語義驅動的作戰資源服務聚類方法

何宜超，孫 鵬，焦志強，張杰勇，王 衡

(1.空軍工程大學信息與導航學院，西安，710077； 2.空裝合肥第一軍代室，合肥，230000)

近年來，隨著云計算、虛擬化[1]、云制造[2]等各種新技術的不斷發展，軍事網絡信息體系的開放性不斷增加，新型指揮信息系統正朝著“智能與韌性”的方向發展[3]。在新型指揮信息系統建設過程中，作戰資源的整合接入問題及新型指揮信息系統的服務模式問題亟待解決。

作戰資源的部署使其地理位置具有特殊性，各層級資源結構各異，規模巨大，難以實現共享與集中管理。為了實現對作戰資源的有效利用，使其動態接入網絡化指揮信息系統，將面向服務[4]的思想應用于系統，需要對作戰資源解耦合，將其能力映射至服務，從而實現對作戰資源的統一管理。基于上述思路，需要對大量云服務進行聚類重組，減小作戰資源服務組織管理對象的規模，提高服務組織效率，同時為系統敏捷演化提供依據。

針對軍事組織中作戰資源的整合管理問題，文獻[5]引入了一種以接口匹配作為服務約束的思想，重點以輸入輸出的形式定義接口，提供了對云服務化作戰資源的相關服務操作，雖然易于在云協同中管理云服務，但定義形成的云服務規模大，管理效率低。文獻[6]提出一種面向應用的軍事信息服務規劃(Application-Oriented Military Information Service Planning, AOMISP)，將軍事應用抽象成服務，并通過PASW statistics軟件對作戰資源按功能屬性聚類，但聚類方法較簡易，聚類效果一般。文獻[7]基于SOA架構提出了新型工業制造理念——云制造，將制造資源服務化，以網絡平臺和云服務架構為基礎，完成資源的虛擬及整合，文獻[8～9]對實現云制造的關鍵技術進行了研究，實現了制造資源云服務化。

就資源服務化而言，對其形成的云服務應進行描述以實現系統的機器互識。目前已有關于對服務進行語義描述的研究。文獻[10]提出了一種新型服務描述模型，以動態描述的思路對傳統方式進行改進，并對服務進行模型化處理，使其能作為動態資源接入計算系統。

對于資源進行服務建模可以認為是一種池化過程。對于大規模的服務池，文獻[11]利用遺傳K-means算法對服務池進行聚類處理，在結合遺傳算法的基礎上，有效地提高了K-means聚類算法的穩定性，但在尋優后期搜索能力較弱。

為更好解決云化資源的機器互識和拼接整合問題，本文采用服務本體描述語言(Ontology Web Language of Service, OWL-S)[12]作為語義描述規范，通過分析作戰資源特征和屬性，對虛擬化作戰資源進行了服務化建模，然后設計了一種改進聚類算法對云化作戰資源服務進行聚類，提高了聚類目標優化效果，改善了算法穩定性。

1 作戰資源服務化

作戰資源服務化是將同型異構的作戰資源進行抽象聚合，形成彈性可擴展的資源池，使其能夠實現動態分配，靈活調度與多域共享，從而使得作戰資源的利用率得以提高，簡化了對作戰資源的管理，同時使戰時作戰方案得以優化。

1.1 作戰資源概述

作戰資源是指與作戰直接相關的資源，它可以直接為作戰行動提供支撐，包含武器裝備、態勢信息、后勤保障等相關資源。

戰場中存在著數量龐大、形式不同的作戰資源，為了對作戰資源進行統一組織和運用，需要按照資源的物理屬性及其功能作用，先對作戰資源進行邏輯分類和建模，形成統一的語義描述，實現作戰資源的機器互識。在復雜多變的戰場環境下，武器裝備等作戰資源具有不同于普通計算資源的特征。若想更好地將武器資源應用于戰場，需要對其屬性進行分析研究[13]。

1.2 作戰資源的屬性模型

作戰資源種類眾多，形態各異，對其進行服務化封裝需要屬性建模，屏蔽其異構性。作戰資源可以按照主從屬性進行劃分，其中主要屬性包括元屬性(Basic)、實時屬性(Rtime)、地理屬性(Location)、功能屬性(Capability)[14]。

元屬性是對作戰資源固有特征的描述，包含了作戰資源的名稱、編號、類別、基本描述。實時屬性是對該作戰資源實時可用狀態的描述，包含可用狀態、隊列狀態、占用狀態、失效狀態。地理屬性主要包含作戰資源的經緯度坐標。功能屬性下包含多個二級服務屬性，每個服務屬性都包含其唯一編碼、描述、接口屬性等。

1.2.1 Basic

Basic = {CR_Id, CR_Name, CR_Type, CR_Description}

其中：CR_Id為作戰資源的唯一編碼；CR_Name為作戰資源名稱；CR_Type為作戰資源類型；CR_Description為作戰資源描述。

1.2.2 Rtime

Rtime={Available, Occupied, Error, Scheduled}

其中：Available指該作戰資源處于可調用狀態，用戶可以對該資源進行選擇；Scheduled指該作戰資源已處于隊列狀態，需完成前置任務需求；Occupied指該作戰資源處于執行任務狀態，其他用戶無法調用；Error指該作戰資源由于技術故障失效，無法被調用。

1.2.3 Location

Location = {Lo_x, Lo_y}表示作戰資源的經緯度坐標。

1.2.4 Capability

Capability={Service1, Service2, Service3, …, Servicen}

Servicen作為該作戰資源的二級屬性，表示該作戰資源可提供更小粒度的功能性原子級服務，用X元組表示為：

Servicen={S_basic, S_Access, S_interface}

1)S_basic表示該原子級服務的基本屬性，有：

S_basic={S_Id, S_Name, S_Type, S_Description, S_Qos}

其中：S_Id表示該服務的唯一標識；S_Name表示該服務的名稱；S_Type表示該服務的類型；S_Description表示該服務的具體描述；S_Qos表示該原子級服務的服務質量。

2)S_Access表示作戰資源服務的訪問屬性，可形式化表示為以下四元組：

S_Access={Input, Output, Precondition, Effect}

其中：Input指服務的輸入；Output指服務的輸出；Precondition指服務的先決條件；Effect指服務執行后產生的結果。

3)S_interface表示服務的接口屬性，可形式化表示為以下三元組：

S_interface={Protocol, Message format, Interface Type}

其中：Protocol指通信協議；Message format指消息格式；Interface Type指接口類型。

1.3 作戰資源服務化建模

作戰資源具備多種能力，將其服務化是在云環境下得以廣泛共享應用的前提。將作戰資源能力以原子級服務的形式表示，并結合本體語言進行描述，即一切作戰資源提供的能力以服務的形式共享，見圖1。OWL-S是一種在語義網中用于對服務進行規范化描述的本體語言[14]。根據該語言的語法約束，對原子級服務進行本體建模，其中原子級服務繼承作戰資源的元屬性、實時屬性、地理屬性，同時擁有自己專有的訪問屬性。

2 作戰資源服務聚類

對于統一建模的作戰資源原子級服務，由于其數量規模龐大，根據任務需求對其進行快速組合與匹配難度較大。為縮小服務組合優選管理對象規模，并為后續服務組合優選等操作提供候選服務集合，需對作戰資源中的原子級服務進行聚類分析。原子級服務相似度和服務聚類目標是作戰資源服務聚類分析的基礎。

2.1 作戰資源原子級服務相似度

本文對于作戰資源原子級服務間相似度定義主要體現在其概念相似度(SA)及服務質量相似度(SQ)的綜合相似度。首先計算2個服務間的屬性重合度作為共同概念相似度，由式(1)可知，當兩服務間不具備屬性重合時，兩者間概念屬性相似度為0，即兩服務不相似。

(1)

式中：AX、AY分別表示樣本X、Y的屬性集合，服務質量相似度則采用歐氏距離作為QoS間的距離度量:

(2)

式中：xi,yi表示AX與AY屬性集中的單一屬性；n表示屬性集元素個數，則其綜合相似度定義為：

(3)

2.2 作戰資源服務聚類目標

作戰資源服務聚類的目標是將到某類中心距離之和最短的資源劃分為同一類(相似度最大)，即：

(4)

式中：m表示作戰資源類別數；xi指樣本為待求解的決策變量；S表示不同類的樣本集合；Sj則為第j類的樣本集合；zj為第j類的聚類中心。

3 基于遺傳的模擬退火K-means聚類方法

到目前為止，K-means是最經典的聚類分析方法之一[15-18]。其原理是基于分區聚類的無監督聚類方法，該方法根據給定的度量距離，將具有相似特征的數據聚類為K個簇，最后通過投票情況決定對象的類型。算法時間復雜度為O(n2)，局部搜索能力強，收斂快，但是在求最優解時需要選擇合理聚類中心，并且進行全局搜索時，特征計算能力較弱，難以得到全局最優解。文獻[19]提出結合遺傳算法的K-means聚類方法，用于尋找初始聚類中心，增強局部搜索能力，雖然一定程度上提高了全局搜索能力，但遺傳算法自身存在早熟現象，且最優解有可能會出現倒退，算法難以得出最優結果。

本文提出一種基于遺傳的模擬退火K-means算法，通過結合模擬退火算法與K-means操作改善遺傳算法本身的缺陷，使得聚類性能得以提高。

3.1 染色體編碼

對于個體的基因編碼是遺傳算法中的首要操作。假設作戰資源原子級服務的總體樣本數量為N，聚類中心為m，則個體中每一基因點GX表示該作戰資源服務所歸屬的類別號，由此得該個體樣本見圖2。

將作戰資源屬性樣本隨機分至m類中，并根據分類結果生成染色體編碼GN。設定種群大小為Q，將該操作迭代Q次以形成初始種群P0。

3.2 選擇操作

選擇操作的主要目的是從當前種群中選取合適的個體為后續的操作提供父代個體。直觀來看，優秀的父代個體可以產生更加優秀的后代，但強制選擇適應度高的個體作為父代容易造成算法陷入局部最優，從而影響算法的尋優性。因此，在執行選擇操作時，還需要兼顧到當前情況下處于劣勢的個體，以保證算法的全局搜索能力。基于上述考慮，本文采用輪盤賭策略對個體進行選擇，通過計算適應度確定其被選擇的可能性，適應度越高，被選擇的概率也就越大。由此可得種群P中每一個體被遺傳至下一代的概率為：

(5)

3.3 基于K-means的交叉操作

對于選擇操作后形成的新種群，使用K-means算法代替遺傳算法中的交叉操作以實現加速聚類的目的。具體過程為：對新個體更新其聚類中心，重新計算所有樣本到中心的距離，并重新分配至最近的類，從而獲得新個體。對上一步操作中形成的新種群中的所有個體進行該操作從而獲得新種群。聚類中心的更新體現如下：

(6)

3.4 模擬退火變異

在種群更替過程中，每一個體的編碼情況都存在有一定的幾率Ii發生變異。本文采用均勻變異操作，即每一染色體上不同位的基因，根據其與聚類中心的距離，以一小概率Ii發生變異。

(7)

3.5 整體流程

1)參數初始化：聚類樣本總數N，聚類中心為m，種群大小Q，模擬退火初始溫度T0，最終溫度Te，常數K，模擬退火變異迭代次數iter；

2)將作戰資源服務屬性樣本向量隨機分至m類，并根據分類結果生成染色體編碼GN，迭代Q次形成初始種群P0；

3)根據式(1)～(4)計算該種群中每個個體的目標函數值E(xi)；

4)根據式(5)～(7)對初始種群進行選擇變異及交叉操作，生成新種群；

5)將3)和4)重復執行iter次；

6)輸出該種群中的最優個體作為最優解。

4 實驗仿真

4.1 實驗設計

根據前文設計的本體模型，采用模擬生成的3個數據集進行實驗，驗證算法的尋優性與穩定性。

數據集1：樣本數據N=200，每組樣本屬性數n=11,聚類中心數m=15；

數據集2：樣本數據N=400，每組樣本屬性數n=15，聚類中心數m=6；

數據集3：樣本數據N=500，每組樣本屬性數n=20，聚類中心數m=12。

給出數據集1的一組樣本數據實例，如表1所示。其中，每個聚類樣本皆具有其11元屬性組作為聚類參數，通過樣本參數計算相似度并使用本文的改進算法對實驗進行仿真。

表1 作戰資源樣本服務

4.2 算法尋優性實驗

為驗證本文改進算法的尋優性，本文對基于遺傳的模擬退火算法(GS)，基于遺傳的K-means算法(GK)及本文提出的改進算法(GKS)進行比較，選取目標函數最優值及時間開銷為對比數據，以對比3種算法的性能。結果見圖3。

圖3 3種數據集下實驗結果

具體結果見表2，best_obj表示目標函數最優值，time_c表示算法每代的時間開銷。

表2 3種算法結果對比

可以看出，由于在本問題中GS算法沒有采用基于K-means的交叉操作，搜索能力較弱，目標函數值較低；本文提出的GKS算法的目標函數值均優于另外2種算法，由于改進算法中引入了模擬退火操作，所需的時間開銷大于GK算法。整體來看，本文提出的算法可以得出更優的目標函數值、更優的聚類結果。

4.3 算法穩定性實驗

為進一步驗證本文提出改進算法的穩定性，本文選取第3組數據集進行6次實驗，并記錄3種算法的最優函數值，實驗結果見圖4。

圖4 實驗結果對比

圖5為算法穩定測試測試結果，本文所提出的改進算法性能均優于GK與GS算法。為驗證算法穩定性，選取標準差這一指標對目標函數值的結果進行分析，結果見表3，本文提出的GKS算法仿真結果的標準差值為0.033 641 777，小于GK與GS算法的標準差值，相比于GK算法和GS算法更為穩定。綜上所述，本文提出的改進算法具有較好的尋優與穩定性。

圖5 算法穩定性測試結果

表3 統計參數結果

5 結語

對服務化組織的作戰資源進行聚類是減小服務管理對象規模、提高作戰資源組織運用效率的重要手段。本文首先基于OWL-S構建原子級服務本體模型，為作戰資源聚類提供資源描述的基礎，然后根據服務本體模型描述特點改進服務間相似度定義，最后結合模擬退火算法改進變異操作，基于K-means算法的思想改進了交叉操作，提出了一種基于遺傳的模擬退火K-means算法。通過實驗驗證，該方法相較于GS算法和GK算法具有更好的尋優性和穩定性。