制造云服務組合中支持服務關聯的QoS感知評估模型

謝曉蘭，曾蘭英，翟青海

（1.桂林理工大學廣西嵌入式技術與智能系統重點實驗室，廣西 桂林 541004；2.桂林理工大學信息科學與工程學院，廣西 桂林 541004）

1 引言

隨著制造業的發展，傳統制造模式難以滿足客戶復雜多樣的需求，制造資源和制造能力未能有效利用，以至于不少制造企業面臨資源瓶頸和資源閑置問題[1]。基于此，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的中間媒介連接用戶和服務提供商，改變了制造資源和制造能力的流通方式。但由于制造規模擴張，單一的服務資源不能完成復雜的制造任務，因此需將制造云平臺中具有不同功能的制造資源服務以組合的方式形成隨需求即時變換的松耦合制造云服務應用，從而滿足整個制造生命周期中的各個功能需求[3]。

服務質量（QoS,quantity of service）作為衡量服務組合好壞的非功能需求指標，是制造云服務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 不同的制造云服務中挑選出較好的服務組合是首要問題[4]。通常采用建立QoS 評估模型并結合群體智能算法等優選方式進行問題求解，得到最佳服務組合。

陳友玲等[5]建立了服務需求方和服務提供商的雙側約束，通過服務質量計算模型對制造云服務組合進行綜合評估，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能力評估和推薦的系統框架，并基于Web 的系統形式實現了該方案。Afshin 等[7]提出了一種基于Agent 的混合方式實現服務組合，通過識別QoS 參數和粒子群算法來選擇優質服務，提升了組合資源和等待時間方面的性能。Li 等[8-9]考慮了服務調用順序以及服務之間的時間關系，以資源服務鏈的方式對服務順序組合進行描述，并提出了資源服務鏈組成算法進行方案求解。

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

有不少學者對服務關聯進行了探索。Tao 等[10]著重研究了2 個服務間的商業實體關聯關系，并闡述了相應的QoS 描述模型。Lina[11-12]在分析服務間存在關聯的基礎上，研究了一種剔除冗余服務的服務選擇方法，提高了選擇效率。Xu 等[13]和田思思等[14]建立了基于關聯關系的云制造服務聚合模型（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）得到非劣服務組合解集。Liu 等[15]建立了含有3 種關聯的綜合QoS 相關性模型，并基于該模型應用了基于案例庫的并行最大最小螞蟻系統（PMMAS-CL,parallel max-min ant system based on case library）算法求解。

以上研究對服務組合關聯的QoS 感知時效性未能有良好體現，因此本文在前人的基礎上進一步對業務實體關聯和統計關聯進行研究，提出了支持服務關聯的QoS 感知評估模型。在業務實體關聯中考慮了服務提供商的合作時長，有效區分企業合作的好壞。在統計關聯中充分挖掘服務組合歷史記錄信息，利用“分時有效”的思想預測得到當前時間的QoS，并結合關聯規則評估中相關性度量參數KULC（kulczynski）和不平衡因子（IR,imbalance ratio）[16]形成動態變化量以保證統計關聯的時效性。最后建立了多目標優化模型，使用含有關聯分析的NSGAII（non-dominated sorting genetic algorithm II）進行求解，篩選出了制造云環境下較優質的服務組合解集。本文的主要工作和貢獻如下。

1) 主要分析了業務實體關聯和統計關聯，并提出了相應的服務描述模型和計算方式。將企業合作時間引入業務實體關聯中區分合作優劣；在統計關聯中，利用關聯規則相關性度量參數KULC 和IR評估服務組合的關聯強度，并結合時間衰減函數得到的QoS 預測值動態調整統計關聯的QoS 變化量，使服務組合QoS 更能貼合實際制造環境。

2) 建立了支持服務關聯的QoS 感知評估模型，并利用基于Pareto 最優解的NSGAII 多目標優化算法進行問題求解。將服務關聯分析引入算法中，通過全局約束進行尋優限制，得到非劣服務組合解集，有助于服務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 制造云服務組合流程

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

2.2 制造云服務描述模型

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

其中，MCSbasic為制造云服務的基本信息，如名稱、參數等；MCScategory為制造云服務類別，如制造資源、制造能力和制造知識；MCSstatus為制造云服務的狀態信息，如空閑、未滿負荷、滿負荷和超負荷等；MCSfunction為制造云服務的功能描述，如輸入、輸出等；MCSQoS為制造云服務的服務質量QoS，是選擇選擇服務并評估服務組合好壞的標準；MCScorrelation為制造云服務間的關聯關系，如接口關聯、業務實體關聯和統計關聯等。

3 制造云服務關聯模型

制造云服務描述模型中 MCScorrelation包含接口關聯、業務實體關聯和統計關聯3 種服務關聯關系，下面將給出相應的定義、描述模型和QoS 計算方式。

3.1 服務關聯關系

3.1.1 接口關聯

定義1接口關聯。在制造云服務組合過程中，MCSi為MCSj的前驅服務，MCSj為MCSi的后繼服務。MCSi的輸出與MCSj的輸入之間的數據邏輯關系即為接口關聯。制造云服務的接口關聯可以用式(2)描述。

其中，Outi是MCSi的輸出，Inj是MCSj的輸入。接口關聯關系可分為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、無關聯匹配。在摩托車生產裝配流程中，假設車架生產采用的服務為MCS1，摩托車裝配選擇服務為MCS10，則可以表示為

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

其中，Sim(i,j)表示MCSi和MCSj的接口關聯度，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聯，其值為0（表示不存在）或1（表示存在）。

3.1.2 業務實體關聯

定義2業務實體關聯。在制造云服務平臺中，不同云服務提供商之間的企業利益關系，即合作或競爭。業務實體關聯一般用四元組進行表示，如式(4)所示。

其中，δ表示MCSj與MCSi之間是否存在業務實體關聯關系，其值為0 或1。

3.1.3 統計關聯

定義3統計關聯。制造云平臺中，2 個或多個云服務經常被綁定應用于同一服務組合中執行某一制造任務。統計關聯常用三元組進行表示，如式(6)所示。

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

統計關聯主要影響制造云服務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是否存在統計關聯關系，其值為0 或1。

式(3)、式(5)和式(8)可將服務之間的關聯關系直接作用于QoS，通過建立基本的QoS 評估模型對服務進行選擇。

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QoS 可形式化表示為

制造云服務組合的抽象工作流中包含了一種或多種邏輯控制結構，如順序結構、并行結構、選擇結構和循環結構。不同邏輯控制結構的計算方式也有所不同，一般計算服務組合的QoS 會將非順序結構轉換為順序結構進行計算。本文只討論順序結構，服務組合的QoS 各屬性可通過單個服務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表示服務組合中含單個服務的數量。綜合考慮以上屬性，則某一制造任務的服務組合 QoS 綜合評估值Q(MCSC)的計算式為

其中，wi為第i個QoS 屬性的權重，一般是服務需求方設置，反映各屬性的優先順序；Qi(MCSC)為服務組合第i個屬性值。

4 支持服務關聯的QoS 感知模型與求解

4.1 支持服務關聯的QoS 感知模型

本文根據制造云服務的特點改進了服務組合關聯模型中業務實體關聯和統計關聯，考慮了企業合作時長和歷史服務組合情況，提出了合作時間因子和基于預測的QoS 變化量，在保證滿足制造任務的同時，最大化服務組合QoS 水平，提升服務組合的時效性。

4.1.1 合作時間因子

制造云平臺中云服務提供商往往會建立合作關系以達到共贏目的。建立長期的合作關系，不僅可以充分利用雙方資源，還能更快、更好地實現制造企業降低成本、縮短產品生產周期等戰略目標。合作時間越長，企業之間工作接洽越協調，合作效果越好；反之，合作時間越短，越容易出現一些合作問題與風險。

介于上述情況，本文從制造云服務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務實體關聯模型中，即將業務實體關聯中MCSi的QoS 屬性計算式(5)調整為

同時，將業務關聯中合作關系、無關系、競爭關系量化表示2、1、0.5 分別調整為1、0、?1，使競爭關系差量增大，即增加了競爭關系的懲罰。

4.1.2 基于預測的QoS 變化量

在統計關聯中，之前的研究簡單地通過服務組合執行制造任務的成功次數與總執行次數的比例來衡量統計關聯的好壞，忽略了2 個服務形成的關聯規則的影響。此外，統計關聯中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性，難以發現2 個服務在近一段時間內組合執行制造任務的效果。針對上述問題，本文考慮了時間因素并結合相關性度量參數KULC 和IR 動態生成統計關聯的QoS 變化量。在式(6)的基礎上調整了統計關聯的描述模型，如式(15)所示。

將KULC 和IR 相結合作為2 個服務之間關聯規則的評估指標，是對關聯強度的良好度量方式[16]。KULC 表示MCSi和MCSj的相關性，當KULC≥0.7時，即MCSi的出現促進了MCSj的出現，稱為正相關；當KULC≤0.3 時，稱為負相關。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據的數值大小對關聯規則可靠性造成的影響。IR 度量了雙向關聯規則是否平衡，若IR 越接近0，則表明MCSi和MCSj之間的關聯規則越平衡，對于雙方出現的可能性相同。一般IR≤0.3 為平衡，IR≥0.6 為不平衡。

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

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

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

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

針對所提出的統計關聯描述模型，其對應MCSi的QoS 屬性計算式為

服務組合歷史記錄信息在不同時間內含有的記錄個數不同，并且相同服務組合在不同時間的執行效果不一，則QoS 預測值以及KULC 和IR 會隨時間波動，從而使云服務QoS 變化量動態調整。這樣不僅能保證統計關聯的時效性，還可以對制造云服務統計關聯有良好的區分。

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，表示服務質量越好；再如可靠性、可用性和信譽度，其值越大，表示服務質量越好。因此，在計算服務組合加權QoS 前，需要對QoS屬性進行無量綱化處理，如式(20)和式(21)所示。

制造云服務組合本質上是由一系列候選云服務按照制造工藝流程構成的執行路徑。在基于QoS對制造云服務組合優選時，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等方式將多目標轉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，并且權重依賴過大，主觀性過強。

因此，本文將采用基于Pareto 最優的多目標優化對服務組合問題建模，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)為需要優化的目標函數，本文將時間和成本作為制造云服務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，制造云服務組合的時間和成本不能高于服務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需求方的最低期望值。

本文采用了多目標優化中經典的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化多個目標函數值，則無法保證每個目標函數都能取得最優解，使某些解之間目標沖突，導致無法進行比較，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，將解集進行分層，得到每個解的層級即Rank，使每一層內的解均為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區分解的優劣情況。最后結合遺傳操作和精英選擇策略，經過不斷迭代后，篩選出Pareto 最優解集即非劣服務組合解集。

一個服務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，個體采用實數編碼，其編碼位置的數值為對應子任務選擇的服務編號，如服務組合[2,11,20,32,40]即第一個子任務選擇2 號制造云服務依次類推。將關聯分析流程引入NSGAII 中，對種群中每個個體進行3 種關聯關系分析，并返回個體的各個目標函數值，最后擇優選擇，具體流程如圖2 所示。

圖2 服務關聯分析流程

具體算法流程介紹如下。

步驟1隨機生成規模為n的初始化種群Pt，對種群進行關聯分析，返回目標函數值。

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，得到Pareto 最優解集合；反之，返回步驟2。

5 實驗與結果分析

本節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測的QoS 變化量對服務組合選擇的時效性影響。

5.1 實驗設計

假設制造云平臺中有15 個服務提供商，每個服務提供商有3 種不同類型的制造云服務，共45個制造云服務?，F有一制造任務被分解為由5 個子任務串聯組成的業務流程，如圖3 所示，每個子任務有3 個服務提供商可提供相應需求的制造云服務，即每個子任務有9 個候選云服務。

圖3 制造子任務流程

1) 實驗數據

按照傳統制造業企業的典型運作方式，本文將制造工作流程簡化為設計、采購、生產、質檢、配送，并分別對應上述劃分的5 個子任務。為保證實驗數據的科學性、推測性和一般性，參考了前人實驗數據設定并結合制造流程中各子任務制造時間和制造成本的不同，按照如表2 所示的不同數值范圍隨機生成了候選服務的QoS。

表2 制造云服務QoS 取值范圍

在接口關聯關系中，相似度Sim 的取值范圍為[0.7,1]。在業務實體關聯關系中，隨機選擇一定比例的服務提供商形成合作或競爭關系，并隨機生成數值范圍為[1,10]的合作時間。通過多次模擬實驗，生成1 000 條歷史服務組合記錄。

2) 實驗參數設置

3 種關聯關系權重ω分別為[0.2,0.4,0.4]；關聯規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

為檢驗所提服務關聯QoS 感知模型的可行性和有效性以及關聯關系中關聯比例和歷史記錄的影響，基于表3 中的制造需求參數，本文設計了3 組實驗，每組實驗將分別獨立運行30 次并取平均結果進行對比。

表3 制造需求參數設置

5.2 服務關聯QoS 感知模型的驗證（實驗1）

指定業務實體關聯比例為20%，當前時間為2020 年8 月1 日，分別按照迭代次數為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組合的關鍵性能指標，含關聯分析的服務組合平均時間和成本均小于不含關聯分析的情況。從時間上看，含關聯分析的服務組合平均時間約為22～23 天，不含關聯分析的服務組合平均時間約為26～27 天，相差約為4 天；從成本上看，含關聯分析的服務組合平均成本約為117～119 萬元，不含關聯分析的服務組合平均成本約為123～124 萬元，相差約6 萬元?？梢?，服務關聯降低了制造成本、縮短了制造時間，為服務需求方帶來效率和收益上的提升。

圖4 不含關聯分析與含關聯分析的時間對比

圖5 不含關聯分析與含關聯分析的成本對比

為了體現本文所提模型對制造云服務組合評估的顯著效果，使用不含關聯分析方法和文獻[15]中含關聯的QoS 模型與本文所提模型進行對比實驗。

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

表4 服務組合編號及方案

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

圖6 加權QoS 對比分析

表5 服務組合加權QoS 的排名變化

在此基礎上，分別以加權QoS 對服務組合進行排名。從表5 可以看出，采用不同的關聯分析模型對不含關聯分析的服務組合排名的變化不同。

例如，編號3 的服務組合不含關聯分析時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。通過查證服務關聯模型可以發現，業務實體關聯中存在2 個合作時間分別為3 年和4 年的合作關系；統計關聯中存在8 種常出現的組合，其對應關聯規則的KULC 和IR 分別為0.79 和0.23，即較平衡的正相關，并且近2 個月各組合QoS 屬性均有輕微的上升趨勢。文獻[15]中并未考慮服務組合關聯規則強度和歷史表現的影響，從而對編號3的QoS 屬性優化程度相較于本文方法偏低，使排名下降更多，容易丟失存在關聯較強的服務組合。

編號6 的服務組合不含關聯分析時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。根據描述模型中的關聯關系發現，編號6 的服務組合的業務實體關聯中存在3 個合作時間分別為1 年、2 年、5 年的合作關系；統計關聯中存在8 種常出現的組合，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、不平衡關聯，即關聯組合強度弱，在加權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聯規則的服務組合。

由此可見，接口關聯、業務實體關聯和統計關聯在服務組合中QoS 的直接作用對單個服務選擇和服務組合的選取都有較大影響。通過對比，體現了本文所提支持服務關聯的QoS 感知評估模型的可行性和有效性。

5.3 業務實體關聯中關聯比與合作時間的影響（實驗2）

為檢驗業務實體關聯中關聯比對制造云服務組合加權QoS 的影響，在當前時間為2020 年8 月1 日的條件下，分別對關聯比例為20%、40%、60%、80%進行600 次迭代，發現得到Pareto 解的平均個數呈現如圖7 所示的趨勢。

圖7 不同關聯比例下的Pareto 解的個數

從圖7 中可以看出，隨業務實體關聯比例的變大，Pareto 解的平均個數逐漸增加。主要原因在于，關聯比例的上升使滿足約束條件的服務組合個數增多，即可行解的數量變多，從而使實驗所得到Pareto 解的個數增加。

針對業務實體關聯模型中合作時間對服務組合選擇的影響，在實驗1 的基礎上進一步探討。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QoS 相較于不含合作時間的加權QoS 都有不同幅度的增長。以服務組合各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QoS

將2 種方案的加權QoS 進行排名，如表6 所示。從表6 中可以看出，編號5、7、8 的服務組合在業務實體關聯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

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

5.4 統計關聯中不同時間的影響（實驗3）

為驗證本文在統計關聯中利用服務組合歷史記錄信息動態調整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）進行服務組合尋優，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 解所導致的結果不一致現象。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QoS 排名前10 的服務組合解集相似，但由于個別服務組合加權QoS 不同，使排名有一定的變化。例如，服務組合(c1_s2,c4_s3,c9_s1,c11_s2,c13_s2)在6 月1 日時加權QoS 為0.542，排名第4，查證歷史組合記錄發現，6 月期間組合(c1_s2,c4_s3)和(c1_s2,c9_s1)綁定執行時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，即組合關聯性減弱，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)綁定頻次增多且執行效果較好：(c4_s3,c9_s2)綁定執行次數增加3 次，且服務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)綁定執行次數增加2 次，且服務對應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)綁定執行次數增加1 次，且該服務QoS 在4 個屬性上都有提升。c12_s1 從[5.98,0.72,0.48,0.73]優化至[5.52,0.74,0.49,0.81]；c14_s3 從[4.05,0.8,0.95,0.69]優化至[3.51,0.75,0.96,0.74]。從而在8 月1 日時出現了新的優質服務組合(c1_s1,c4_s3,c9_s2,c12_s1,c14_s3)。

由此可見，利用本文所提統計關聯模型可以有效地識別出近期執行較好的服務組合，通過動態調整QoS 變化量，使最終得到的服務組合方案時效性更強，更符合實際。

6 結束語

制造業生產過程復雜多變，服務質量會隨時間和應用的不同動態發生變化，因此服務需求方往往需要更加切實有效的服務組合方案。因此，本文研究了制造云平臺中服務組合的3 種關聯關系，提出了支持服務關聯的QoS 感知評估模型。下一步工作將對多目標優化算法進行對比選擇并做出相應的改進，提升算法性能，以適應制造云服務組合問題，得到更優質的解集。此外，進一步探索制造云服務關聯的自適應調整，提升服務質量真實性。

表7 不同時間加權QoS 排名前10 的Pareto 解集