基于差值誘導的Web服務評價可信度的評估

宮清勃，鈕俊，孫秀廷，王奎

（寧波大學信息科學與工程學院，浙江 寧波315211）

基于差值誘導的Web服務評價可信度的評估

宮清勃，鈕俊，孫秀廷，王奎

（寧波大學信息科學與工程學院，浙江 寧波315211）

Web服務的評價信息為服務選擇提供了重要的參考依據，但服務評價信息具有主觀性。結合客觀QoS（服務質量）屬性數據及請求者評分數據，采用差值誘導法評估歷史評價信息是否可信。首先利用不同服務請求者調用同一服務產生的不同QoS屬性數據，判斷請求者之間的相似關系；然后基于該相似關系，融入對應請求者的主觀評分，依據差值法構造可信度評估算法；最后結合所構造的算法，得出可信度平衡因子，判斷請求者的評價是否可信。算法分析以及實驗結果表明該方法是可行及有效的。

Web服務；服務請求者；服務評價；可信度評估

1 引言

目前，面向服務的體系結構 （service-oriented architecture，SOA）已成為互聯網中重要的計算模式，它能使應用系統具有更好的彈性，從而更加靈活地適應復雜多變的業務需求。近年來，云計算、物聯網等新型計算模式的迅速發展，使得互聯網中呈現出越來越多的各種類型的網絡服務，如云服務、物聯網服務等，為SOA的廣泛應用注 入 新 的 動 力［1，2］。

Web服務作為一種重要的網絡服務構件，已經受到學術界、工程界的極大關注，它能快速、方便地構造復雜增值Web應用［3］，提高開發效率。在互聯網中，實現特定功能的Web服務具有多個實例，分別隸屬不同的機構或組織。不同的Web服務具有不同的 QoS（quality of service，服務質量）屬性。如何選擇適合的Web服務到所關注的Web應用中，一直是服務計算領域的焦點問題［4］。在Web服務的選擇中，確保其功能滿足客戶需求是前提和基礎，故服務選擇時的關注點聚焦于Web服務的QoS屬性［5］。

在基于QoS的Web服務選擇中，一般通過歷史經驗數據或理論推導的方法判斷或預測當前考慮的Web服務的QoS屬性，進而判斷其是否滿足用戶需求。隨著服務計算技術的迅速發展，互聯網中已存在越來越多的Web服務及對應的使用數據，其中用戶對曾使用Web服務的評價信息也是其中的重要內容。借助用戶對Web服務的評價信息來判斷或預測其QoS屬性，是一種有效且直觀的手段，也是當前服務計算領域中的研究熱點 之一［6］。

2 相關工作

傳統基于QoS屬性的Web服務選擇，大多關注服務的時間、空間等屬性。比如，在服務選擇時，參考文獻［7］重點考慮服務的執行時間是否滿足用戶需求，而參考文獻［8］則分析了服務執行過程中的存儲消耗或帶寬等是否滿足約束。另外，參考文獻［9］等也從服務調用時對用戶產生的經濟成本等方面進行了分析。

可以看出，已有文獻重點關注客觀QoS屬性值，卻未考慮請求者服務請求體驗的歷史評價數據，以“用戶評分”的量化數據形式存在。事實上，這些評價數據也可用作直觀、方便地判斷或選擇服務的重要依據。其中，參考文獻［10］提出針對一種特定QoS屬性的基于用戶評分和協同過濾的方法。參考文獻［11］則采用了一種基于用戶滿意度信息的服務反饋模型，提高選擇的精確度。參考文獻［12］引入一種基于QoS與用戶推薦的Web服務信譽度評價模型，并考慮了評價信息的時效性。可以看出，這些基于Web服務歷史評價信息的服務選擇或推薦方法，一般均假定評價數據是有效或可信的。但事實上，某些評價數據可能不具有可信性，從而將誤導服務選擇過程，進而對用戶造成損失。比如，用戶評價數據客觀上具有模糊性、主觀性，同時，也并不能排除用戶在服務評價時的情緒化表達。因此，對Web服務歷史評價數據的可信性判斷至關重要。

通過計算相似請求者之間屬性的差值以及評分的差值，分析Web服務評分數據與具體運行過程中的真實QoS屬性數據之間的差異，進而判斷該評分信息是否可信。

3 服務評價的可信度評估過程

開放的互聯網環境中，存在眾多請求者對已使用服務的大量評價信息。這些信息對評估服務的可信度具有重要的參考價值。但是，請求者的評價信息本身存在主觀性、模糊性，同時一些請求者存在惡意和不負責任的情感傾向。這使得服務的評價信息中可能存在不可信的內容，從而影響甚至誤導將來請求者的判斷。因此，在已有研究基礎上，結合服務調用過程中實際產生的客觀QoS數據來評估請求者對服務的主觀評價的可信度。

為消除由于網絡基礎設施、地理位置等因素造成的請求者間固有的體驗差距，以下界定所有請求者調用服務時所處的客觀環境相同。

3.1 基本概念及問題定義

為了便于理解及方便描述，給出相關概念及定義。

定義1 服務請求者集與候選服務集

（1）服務請求者集 U={u1，u2，…，un}，描述請求者的集合，其中，ui（1≤i≤n）表示第 i個請求者。

（2）候選服務集 S={s1，s2，…，sm}，描述具有相同功能的不同 Web 服務構成的集合，其中，sj（1≤j≤m）表示第 j個服務。

定義2 服務QoS屬性和服務評價

（1）服務 QoS 屬性

指描述服務非功能性性質的相關參數，一般記為pi，j（x），表示當屬性名稱為 x 時，請求者 ui調用服務 sj之后記錄的值。 Pi，j表示屬性向量，由不同屬性名稱的 pi，j（x）構成，x 代表屬性名稱，見表 1。令 ai（sj）=Pi，j，有 Ai（sj）=＜a1（sj），a2（sj），…，an（sj）＞，表示由 n 個屬性向量構成一個屬性函數向量。

表1 服務的QoS屬性

（2）服務評價

以“服務評分”的量化形式存在，指請求者完成服務調用后，根據主觀感受，賦予一個反映被調用服務綜合性能表現的值。一般記為 el（sj），表示請求者 ui調用服務 sj之后所給的評分 。Ei（sj）=＜e1（sj），e2（sj），…，en（sj）＞，記作評分向量，描述服務sj被n個請求者調用所構成的向量。

定義3 屬性距離相同Web服務的不同運行實例所反饋的實際QoS屬性數據間的差值，用以度量不同實例之間客觀狀態的差異程度。

定義4 評分距離相同Web服務被不同請求者調用后，所給的評分之間的差值，用以度量請求者之間主觀感受的差異程度。

定義5 服務評價可信度服務評價的評分值，遵從服務運行過程中產生的客觀實際QoS數據所反映的服務真實性能表現的程度。以下稱平衡因子，符號記作λ。

3.2 服務評價的可信度評估框架

為了對服務評價的可信度進行評估，首要問題是采集并規范化服務評分數據，然后通過計算評分數據、QoS數據的差值，以獲得主觀評分與真實QoS數據之間的差異。在參考文獻［14］的基礎上，給出如圖1所示的整體評估框架。圖1中的變量ui為第i個服務請求者，sj為第j個Web服務，Ei為第i個請求者的評分向量，Aj為調用 sj后返，實際QoS向量，Nc為可信評價的個數，ε為相似度閾值，δ為可信度閾值。該框架包含兩個部分，第I部分為數據采集及表示，其中①反映請求者與服務之間的調用關系；②和③分別表示請求者調用服務后產生的實際QoS數據用向量A表示，請求者所給的評分數據用向量E表示。第Ⅱ部分為具體的可信度評估過程。大致過程說明如下：

（1）數據采集，將第I部分記錄的數據保存到數據庫中；

（2）相似度計算，同一服務被多個請求者調用，產生與請求者數量相同的實際QoS屬性向量。式（1）用于計算這些屬性向量之間的相似度；

（3）相似度判斷，如果步驟（2）產生的相似度α大于或等于相似度閾值ε，說明屬性之間是相似的，進一步說明對應的請求者之間是相似的。對由這些相似屬性向量所構成的矩陣進行歸一化處理；否則不相似，返回至步驟（2）；

（4）屬性距離與評分距離的計算，由步驟（3）所得歸一化后的屬性數據，計算屬性距離；再由步驟（3）所確定的相似請求者，利用其評分，計算評分距離；

（5）平衡因子的計算，利用步驟（4）求得的屬性距離和評分距離，確定可信度平衡因子λ；

（6）評價可信度的判斷，以可信度閾值δ作為判斷評價是否可信的判定指標。若λ≤δ，評價可信，請求者各自的可信評價數加1；否則回到步驟（4）。

4 服務評價的可信度評估算法

圖1 可信度評估框架

評估算法的建立包含數據預處理、屬性相似度判斷、相似屬性矩陣的歸一化處理以及可信度評估等步驟。數據預處理的目的是將收集到的數據進行規范化表示。圖2為圖1第I部分的展開形式，表示m個服務被n個請求者分別調用過。其中，左邊部分為服務請求者給出的評分，右邊為服務被調用后記錄的實際QoS屬性數據。

其 中 ，n 個 評 分 向 量 Ei（sj）（1≤i≤n，且 i∈Z+）構 成 評 分矩陣 ESMn×m，記為對應的n 個屬性函數向量 Ai（sj）構成屬性矩陣 VPMn×m，記為 VPMn×m=為方便計算，引入實值矩陣CPM，由VPM 的列向量構成。因此有

4.1 屬性數據的相似度判斷及歸一化

引入余弦相似度［18］判斷方法，篩選出在QoS屬性向量上相似（即近似相等）的請求者。這是可信度評估的前提。同一服務被不同的請求者調用，當QoS屬性相等或相似時，對應不同請求者的評分客觀上是接近的。判斷方法如式（1）所示。相比于利用皮爾遜相關系數法［15］以及歐幾里得距離法［16］求相似度，余弦相似度可以很好地規避3個問題：QoS屬性向量間的非線性相關性；依賴較高的數據精度；屬性數據較多時導致過擬合。

其中，α表示所求相似度。當且僅當α≥ε（ε表示相似度閾值）時，表明請求者 ui與 uj相似；否則不相似。ai（sk）為屬性向量。

經過上述判斷，會得到一個相似屬性矩陣，記為SPM。對SPM進行歸一化處理。歸一化［13］處理的目的是讓不同單位以及變化方向的屬性之間可以進行運算。QoS屬性分正向屬性和負向屬性。正向屬性，如可用性（availability），其值越大，服務質量越高；負向屬性，如響應時間（response time），則相反。為便于計算，須消除這些差異。采用極值歸一化［17］方法，對正向屬性，采用式（2）進行計算；對負向屬性，采用式（3）進行計算。

4.2 可信度評估算法

其中，λ為平衡因子。若λ≤δ（可信度閾值），表明評價可信，相似請求者各自的可信評價數記作Nc，加1。否則，存在不可信的可能。用Nc／N表示請求者的評價可信度，N為一個請求者總的評價數。評價可信度越高，對其他請求者是否選擇調用某一服務的影響就愈大。

給出請求者評價可信度的評估算法，如下。

輸入：屬性矩陣VPM與對應評分矩陣ESM

圖2 評分屬性

輸出：平衡因子λ

Confidence_Evaluated（）{

（1）for（int j=1；j＜M；j++）／／M 表示共同調用服務的個數

（2）for（int i=1；i＜N；i++）／／N 表示請求者數量

（3）α=simVector ［j］［i］=simQoS（ai（sj），ak（sj）of VPM）；／／相似度計算

（4）for（int j=1；j＜M（N（N-1））／2；j++）

（5）ε=fitting（simVector［j］）；

（6）for（int j=1；j＜M；j++）

（7）for（int i=1；i＜N；i++）

（8）if（compare（simVector［j］［i］，ε））／／根據相似度閾值判斷屬性之間是否相似

（9）CPM’=Normalize（）；／／對相似的向量構成的矩陣進行歸一化處理

（10）λ=factor［k++］=getFactor（CPM’，Ei（sj）of ESM）；

（11）for（int k=1；k＜factor.length（）；k++）

（12）δ=fitting（factor［k］）；

}／／end of Credit_Eυaluated（）

算法核心目的是求得可信度閾值δ，如行（12）所示。行（5）為求解相似度閾值ε，行（10）為求解平衡因子λ。算法的時間復雜度為 O（M·（N·（N-1）+M·N））=O（M·（N-1）2），是多項式時間。M表示全部的候選服務，但并不表示每一位請求者都會調用所有的候選服務，因此，該時間復雜度表示最壞的情況。

5 實驗驗證與結果分析

為驗證上述算法，設計了兩個相關實驗。實驗1：確定相似度閾值 ε；實驗 2：確定可信度閾值 δ。引入曲線 S：f（x）由于該曲線在 x∈（-1，+1）的區間上，二維圖像逼近直線。因此在這個區間內，擬合出一條直線L，使得L與曲線S有最佳重合度。重合度是指在區間（-1，1）上，曲線S與直線L之間的相符程度。其衡量指標以同時存在于直線L與曲線S上點的數目占總點數的百分比來衡量。百分比越高，表明重合度越高，一致程度也就越好。

搭建的模擬系統在硬件配置為Intel i7 Core 2.60 GHz的處理器以及8 GB內存的PC上運行。操作系統為64位Win10。基于Java語言實現，編譯環境為JDK 1.8.0_92。為增加實驗的可信度，采用的數據基于Al-Masri E提供的真實服務數據集［19］。實驗數據的部署方式為：先以30個請求調用同一服務s0，求得對應相似度閾值及可信度閾值；之后不斷以30個請求者為增量，分別計算出不同數量的請求者調用同一服務時，兩種閾值的變化情況；最后更換服務s0，重復前兩個步驟。

5.1 實驗驗證

實驗 1確定相似度閾值 ε。由于相似度 α∈（0，1），滿足上述曲線S（-1，1）的定義域。因此以相似度α為橫坐標，對應縱坐標為 f（α），組成坐標點（α，f（α））。利用這些坐標點擬合出在區間（0，1）上的直線L。通過計算重合度的大小，判斷擬合出的最佳直線。直線的斜率即相似度閾值ε。

實驗2確定可信度閾值δ。使用實驗1所得ε過濾掉不滿足該閾值的所有屬性數據，然后對相似屬性組成的矩陣做歸一化處理，同時確定與相似屬性矩陣對應的請求者評分向量；再求得平衡因子λ；最后以實驗1的方法求可信度閾值δ。需要注意的是，由于λ＞1，因此需要以1／λ作為橫坐標，組成坐標點（1／λ，f（1／λ））。最終的可信度閾值 δ為所得直線斜率的倒數。

為驗證本文所用差值誘導法（differential induction，DI）的有效性，為實驗2增加了兩個對比實驗，分別為參考文獻［11］所提出的動態需求反饋 （dynamic demand service feedback，DDSF）模型以及參考文獻［20］所采用的層次分析法（analytic hierarchy process，AHP）。

5.2 結果分析

（1）實驗 1

請求者數量為300時的相似度閾值結果如圖3所示。其中，圖3（a）利用余弦定理求相似度所得，重合度為88.5%，所得相似度閾值 ε=0.930 787 45。作為對比，圖 3（b）和圖 3（c）分別表示利用歐氏距離判斷相似度與皮爾遜相關系數判斷相似度所得的直線L與曲線S。其中，前者重合度為83.37%，后者重合度為85.41%?？梢钥闯觯嘞叶ɡ砬笙嗨贫人弥本€L與曲線S重合度最高。

（2）實驗 2

在請求者數量不同的情況下，可信度閾值δ的變化曲線所圖4所示?？梢钥闯觯S著請求者數量的增加，整體上δ在變小。而相比于DDSF及AHP兩種方法，利用DI方法所求可信度閾值最小。圖5是評估準確率曲線，與圖4可信度閾值曲線相對應。可以看出，隨著請求者數量的增加，利用DI方法所求可信度閾值的評估準確率比其他兩種方法都要好。平均準確率比AHP高近7%，比DDSF方法高10%以上。

圖3 相似度閾值對比結果

6 結束語

評估服務評價的可信度為更快速、準確地選擇服務提供了重要的參考價值。本文通過計算服務每一次被調用時，所得QoS的屬性相似度，確定請求者間的相似性，然后以該相似性為前提，通過構造差值評估兩者之間的一致程度。實驗結果表明該方法在區域基礎設施相同的情況下，是可行且有效的。

由于僅考慮了請求者評價的評分，忽略了請求者評價會隨時間衰減以及評價的文本信息中隱藏的請求者可能的情感傾向，所以評估的準確性會受到影響。在下一步工作中，將對評估模型進行改進，預備考慮更長時間范圍的請求者評價信息，以期進一步提高評估的有效性。

圖4 可信度閾值變化曲線

圖5 評估準確率變化曲線

［1］SELIMI M，FREITAG F，CENTELLES R P，et al.TROBADOR：service discovery for distributed community network micro-clouds ［C］／／IEEE International Conference on Advanced Information Networking and Applications，March 24-27，2015，Gwangiu，Korea.New Jersey：IEEE Press，2015：642-649.

［2］JIN X，CHUN S，JUNG J，et al.A fast and scalable approach for IoT service selection based on a physical service model ［J］.Information Systems Frontiers，2016（4）：1-16.

［3］LIU C，TONG R.Designing value-added services platform architecture fortelematics ［J］.ComputerApplicationsand Software，2015，32（9）：102-104.

［4］LI L，LIU M，CHENG G Q.A local optimal model of service selection of multi-QoS based of FAHP ［J］.Chinese Journal of Computers，2015，38（10）：1997-2010.

［5］ZHANG L C，YANG Y H.Dynamic QoS data-driven reliable web service selection ［J］.Journal of Electronicsamp;Information Technology，2016，33（6）：1368-1376.

［6］SERRANO-GUERRERO J，OLIVAS J A，ROMERO F P，et al.Sentiment analysis：a review and comparative analysis of web services［J］.Information Sciences，2015，311（5）：18-38.

［7］WANG S G，SUN Q B，ZHANG G W，et al.Uncertain QoS-aware skyline service selection based on cloud model［J］.Journal of Software，2012，23（6）：1397-1412.

［8］CHEN L，KUANG L，WU J.MapReducebasedskyline services selection for QoS-aware composition ［C］／／IEEE Parallel and Distributed ProcessingSymposium Workshopsamp; Phd Forum，May 21-25，2012，Shanghai，China.New Jersey：IEEE Press，2012：2035-2042.

［9］FLETCHER K K，LIU X F，TANG M.Elastic personalized nonfunctional attribute preference and trade-off based service selection［J］.ACM Transactions on the Web，2015，9（1）：1-26.

［10］CHANG C C，KUO C Y.A web service selection mechanism based on user ratings and collaborative filtering ［M］.Berlin：Springer Heidelberg，2013：439-449.

［11］WU B，LIJE.Web businessconfidence collaborative computing based on dynamic demand service feedback ［J］.Application Research of Computers，2015，32（5）：1409-1411.

［12］LV F J.Web services reputation evaluation model based on QoS and userrecommendation ［D］.Qinhuangdao：Yanshan University，2010：18-26.

［13］LIU G Q，ZHU Z L，WANG H，et al.Model for evaluating QoS trustworthiness of web service ［J］.Journal of Chinese Computer Systems，2009，30（11）：2216-2221.

［14］ESTRELLA J C，TOYOHARA R K T，KUEHNE B T，et al.A performance evaluation for a QoS-aware service oriented architecture ［C］／／2010 6th World Congress on Services，July 5-10，2010，Miami，USA.New Jersey：IEEE Press，2010：260-267.

［15］WANG S L.Research on data mining technology and its application on web services ［D］.Jinan：Jinan University，2010.

［16］SHAO L S，ZHOU L，ZHAO J F，et al.Web service QoS prediction approach ［J］.Journal of Software，2009，20 （8）：2062-2073.

［17］MA Y，WANG S G，SUN Q B，et al.Web service quality metric algorithm employing objective and subjective weight［J］.Journal of Software，2014，25（11）：2473-2485.

［18］GONG Z C，LI X J，ZHANG J J，et al.Mixed collaborative filtering based on multi-directional measurement and attribute similarity ［J］.Computer Applications and Software，2015，32（6）：62-65.

［19］AL-MASRI E，MAHMOUD Q H.Investigating web services on the world wide web［C］／／17th International Conference on World Wide Web，March 3-8，2008，Beijing，China.New York：ACM Press，2008：795-804.

［20］YANG X M，SUN Y.Network user trust degree evaluation model by analytic hierarchy process ［J］.Computer Systemsamp;Applications，2016，25（3）：267-270.

Confidence of comments evaluated for Web service based on difference-induced

GONG Qingbo，NIU Jun，SUN Xiuting，WANG Kui
College of Information Science and Engineering，Ningbo University，Ningbo 315211，China

Historical comments of requestors provide important references for Web service selections.However，the information is subjective.An approach to evaluate the confidence of the comments through differential induction based on data of objective QoS （quality of service）and subjective score of comments was proposed.Firstly，the similarity relation between requestors was judged，according to different values of QoS produced by the same service invoked by more than one requestor.Then，the evaluation algorithm of confidence was built based on previous similarity relation and the subjective score of the corresponding requestor.Finally，the balanced factor of confidence formed by the algorithm assessed whether the comments from requestors are reliable.Algorithm analysis and experimental results show that the method is feasible and effective.

Web service，service requestor，service rating，credibility evaluation

s：The National Natural Science Foundation of China （No.61272107，No.51204185），The Natural Science Foundation of Zhejiang Province of China （No.LY15F020010），Zhejiang Public Technology Applied Research Project（No.2014C31059），The Open Project of the State Key Laboratory of Software Engineering（No.SKLSE2014-10-05），The Open Project of the Key Laboratory of Ministry of Education Embedded System and Service Computing （No.ESSCKF201302）

TP311

A

10.11959／j.issn.1000-0801.2016215

2016-05-31；

2016-08-04

國家自然科學基金資助項目（No.61272107，No.51204185）；浙江省自然科學基金資助項目（No.LY15F020010）；浙江省公益技術研究工業資助項目（No.2014C31059）；軟件工程國家重點實驗室開放課題（No.SKLSE2014-10-05）；嵌入式與服務計算教育部重點實驗室開放課題（No.ESSCKF201302）

宮清勃（1989-），男，寧波大學碩士生，主要研究方向為服務計算。

鈕?。?976-），男，博士，寧波大學副教授、碩士生導師，主要研究方向為服務計算。

孫秀廷（1989-），女，寧波大學碩士生，主要研究方向為服務計算。

王奎（1988-），男，寧波大學碩士生，主要研究方向為服務計算。