概念細化為語義上單一的概念集合的過程，從而使由抽象概念表示的抽象政策變為具體、不可再分的概念表示的具體政策。本體由概念和概念之間的關系構成，利用本體中蘊涵的概念之間的語義關系，通過適當的推理來進行概念之間的細化，可以實現政策的精化。

在進行政策精化之前，需要采用規范的格式對政策進行描述。在這里，采用本體語言OWL來表示政策，可以直接引用本體中的概念來定義政策，每個政策都作為政策這個概念的一個實例形式而存在于本體文件中，每個政策包含了政策的主/客體、政策的觸發事件和觸發條件以及政策的動作等屬性，這些屬性都是對相應本體中的某個概念或概念實例的一個引用。在本體中，一個概念可以包含針對某些在本體中定義的屬性的約束。這樣，可以將政策中的條件約束定義在本體的某個概念中，對該政策的條件約束的細化就歸結為對該概念的細化。

本體中定義了一些不同抽象層次的屬性，所以針對高層屬性的約束可以通過語義關系推理轉換為低層屬性約束。本文抽象政策中定義的條件約束大多是針對高層屬性而定義的，所以對政策的條件屬性進行精化其實質就是將這些針對高層屬性定義的約束轉換為針對相應的低層屬性而定義的約束。對政策的其他屬性也可以通過概念分解進行細化。

一個政策包含以下幾個屬性：主體、客體、觸發事件、條件約束以及動作。用OWL形式描述如下：

〈Policy rdf:ID=\"policyID\"〉

〈hasSubject rdf:resource=\"#subject\"/〉

〈hasObject rdf:resource=\"#object\"〉

〈hasTrigger rdf:resource=\"#triggerEvent\"/〉

〈hasCondition rdf:resource=\"#P_Condition\"/〉

〈hasAction rdf:resource=\"#P_Action\"/〉

〈/Policy〉

其中：政策的主體、客體、觸發事件、約束條件、動作都為本體中相應概念或實例的一個引用。

概念分解是指將定義在本體中的一個概念（包括類、屬性等）分解成一些子概念的集合。政策精化算法是基于概念分解的，主要根據本體中的語義包含關系來進行概念分解。當一個抽象的政策輸入到政策精化程序后，它首先解析政策的相關屬性，如政策的主體、客體、政策的觸發事件、政策的約束條件以及政策的行為；然后針對它們分別進行精化(如果需要的話)。例如，當精化政策的約束條件時，首先在相關本體中查找與它相對應的概念，然后對這些概念進行相應的細化。在下面描述的政策精化算法中主要是針對政策的條件以及動作相關概念進行細化分解，找出每個概念中可能包含的一些針對某些屬性的約束，最后得出低層的屬性約束集合，該約束集合中的約束構成了政策執行的條件集合。設C為精化后條件約束的集合，abstract_C為抽象條件約束的集合，S_C為條件概念的集合?；诟拍罘纸獾恼呔襟E如下：

a）構建相關的領域本體和政策本體，利用其中的概念將一個商務目標表示為一個抽象政策作為政策精化程序的輸入。

b）從抽象的政策中提取相關的信息，得出政策的主體、客體、觸發事件、政策約束條件以及動作。這些都是本體中的概念或概念實例。

c）初始化集合C，abstract_C，S_C分別為空。

d）將政策中引用的條件概念加入到集合S_C中。

e）如果S_C為空，轉f)；否則，從S_C中取出一個條件概念，得出它的約束(集)，如果約束集為空，將該條件概念的子概念(如果有的話)添加到集合S_C中，轉e);否則，將該條件概念的約束添加到約束集abstract_C中。

f）如果abstract_C為空，轉h)；否則，從abstract_C中取出一個約束（集合的元素），如果該約束是針對某個對象屬性的一個基數限定型的一個約束，轉g)；否則，將該約束添加到集合C中，轉e)。

g）針對基數限定型的對象屬性約束O_C，首先得出它的取值范圍，這個取值范圍對應本體中的一個概念P_concept。如果P_concept及其子概念均不存在約束，則將O_C添加到集合C中；否則，將P_concept或其子概念添加到S_C中，轉e)。

h）對于主體、客體、觸發事件等，如果為概念而非概念實例，可將它們視同條件概念，加入到S_C中，轉e)；否則轉i)。

i）對于一個動作概念，得出它的約束(一般為動作的前置條件或后置條件)，將其加入到約束集C中去。

j）根據約束集C中的約束，向政策本體中添加一個概念P，該概念包含了約束集C中的所有約束，并將生成的精化后的政策輸出到相應的政策文件中。

上述給出了政策精化算法的執行步驟，其基本思路就是政策中所引用的條件概念為起點，將其視為概念分解樹的一個根，將其約束作為其子節點，針對每個約束，如果是基數限定型的對象約束，則以它為根繼續分解。最后，將處于概念樹中葉子處的約束存入結果集中?；诟拍罘纸獾恼呔椒ㄒ愿拍罘纸鉃槭侄?，其實質就是設法找出政策執行時所需要的一些指標參數，這些參數有些是執行動作本身所需的輸入參數，有些則是政策外加的。在具體執行政策時，根據賦值情況來決定政策是否執行以及執行的結果。

2 原型實現與案例分析

下面通過一個例子來說明本文的政策精化方法，本例子只對政策約束條件進行精化，同理也可完成對政策其他部分的精化。定義這樣一條抽象政策“如果收到開會請求，請安排一次會議”，通過對這條政策進行精化后，要得出開會的相關信息（開會的一些條件）。首先需要進行語義信息建模，即建立相關的本體；然后要將政策表示為OWL語言的形式；通過對政策精化實例分析，描述了算法流程，并討論其原型實現以及算法的性能。

2.1 本體建立

本體相當于一個信息模型，它以一種平臺無關的方式描述了不同受管對象的特征、行為以及領域相關的一個概念，包括類、屬性、關系以及約束等。建立一個非常簡單的本體，它表示了一個會議所包含的一些概念，包括11個概念、4個對象屬性以及1個數據類型屬性。它們之間的關系如圖1所示。

此外，筆者也制定了政策本體，包含了政策概念以及相關屬性。由圖2可知，政策主要包含以下信息：政策主體、政策客體、政策觸發條件、政策的約束條件以及動作。

2.2 政策及其相關概念表示

政策表達必須嚴格遵循本體中描述的術語（概念），以便精化過程的進行。在采取的政策表示方法中，精化前的政策表示形式與精化后的政策表示形式是一致的，不同之處就是政策的相關屬性所引用的概念(實例)有所不同。這里表達一個政策“一旦收到開會請求，就安排開會”。在定義政策之前，定義一個對象屬性hasMeeting添加到本體庫。這樣該條政策的OWL形式描述如下：

〈Policy rdf:ID=\"p1\"〉

〈hasSubject rdf:resource=\"#agent1\"/〉

〈hasObject rdf:resource=\"#agent2\"/〉

〈hasTrigger rdf:resource=\"#requestEvent\"/〉

〈hasCondition rdf:resource=\"#P_Cond1\"/〉

〈hasAction rdf:resource=\"#schedule AMeeting\"/〉

〈/Policy〉

其中，條件P_Cond1的具體定義如下：

〈owl:Class rdf:about=\"#P_Cond1\"〉

〈rdfs:subClass Of rdf:resource=\"Condition\"/〉

〈rdfs:subClassOf〉

〈owl:onProperty rdf:resource=\"#hasMeeting\"/〉

〈owl:cardinality rdf:datatype=\" xsd:nonNegativeInteger\"〉1〈/owl:cardinality〉

〈/rdfs:subClassOf〉

〈/owl:Class〉

動作scheduleAMeeting的定義如下：

〈owl:Class rdf:about=\"#scheduleAMeeting\"〉

〈rdfs:subClassOf rdf:resource=\"#Action\"/〉

〈rdfs:subClassOf〉

〈owl:Restriction〉

〈owl:onProperty rdf:resource=\"#hasMeetingTime\"/〉

〈owl:hasValue rdf:resource=\"#time1\"/〉

〈/owl:Restriction〉

〈/rdfs:subClassOf〉

〈/owl:Class〉

〈Time rdf:about=\"#time1\"〉

〈from〉9〈/from〉

〈to〉12〈/to〉

〈/time〉

2.3 政策精化實例分析

下面以上述的算法為基礎，逐步地演示政策精化的過程。

a)根據2.2節定義了政策，從中提取抽象政策的條件概念為P_Cond1，將其添加到S_C中。此時S_C＝{P_Cond1}。

b）從S_C中取出一個元素P_Cond1，得出它的約束集添加到集合abstract_C。此時，abstract_C = {(hasMeeting exactly 1)}。

c)從abstrac_C中取出約束(hasMeeting exactly 1)，這個約束屬于基數限定型的約束。本文首先得出屬性hasMeeting的取值范圍為meeting ；然后根據本體中定義的信息，得出概念meeting的約束有{(hasLocation exactly 1） (hasMeetingDate exactly 1) (hasParticipant exactly 1)，(hasNumberOfParticipants min 10)}。此時，abstract_C = {(hasLocation exactly 1) (hasMeetingDate exactly 1) (hasNumberOfParticipants min 10)，(hasParticipant exactly 1)}。

d)從abstract_C中取出一個約束(hasLocation exactly 1)，屬性hasLocation的取值范圍為location，因為本體中location及其子概念均沒有定義針對屬性的約束，則將其添加到集合C中。此時C＝{(hasLocation exactly 1)}。

e)從abstract_C中取出一個約束(hasMeetingDate exactly 1)，因概念date不存在約束且無子概念，則將其添加到集合C中。

f)從abstract_C中取出一個約束(hasNumberOfParticipants min 10)，為數值類型屬性約束，故直接將其添加到C中。此時，C＝{(hasLocation exactly 1），(hasMeetingDate exactly 1) (hasNumberOfParticipants min 10)}。

g)從abstract_C中取出約束(hasParticipant exactly 1)，因概念participant的子概念student有約束(hasStudentType only Graduate) 故將其添加到C中，此時abstract_C為空。

h)得出動作概念scheduleAMeeting的約束(hasMeetingTime has time1)。因為time1已經是一個概念實例，將其添加到C中。

i)最后得到的結果集C={(hasLocation exactly 1），(hasMeetingDate exactly 1) (hasNumberOfParticipants min 10)，(hasStudentType only graduate)，(hasMeetingTime has time1)}。

最后得到的結果集就是政策執行的一些條件，生成概念PP_Cond1，如下所示：

〈owl:Class rdf:about=\"#PP_Cond1\"〉

〈rdfs:subClassOf rdf:resource=\"#Condition\"/〉

〈rdfs:subClassOf〉

〈owl:Restriction〉

〈owl:onProperty rdf:resource=\"#hasMeetingDate\"/〉

〈owl:cardinality rdf:datatype=\"xsd;nonNegativeInteger\"〉1〈/owl:cardinality〉

〈/owl:Restriction〉

〈/rdfs:subClassOf〉

〈rdfs:subClassOf〉

〈owl:Restriction〉

〈owl:onProperty rdf:resource=\"#hasLocation\"/〉

〈owl:cardinality rdf:datatype=\"xsd;nonNegativeInteger\"〉1〈/owl:cardinality〉

〈/owl:Restriction〉

〈/rdfs:subClassOf〉

〈rdfs:subClassOf〉

〈owl:Restriction〉

〈owl:onProperty rdf:resource=\"#hasNumberOfParticipants\"/〉

〈owl:minCardinality rdf:datatype=\"xsd;nonNegativeInteger\"〉10〈/owl:minCardinality〉

〈/owl:Restriction〉

〈/rdfs:subClassOf〉

〈rdfs:subClassOf〉

〈owl:onProperty rdf:resource=\"hasStudentType\"/〉

〈owl:allValuesFrom rdf:resource=\"#Graduate\"/〉

〈/owl:Restriction〉

〈/rdfs:subClassOf〉

〈rdfs:subClassOf〉

〈owl:Restriction〉

〈owl:onProperty rdf:resource=\"#hasMeeting Time\"/〉

〈owl:hasValue rdf:resource=\"#time1\"/〉

〈/owl:Restriction〉

〈/rdfs:subClassOf〉

〈/owl:Class〉

所以，得到最后的精化政策表示為：

〈Policy rdf:ID=\"pp1\"〉

〈hasSubject rdf:resource=\"#agent1\"/〉

〈hasObject rdf:resource=\"#agent2\"/〉

〈hasTrigger rdf:resource=\"#PP_Cond1\"/〉

〈hasAction rdf:resource=\"#scheduleAMeeting\"/〉

〈/policy〉

2.4 原型實現

利用agent來扮演政策的控制方和執行方，為此，采用JADE^[5]作為agent的運行平臺。采用Protégé OWL API^[6]和Pollet^[7]語義推理工具來操縱和分析本體，進而執行概念細化分解的過程。

圖3為政策定義界面，用于定義政策。

保存政策到相應的政策文件后，就可以從中讀取相應的政策進行精化操作。運行情況如圖4所示。

2.5 性能分析

本文的政策精化方法依賴于本體概念之間的語義構建，將低層概念的約束作為高層概念約束的子節點。算法采用深度優先的順序構建概念分解樹。本體中語義關系越復雜，所需花費的時間越多。

假設本體中涉及的概念數為m，政策精化過程中涉及的概念數為n，顯然m≥n。m越大，表明本體越復雜，這樣在對本體進行分析時所需要的時間越多。在政策精化過程中，同步建立了一棵概念分解樹，樹的節點數與n成倍數關系，故時間復雜度為O(n)。在進行概念分解的過程，建立的概念樹的層次越高，算法所耗時間越多，同時從概念之間的語義相關度方面來考慮，層次太深，得到的低層約束集與最初的高層約束集的語義相關度降低，影響精化后的結果與原始目標的一致性，所以為了保證算法所耗時間適當，同時保證高層約束集與低層約束集語義之間的高相關性，在制定本體時會控制概念語義關系的層次，以使概念樹的深度不至于太深，同時使得精化結果合理。

3 相關研究

目前，政策精化方法的研究仍是一個比較開放的課題，有基于靜態規則轉換的、有基于目標分解的、有基于本體的等一些政策精化方法，它們大都從不同的應用背景和角度來設計。

基于靜態規則的方法^[8，9]是預先定義一組規則或規劃模塊把政策中的高級目標映射到系統可理解的配置參數，這些規則由熟悉系統細節的專家定義，然后政策轉換模塊依據這些規則或規劃模塊直接把高級目標映射為底層配置參數。顯然，這種基于規則或規劃模板的方法自動化程度高，實現比較簡單。不足之處是政策精化依賴于事先定義的靜態規則或處方，不適用于需求和應用環境是動態的情況。本文提出的基于概念分解的政策精化方法，概念之間的語義關系蘊涵在本體中，通過語義推理等手段進行概念分解，從而得到一個約束集。事實上，只要本體的語義足夠豐富，該方法也可以實現精化過程的自動化，并且，可以通過修改或更換本體以適應不同的應用環境。在本文方法中，對某個概念進行分解實際上可視為遍歷蘊涵在本體中的以該概念為根的一棵語義分解樹。這與事先定義的規劃模板有點類似，不過相對于規劃模板，此更改更容易、更簡單一些，即只需要在相應的本體中添加相關的概念或修改某些概念，這個操作均有非常方便的圖形界面工具支持，同時，通過在本體中添加或修改相應的本體可以適應更多的情況。

基于目標分解的方法^[10~12]采用對需求進行細化分解，得到一些低層的目標，通過實現這些低層的目標來滿足高層目標。該方法利用了一種通過對低級動作的推理來滿足高級目標的政策精化方法，利用了基于目標的需求描述和事件演算等已有的技術，即先將抽象目標逐步轉變為具體的可操作目標，然后確定滿足這些需求的具體操作。在本文方法中，在政策定義階段已經指定了相關動作，政策精化的主要任務就是找出動作執行的條件，包括動作本身的前置條件和后置條件，以及政策所規定的一些條件，這個過程會涉及到概念的語義分解。與目標分解相比，由于具有語義方面的支持，分解過程要容易些。 

利用本體的語義等方面的優勢進行政策精化在最近得到重視。通過基于本體上的語義推理，將高層政策轉換為低層政策^[13]，該方法將較高抽象層指定的行為與網絡層預期的行為綁定起來，這樣本體推理器就可以在運行時動態地執行從高層政策到低層政策的精化過程。該方法建立在本體以及SWRL規則庫的基礎之上，本體描述了低層本體與高層本體之間的關系，SWRL規則庫描述了怎樣通過低層本體信息設置高層本體信息。當然，通過將本體與其他技術相結合來進行政策精化過程也是一種研究方法^[14]。該方法將低層設備提供的功能封裝為Web服務，稱為低層Web服務，并通過本體來描述這些低層Web服務之間的語義關系。簡單地說，該方法就是根據政策的條件和動作確定政策的初始輸入/輸出，然后根據輸入/輸出查找相匹配的Web服務，最終得到一系列的輸入參數以及Web服務的調用序列。它是一種基于Web服務構造上的一種政策精化方法。在本文方法中，從抽象政策到具體政策的轉換是直接依據本體中的語義推理進行的，也就是說它的轉換路徑是實時的，沒有事先靜態的指定。另外，通過建立動作名與實際功能函數之間的一個映射關系，一旦這些條件被滿足，政策執行方可以通過這種映射關系直接調用相應的功能函數，從而執行相關的政策動作。

與相關的研究相比，本文的方法是一種基于本體之上的語義分解的政策精化方法。該方法依賴于本體庫，但并不依賴具體的本體庫。這意味從一個應用域轉到另一個應用域時方法無須更改，只需要更換相關的本體。政策精化過程與歷史數據無關，歷史數據只是有助于政策精化過程更快地執行，但并不依賴歷史數據。本文的方法依賴于本體庫的構建，構建本體庫是一件費力的事情，不過可借助于相應的本體構建工具如Protégé OWL Editor來開發相關的本體，使該方法更具有現實的意義。

4 結束語

政策精化在基于政策的管理中起著至關重要的作用。本文提出了一種基于概念分解的政策精化方法，將政策的各個屬性視為概念，借助于建立好的本體，通過語義關系推理實現概念分解，將高層政策轉換為低層政策，將較高層的概念轉換為較低層概念，進而實現政策的精化過程。該方法簡便易行，給政策精化提供一種新的思路。未來工作包括在面對復雜本體的基礎上，努力提高該算法的效率，進一步提高算法的性能。

參考文獻：

［1］SLOMAN M S. Policy driven management for distributed systems[J]. Journal of Network and Systems Management，1994 2(4)：333-360.