基于QoS綜合評價的服務(wù)選擇方法

何干志，劉茜萍

(南京郵電大學(xué) 計算機學(xué)院，江蘇 南京 210003)

基于QoS綜合評價的服務(wù)選擇方法

何干志，劉茜萍

(南京郵電大學(xué) 計算機學(xué)院，江蘇 南京 210003)

從海量服務(wù)中準(zhǔn)確選擇出符合用戶真實需求的服務(wù)變得日益重要，而服務(wù)質(zhì)量的評定在選擇服務(wù)的過程中至關(guān)重要。基于QoS的已有服務(wù)選擇方法，通常假定服務(wù)提供者和使用者給出的QoS數(shù)據(jù)都是真實可信的，但這一假設(shè)實際上很難得到保證。為此，提出了基于QoS綜合評價的服務(wù)選擇方法。該方法針對來自服務(wù)提供者的質(zhì)量屬性，基于歷史數(shù)據(jù)的統(tǒng)計對當(dāng)前QoS數(shù)據(jù)進(jìn)行修正；而針對來自服務(wù)使用者的質(zhì)量屬性，基于具有時間系數(shù)的歷史評價計算推薦用戶和目標(biāo)用戶之間的相似程度，以權(quán)衡其歷史評價的可靠程度，進(jìn)而得出針對該目標(biāo)用戶的最終QoS參考評價。同時，采用熵值法計算用戶的主客觀合成權(quán)重，并基于提供者修正QoS發(fā)布信息和用戶可靠的QoS參考評價信息完成服務(wù)選擇。實例驗證結(jié)果表明，所提出的方法有效可行。

服務(wù)選擇；用戶相似度；熵值法；QoS綜合評價

1 概 述

網(wǎng)絡(luò)環(huán)境中服務(wù)技術(shù)的出現(xiàn)為組織間建立一種靈活多樣的協(xié)作關(guān)系創(chuàng)造了前所未有的機會[1]。目前，隨著服務(wù)的發(fā)展和廣泛應(yīng)用，服務(wù)的大量出現(xiàn)，提供相同功能的服務(wù)越來越多，如何準(zhǔn)確從龐大的服務(wù)集中選擇最符合要求的服務(wù)是服務(wù)技術(shù)面臨的巨大挑戰(zhàn)。因此，基于服務(wù)質(zhì)量對服務(wù)進(jìn)行選擇已成為熱點研究問題之一[2-3]。

目前提出的不少基于QoS的服務(wù)選擇方法大多假定服務(wù)提供者描述的QoS數(shù)據(jù)和用戶反饋的QoS評價都是真實可靠的，因而在對服務(wù)進(jìn)行排序和選擇時，常常直接使用服務(wù)提供者發(fā)布的QoS數(shù)據(jù)，同時采用平均值的方法處理服務(wù)使用者反饋的QoS數(shù)據(jù)[4-5]。然而在實際應(yīng)用中，對于QoS數(shù)據(jù)可靠性的假設(shè)往往很難保證：一方面，服務(wù)提供者可能出于利益考慮，發(fā)布高于服務(wù)實際水平的QoS數(shù)據(jù)以吸引更多的用戶[6-7]；另一方面，用戶反饋的QoS評價，常常受到自身因素的影響，甚至是一些惡意的虛假數(shù)據(jù)，而平均值的方法缺少能夠度量這些質(zhì)量屬性數(shù)據(jù)有效性的標(biāo)準(zhǔn)。這些不可靠的QoS數(shù)據(jù)將直接影響QoS計算的準(zhǔn)確性和可靠性，以及最終的服務(wù)選擇結(jié)果[8-10]。

隨著數(shù)據(jù)可靠性問題的日益突出，一些學(xué)者開始漸漸關(guān)注這類問題的研究。文獻(xiàn)[11]根據(jù)用戶反饋的QoS數(shù)據(jù)，從而得到可靠的QoS評價信息，當(dāng)服務(wù)提供者描述不符合事實的QoS數(shù)據(jù)，該提供者這種不誠實的行為將受到處罰，但是該方法卻沒有提出服務(wù)使用者QoS可靠性問題的計算方法，忽略了其在服務(wù)選擇過程中的作用；文獻(xiàn)[12]同時考慮了來自服務(wù)使用者和服務(wù)提供者兩方面的QoS屬性，同時通過不同的計算方法來修正QoS屬性值，從而得到可靠的QoS質(zhì)量屬性值參考信息，但是該方法卻忽略了QoS質(zhì)量屬性值的動態(tài)變化，卻將其視為了常量；文獻(xiàn)[13]定性分析了直接經(jīng)驗和間接經(jīng)驗在服務(wù)可信性判斷中的作用，考慮了服務(wù)的時效性，并提出了QoS可靠性的評估函數(shù)，但片面強調(diào)了直接經(jīng)驗的主導(dǎo)作用，忽略了當(dāng)交往次數(shù)很少時間接經(jīng)驗的重要性；文獻(xiàn)[14]提出了一種基于歷史經(jīng)驗和可信概率的貝葉斯模型，給出了獎勵函數(shù)，但偏重于對用戶的未來行為進(jìn)行約束。

然而，目前基于可靠QoS的服務(wù)選擇研究大多僅根據(jù)服務(wù)提供者描述或用戶反饋信息開展，難以為目標(biāo)用戶提供全面可靠的QoS選擇依據(jù)。為此，提出了一種基于QoS綜合評價的服務(wù)選擇方法。對于來自服務(wù)提供者描述的QoS，基于歷史數(shù)據(jù)的統(tǒng)計對服務(wù)提供者當(dāng)前描述的QoS數(shù)據(jù)加以修正，對于來自用戶反饋的QoS評價，基于用戶相似度計算得到各候選服務(wù)的可靠綜合QoS評價。此外，還采用了熵值法以計算得到用戶的主客觀合成權(quán)重。基于提供者的修正QoS發(fā)布信息和用戶的可靠綜合QoS評價信息完成符合用戶權(quán)重的服務(wù)選擇。

2 基于歷史數(shù)據(jù)的服務(wù)提供者QoS信息修正

對于來自服務(wù)提供者描述的質(zhì)量屬性數(shù)據(jù)，如服務(wù)的執(zhí)行時間、價格等，這類屬性通常在服務(wù)注冊時會隨著功能屬性發(fā)布到注冊中心，但一些服務(wù)提供者為了吸引服務(wù)使用者會發(fā)布高于實際性能的數(shù)值，所以，在進(jìn)行服務(wù)選擇時如果直接使用服務(wù)提供者發(fā)布的數(shù)據(jù)是不合適的。對于這方面數(shù)據(jù)的修正，主要通過在客戶端中加入采集機制的方式收集服務(wù)提供者描述的歷史數(shù)據(jù)。該機制基于歷史數(shù)據(jù)的統(tǒng)計定期對當(dāng)前描述的QoS數(shù)據(jù)進(jìn)行修正，此類質(zhì)量屬性的修正是由提供者當(dāng)前描述的數(shù)據(jù)和統(tǒng)計的歷史數(shù)據(jù)加權(quán)決定，并引入時間因子，從而保證QoS數(shù)據(jù)的可靠性。下面給出該過程的若干相關(guān)定義。

定義1(S,R,PT)：S表示所有用戶使用過的服務(wù)集合，有S={s1,s2,…,sm}；R表示服務(wù)描述的矩陣，有R={Ri,j|Ri,j表示服務(wù)si第j次發(fā)布的QoS數(shù)據(jù)，Ri,j=，其中i=1,2,…,m，k=1,2,…,n1，j=0,1,…,v，ri,j,k表示服務(wù)si第j次發(fā)布的QoS數(shù)據(jù)中屬性k的描述}；PT表示服務(wù)發(fā)布QoS數(shù)據(jù)時間的矩陣，有PT={pti,j|pti,j表示服務(wù)si第j次發(fā)布QoS的數(shù)據(jù)時間(i=1,2,…,m，j=0,1,…,v)}。

針對服務(wù)提供者當(dāng)前發(fā)布的數(shù)據(jù)，使用式(1)對其進(jìn)行修正。

q=wRi,v+(1-w)f(Ri,0,Ri,1,…,Ri,v-1)

(1)

其中，Ri,0,Ri,1,…,Ri,v是從服務(wù)提供者發(fā)布了多次數(shù)據(jù)后采集到的v+1次相關(guān)質(zhì)量屬性向量值；w(0

另外需要說明地是，當(dāng)服務(wù)無法收集歷史服務(wù)質(zhì)量屬性數(shù)據(jù)時，則只有Ri,v這一當(dāng)前發(fā)布信息，此時可設(shè)w=1，即服務(wù)提供者當(dāng)前發(fā)布的數(shù)據(jù)為最終該質(zhì)量屬性值，具體計算方法為：

q=Ri,v

(2)

假設(shè)某服務(wù)si發(fā)布了多次數(shù)據(jù)后，從中采集v+1次相關(guān)質(zhì)量屬性向量值，分別為Ri,0,Ri,1,…,Ri,j,…,Ri,v(按時間先后)，其對應(yīng)的時間分別是pti,0,pti,1,…,pti,j,…,pti,v，其中pti,0為服務(wù)si最初發(fā)布該服務(wù)的時間，故pti,j-pti,0為第j次服務(wù)與最初發(fā)布服務(wù)時間間隔。一般而言，時間越近值越可靠，所以發(fā)布服務(wù)質(zhì)量屬性的時間距離最初發(fā)布服務(wù)的時間越長，所占的權(quán)重就越大。具體計算方法為：

(3)

3 可靠的用戶評價獲取

對于來自服務(wù)使用者反饋的服務(wù)質(zhì)量屬性，如滿意度，由于受到服務(wù)使用者所處環(huán)境、主觀想法等各種因素的影響，對于同一種服務(wù)而言，不同的使用者在使用過該服務(wù)后都可能會有截然不同的評價結(jié)果，而且不排除惡意詆毀的情形，將所有評價平等對待是不合適的。因此在QoS計算中，對所有的用戶評價取平均是不合適的。為此，采用了“用戶相似度”作為衡量不同用戶評價所占的權(quán)重大小，以它們的加權(quán)平均求得最終評價。所謂“用戶相似度”是指兩個用戶對于使用過相同服務(wù)所反饋評價的相似程度，即相似程度越大，其用戶評價在計算中所占的權(quán)重就越大。下面給出該過程的若干相關(guān)定義。

定義2(U,EV)：U表示一組使用過相關(guān)服務(wù)的用戶構(gòu)成的集合，有U={u1,u2,…,ul}；EV表示用戶對服務(wù)的評價矩陣，有EV={EVi|EVi是用戶評價集合，為一個四元組，有EVi=(Ei,Ti,Ci,STi)}。其中，Ei是用戶ui所訪問服務(wù)的有限集合，有Ei={sj|sj為ui用過的服務(wù)，sj∈S}；Ti表示用戶ui使用的服務(wù)次數(shù)矩陣，有Ti={ti,j|ti,j表示用戶ui使用服務(wù)sj的次數(shù)，i=1,2,…,l,j=1,2,…,m}；Ci是用戶ui對所訪問服務(wù)評價的有限集合，有Ci={Ci,j,p|Ci,j,p為用戶ui對服務(wù)sj第p次的評價向量，而Ci,j,p=，其中i=1,2,…,l,j=1,2,…,m，p=1,2,…,ti,j，k=1,2,…,n2，ci,j,p,k表示用戶ui對服務(wù)sj中屬性k第p次的評價值}；STi表示用戶ui使用服務(wù)的時長矩陣，有STi={sti,j,p|sti,j,p表示服務(wù)si第p次使用服務(wù)sj時長，其中i=1,2,…,l,j=1,2,…,m，p=1,2,…,ti,j}。

定義3(推薦用戶)：用戶ui'和ui的評價分別是Vj=(Ei',Ti',Ci',STi')和Vi=(Ei,Ti,Ci,STi)，也就是如果Ei∩Ej≠?，且存在Sj∈Ei'，Sj?Ei，同時用戶ui希望獲取服務(wù)Sj的評價信息，則稱用戶ui'為ui關(guān)于服務(wù)Sj的推薦用戶。

盡管目前有很多對用戶相似度計算的相關(guān)研究，但是均未考慮到多次使用服務(wù)和使用服務(wù)的時間長短對評價的影響。比如用戶住酒店的次數(shù)越多或者住的時間越長，則對酒店了解程度就越高，所以該評價的可靠性就越高。因此，在計算用戶相似度時，引入了用戶領(lǐng)域相關(guān)度和用戶時間系數(shù)進(jìn)行修正。所謂的用戶領(lǐng)域相關(guān)度是指推薦用戶對服務(wù)領(lǐng)域的了解程度高低，一般情況下，推薦用戶使用某服務(wù)的次數(shù)占該服務(wù)總使用次數(shù)的比重越大，說明其對服務(wù)了解程度越高，那么推薦用戶評價的權(quán)重系數(shù)越高。為此，使用式(4)對其進(jìn)行計算：

(4)

其中，α為推薦用戶ui在服務(wù)si的領(lǐng)域相關(guān)度；l為用戶總數(shù)。

所謂的用戶時間系數(shù)是指用戶對服務(wù)性能的熟知程度。一般情況下，用戶使用該服務(wù)的平均時長占所有用戶使用該服務(wù)平均時長之和的比重越大，說明其對服務(wù)了解程度越高，那么推薦用戶評價的權(quán)重系數(shù)越高；同理相反。為此，使用式(5)對其進(jìn)行計算：

(5)

目前為止，計算服務(wù)相似度的公式有很多，例如皮爾遜相關(guān)系數(shù)、余弦相似度等。為了使服務(wù)的推薦方法更加準(zhǔn)確，從而需要改進(jìn)目前已有的相似度計算方法。因此引入了服務(wù)的個性化特征這一概念。例如，假設(shè)用戶a和用戶b以前都使用過服務(wù)1和服務(wù)2，給定的服務(wù)1和服務(wù)2分別為用戶不敏感服務(wù)和用戶敏感服務(wù)，不同用戶在使用過服務(wù)1后，給出的QoS評價值大體相同，因此所對應(yīng)的方差比較小，通過目前已有的計算公式計算出用戶a和用戶b的相似程度偏高，然而這并不能代表真實的相似程度，因為服務(wù)1對于所有的用戶而言是沒有差別的，這樣的服務(wù)1用于用戶a和用戶b的相似度計算時應(yīng)該貢獻(xiàn)程度越低。相反，不同用戶在使用過服務(wù)2后，給出的QoS評價值所對應(yīng)方差比較大，表明服務(wù)2對不同的用戶來說所產(chǎn)生的評價差別很大，此時，如果兩個用戶在使用過服務(wù)2后給出的QoS評價值相似，這兩個用戶才能算是真正意義上的相似。這樣的服務(wù)2用于用戶a和用戶b的相似度計算應(yīng)該貢獻(xiàn)程度越高。

總而言之，在計算兩個用戶的相似度時，不能忽略這兩個用戶共同調(diào)用的服務(wù)個性化特征。為此，使用式(6)進(jìn)行計算：

(6)

因此，使用結(jié)合服務(wù)個性化特征的距離向量法來計算目標(biāo)用戶服務(wù)評價和參考用戶服務(wù)評價的偏離大小，服務(wù)的QoS屬性可以使用向量形式表達(dá)，將用戶共同使用過的服務(wù)集合視為一個多維空間，用戶對這些服務(wù)反饋的質(zhì)量屬性數(shù)據(jù)視為該空間的一個點。則兩用戶之間的反饋相似度可以通過它們之間的幾何距離來衡量，距離越小，說明目標(biāo)用戶和參考用戶反饋的服務(wù)評價相似度越大，則該用戶的評價信息所占的權(quán)重值越大。距離越大，說明目標(biāo)用戶和參考用戶反饋的服務(wù)評價相似度越小，則該用戶的評價信息所占的權(quán)重值越小。

結(jié)合服務(wù)個性化特征的距離向量法為：

dist(ui,ui')j,k=

(7)

通過式(8)可以將用戶ui和ui'之間的距離進(jìn)行歸一化，將其限制到[0，1]這個區(qū)間內(nèi)，即可得到相似度。可以采用不同的歸一化標(biāo)準(zhǔn)，這里采用的是分?jǐn)?shù)歸一化，具體的形式為：

(8)

其中，ri-i',j,k為用戶ui和ui'在服務(wù)sj屬性k上的評價相似度；dist(ui,ui')為ui，ui'在服務(wù)sj屬性k上的幾何距離。

如果兩個用戶之間共同評分項目少，比如只有一個共同評分，而且兩個用戶的評分相同，用距離向量法算出的值為0，但僅僅因為兩個用戶對某個服務(wù)的看法相同，就認(rèn)為兩用戶的興趣高度一致，顯然不符合現(xiàn)實，所以需要在用戶推薦度上加上加權(quán)因子β。

則得到：

(9)

采用這種方法，兩個用戶之間共同評分項目少會降低用戶推薦度，而兩個用戶之間共同評分項目多會增大用戶推薦度。給定用戶ui'為ui關(guān)于服務(wù)sj的推薦用戶。則用戶ui'針對用戶ui關(guān)于服務(wù)sj在屬性k上的用戶推薦度為：

Ri-i',j,k=β×ri-i',j,k×(1+α+η)

(10)

為此，引入“用戶推薦度”作為不同反饋數(shù)據(jù)的權(quán)重，以它們的加權(quán)平均作為最終的質(zhì)量屬性值。則：

(11)

其中，ei,j,k為所有推薦用戶向ui推薦服務(wù)sj時第k個屬性的參考值。

4 基于綜合QoS評價的加權(quán)服務(wù)選擇

在應(yīng)用上述方法得出可靠的服務(wù)提供者QoS值和服務(wù)使用者評價的QoS值后，可基于綜合QoS評價進(jìn)行服務(wù)選擇。由于在進(jìn)行服務(wù)選擇時，需要綜合全面考慮服務(wù)的QoS屬性值。

通常采用加權(quán)平均的方法，權(quán)重的設(shè)置可以采用如下幾種方式：一是由用戶完全給出每個屬性的權(quán)重，即主觀權(quán)重；二是根據(jù)服務(wù)的屬性值，通過一定的算法求出權(quán)重，即客觀權(quán)重；三是既考慮服務(wù)的主觀權(quán)重又考慮服務(wù)的客觀權(quán)重，通過主觀權(quán)重和客觀權(quán)重再加權(quán)求得。

以上三種方式均有各自的優(yōu)點。對于第一種加權(quán)方式來說，用戶可以根據(jù)自己真實的需求對不同QoS屬性做出正確判斷，從而對相應(yīng)的屬性賦予滿足真實需求的權(quán)重；對于第二種加權(quán)方式來說，由于服務(wù)對于用戶而言有可能是一種全新的服務(wù)，在使用服務(wù)時對于不同QoS屬性并不知道如何關(guān)注。如果用戶在不了解服務(wù)的情況下隨意賦予權(quán)重值，由此選擇出的服務(wù)很可能并不是最優(yōu)的，針對此問題，此時就可以采用客觀權(quán)重；對于第三種加權(quán)方式來說，用戶對某些服務(wù)并不熟悉，雖然對某些QoS屬性有要求，但是并不能確定用自己的方式設(shè)置的權(quán)重選擇出來的服務(wù)是最優(yōu)的，所以需要參考下屬性的客觀權(quán)重，使主觀權(quán)重和客觀權(quán)重各占一定的比例，用戶自己完全可以根據(jù)個人需求設(shè)置該比例大小。如果希望用戶自己設(shè)置的權(quán)重大，即將主觀權(quán)重的比例調(diào)大一點，如果希望客觀權(quán)重大些，即將客觀權(quán)重的比例調(diào)大。綜合上述可知，采用第三種方式更具優(yōu)勢。

服務(wù)質(zhì)量矩陣可以表示為：

X=(xij)m×(n1+n2)

(12)

其中，m為可選服務(wù)的數(shù)量；n1+n2為服務(wù)的屬性個數(shù)。

對于客觀權(quán)重，即cw=(cw1,cw2,…,cwn1+n2)T，采用熵值法進(jìn)行計算。由熵值法可知，某個屬性信息的價值取決于1和該屬性熵的差，該差影響屬性權(quán)重大小，信息的價值越大，對評價結(jié)果的影響就越大，屬性權(quán)重值也得到相應(yīng)增大，因此，熵值法確定某個屬性的權(quán)重是利用該指標(biāo)屬性的價值系數(shù)來計算，該值越高對評價的影響就越大，則權(quán)重越大。熵的計算方法如下：

(13)

其中，τ為常數(shù)τ=1/lnm；ej為QoS矩陣Y的屬性j的熵值。

因此，計算屬性j客觀權(quán)重cw的方法為：

(14)

由于所采用的權(quán)重是主客觀合成的權(quán)重，假定用戶給出的主觀權(quán)重為zw=(zw1,zw2,…,zwn1+n2)T，通過以上方法求得客觀權(quán)重為cw=(cw1,cw2,…,cwn1+n2)T，則合成的權(quán)重，即sw=(sw1,sw2,…,swn1+n2)T，swj的計算方法為：

swj=a×zwj+(1-a)cwj

(15)

最終將矩陣X=(xij)m×(n1+n2)和合成權(quán)重sw=(sw1,sw2,…,swn1+n2)T相乘得到的矩陣表示為Z=(zij)m×1，通過式(16)求得：

zij=swj×xij

(16)

同時根據(jù)最終矩陣Z選擇最優(yōu)服務(wù)。

5 實例分析

下面將給出一個具體實例以演示上述方法的有效性。以旅游服務(wù)為例，生成10個用戶集合U={u1,u2,…,u10}和10個旅游商家集合S={s1,s2,…,s10}，并選取旅游商家的服務(wù)費用、服務(wù)時間、服務(wù)滿意度、服務(wù)可靠性4個指標(biāo)作為服務(wù)的QoS屬性。其中旅游商家的服務(wù)費用和服務(wù)時間這兩個屬性數(shù)據(jù)主要來源于服務(wù)提供者，服務(wù)滿意度和服務(wù)可靠性這兩個屬性數(shù)據(jù)主要來源于服務(wù)使用者。所采用的是10分制。

表1中Ri,11表示服務(wù)提供者當(dāng)前發(fā)布的QoS屬性數(shù)據(jù)，Ri,0,Ri,1,…,Ri,10表示利用采集機制收集的11次歷史數(shù)據(jù)(其中Ri,0是服務(wù)最初發(fā)布的數(shù)據(jù)，采集的數(shù)據(jù)時間間隔為1天)。

表2為用戶評價矩陣，由于用戶可以多次使用服務(wù)，所以每個單元格對應(yīng)每次使用服務(wù)的評價信息，在單元格中前兩個數(shù)字表示用戶的評價值而后一個數(shù)字表示服務(wù)的使用時間(由于用戶評價數(shù)據(jù)較多，所以只抽取了u1，u2，u10的數(shù)據(jù))。

5.1 獲取可靠的服務(wù)提供者發(fā)布的屬性值

Step1：基于采集到的Ri,0,Ri,1,…,Ri,10數(shù)據(jù)，通過式(3)計算綜合歷史的QoS值。以s2中服務(wù)費用屬性

表1 10個服務(wù)對各屬性12次歷史描述信息表

表2 3個用戶對10個服務(wù)各屬性的歷史評價信息表

為例，有：

f(Ri,0,Ri,1,…,Ri,10)=

Step2：通過式(1)對服務(wù)s2發(fā)布的數(shù)據(jù)進(jìn)行修正，設(shè)w=0.5。計算結(jié)果為<3.836 36，5.218 18>。同理求得s6,s9分別為<5.481 81，5.790 91>，<4.681 81，6.518 18>。

5.2 獲取可靠的服務(wù)使用者反饋值

表3 10個用戶對10個服務(wù)各屬性的平均評價信息表

表4 用戶使用服務(wù)次數(shù)和服務(wù)使用平均時長信息表

Step5：假設(shè)β=1；以服務(wù)s2為例，通過式(10)求得u2，u4，u7，u9的關(guān)于第一個屬性推薦度分別為0.571 81，0.254 37，0.660 93，1.127 59；關(guān)于第二個屬性推薦度為0.263 92，0.736 61，0.521 59，0.594 75。同理求得服務(wù)s6中u3，u6，u8，u9關(guān)于第一個屬性推薦度分別為0.324 43，0.335 90，0.173 03，0.561 48；關(guān)于第二個屬性推薦度分別為0.394 89，0.361 37，0.358 93，0.592 31。服務(wù)s9中u3，u6，u9，u10關(guān)于第一個屬性推薦度分別為0.283 87，0.289 81，0.630 12，0.349 07；關(guān)于第二個屬性推薦度分別為0.345 53，0.311 78，0.664 72，0.296 32。

5.3 基于QoS綜合評價的服務(wù)選擇

Step1：通過前兩個過程得出的初始矩陣為：

Step2：通過式(13)，可以求得e1,e2,e3,e4分別為0.990 47，0.996 22，0.991 78，0.991 01。

Step3：通過式(14)，有：

cw1=(1-0.990 47)/((1-0.990 47)+(1-0.996 22)+(1-0.991 78)+(1-0.981 01))≈0.312 25，同理cw2，cw3，cw4分別為0.123 85，0.269 33，0.294 56。即cw=(0.312 25,0.123 85,0.269 33,0.294 56)T。

Step4：假設(shè)目標(biāo)用戶的主觀權(quán)重值為zw=(zw1,zw2,…,zw4)T=(0.3,0.2,0.4,0.1)T，設(shè)a=0.5，通過式(15)，有sw1=0.5×0.3+(1-0.5)×0.312 25=0.306 13，同理求得sw2=0.161 92，sw3=0.334 67，sw4=0.197 28；即sw=(0.306 13,0.161 92,0.334 67,0.197 28)T。

Step5：根據(jù)式(16)，有：

(0.306 13,0.161 92,0.334 67,0.197 28)T=

Step6：由于5.339 28>5.175 30>4.542 79，所以服務(wù)s9最適合目標(biāo)用戶u1。

6 結(jié)束語

為了向目標(biāo)用戶提供全面可靠的QoS選擇依據(jù)，提出了一種基于QoS綜合評價的服務(wù)選擇方法。對于來自服務(wù)提供者描述的QoS，基于歷史數(shù)據(jù)的統(tǒng)計對服務(wù)提供者描述的QoS數(shù)據(jù)加以修正；對于來自用戶反饋的QoS評價，通過計算用戶之間以往反饋的相似程度，同時引入用戶領(lǐng)域相關(guān)度，時間系數(shù)和服務(wù)個性化等概念對用戶相似程度進(jìn)行修正，得到最終推薦度，然后由用戶推薦度所占的比重作為權(quán)重計算出最終評價值；在計算出所有的結(jié)果后，針對目標(biāo)用戶對主觀給出的各QoS屬性權(quán)重值可能不太確定的現(xiàn)狀，采用熵值法計算客觀權(quán)重并結(jié)合用戶的主觀權(quán)重加權(quán)進(jìn)行整合，從而進(jìn)行服務(wù)選擇。通過實例驗證了該方法的有效性，提高了服務(wù)選擇的準(zhǔn)確性。下一步工作中，將結(jié)合數(shù)理統(tǒng)計理論對相似度計算公式進(jìn)行深入研究。

[1] 王海艷,楊文彬,王隨昌,等.基于可信聯(lián)盟的服務(wù)推薦方法[J].計算機學(xué)報,2014,37(2):301-311.

[2] 曹利培,李愛玲,劉 靜.基于QoS的兩階段Web服務(wù)選擇方法[J].計算機工程與設(shè)計,2009,30(3):747-751.

[3] Zheng Z,Ma H,Lyu M R,et al.Wsrec:a collaborative filtering based web service recommender system[C]//IEEE international conference on web services.[s.l.]:IEEE,2009:437-444.

[4] 邵凌霜,李 田,趙俊峰,等.一種可擴展的Web Service QoS管理框架[J].計算機學(xué)報,2008,31(8):1458-1470.

[5] 郭得科,任 彥,陳洪輝,等.一種基于QoS約束的Web服務(wù)選擇和排序模型[J].上海交通大學(xué)學(xué)報,2007,41(6):870-875.

[6] 楊勝文,史美林.一種支持QoS約束的Web服務(wù)發(fā)現(xiàn)模型[J].計算機學(xué)報,2005,28(4):589-594.

[7] 巫 茜,周 慶.基于QoS與可信度融合的Web服務(wù)選擇機制研究[J].計算機科學(xué),2012,39(7):108-111.

[8] Mehdi M,Bouguila N,Bentahar J.A QoS-based trust approach for service selection and composition via Bayesian networks[C]//Proceedings of ICWS’13.[s.l.]:[s.n.],2013:211-218.

[9] 馬 友,王尚廣,孫其博,等.一種綜合考慮主客觀權(quán)重的Web服務(wù)QoS度量算法[J].軟件學(xué)報,2014,25(11):2473-2485.

[10] 宋海霞,嚴(yán) 馨,余正濤,等.基于自適應(yīng)聚類的虛假評論檢測[J].南京大學(xué)學(xué)報：自然科學(xué)版,2013,49(4):433-438.

[11] Bellare M,Namprempre C,Pointcheval D,et al.The power of RSA inversion oracles and the security of Chaum’s RSA-based blind signature scheme[C]//Lecture notes in computer science.Berlin:Springer,2002:319-338.

[12] Okamoto T.Efficient blind and partially blind signatures without random oracles[C]//Lecture notes in computer science.Berlin:Springer,2006:80-99.

[13] Camenisch J,Koprowski M,Warinschi B.Efficient blind signatures without random oracles[C]//Lecture notes in computer science.Berlin:Springer,2005:134-148.

[14] Boneh D, Boyen X. Efficient selective-ID secure identity based encryption without random oracles [C]//Lecture notes in computer science.Berlin:Springer,2004:223-238.

A Service Selection Method with QoS Synthetic Evaluation

HE Gan-zhi，LIU Xi-ping

(College of Computer Science & Technology,Nanjing University of Posts and Telecommunications,Nanjing 210003,China)

It is increasingly important for users to exactly select a service meeting their requirements from the mass services.Assessment on the quality of service is crucial in the process of service selection.Existed QoS-based service selection methods generally assume that QoS data from service providers and users are trustable.However,it is not realistic.Therefore,a service selection method based on comprehensive evaluation of QoS is proposed,by which the values of quality attributes provided have been adjusted based on historical statistical data and that from user reviews have been integrated into a comprehensive QoS evaluation for a target user based on the user similarity computed through reviews on time factors.Moreover,entropy method is adopted to calculate the user’s subjective and objective synthesis weights with further operation of service selection based on the adjusted publishing QoS from providers and the reliable reviewing QoS from users.The experimental results show that it is effective and feasible.

service selection;user similarity;entropy method;QoS synthetic evaluation

2016-09-30

2017-01-04 網(wǎng)絡(luò)出版時間：2017-07-05

國家自然科學(xué)基金資助項目(61402241)

何干志(1992-)，男，碩士研究生，研究方向為服務(wù)計算；劉茜萍，副教授，碩士生導(dǎo)師，研究方向為服務(wù)計算、工作流。

http://kns.cnki.net/kcms/detail/61.1450.TP.20170705.1652.074.html

TP301

A

1673-629X(2017)08-0164-07

10.3969/j.issn.1673-629X.2017.08.035