基于超級賬本的蟻群因子差分進化算法的可信服務組合優化

冉瑞生　 劉震　祁翔　彭順順

摘 要：為了保障服務組合優化過程中的QoS數據的真實性，提出了一種基于超級賬本平臺的可信框架；同時為了提高服務組合的優化效率，提出了一種蟻群因子的差分進化算法的服務組合優化方法（ACOF-DE）。首先，在超級賬本平臺上部署相應節點，構建可信框架，保障候選服務的真實性；然后，將所提出的算法以智能合約的形式，在區塊鏈上對服務組合的優化問題進行求解，使組合過程在可信的環境下執行。該算法通過引入多種蟻群因子，比如蟻群路徑因子、最優蟻群因子、信息素因子以及基于蟻群因子的差分計算，幫助算法動態控制搜索空間、記錄迭代過程中的關鍵信息，以提高算法優化能力。最后，通過仿真實驗證明可信框架可以有效地保障數據的可信； ACOF-DE相比其他智能優化算法擁有更佳的優化效率。

關鍵詞：服務組合； 差分進化算法； 蟻群算法； 區塊鏈

中圖分類號：TP391 文獻標志碼：A 文章編號：1001-3695（2023）10-006-2922-06

doi：10.19734/j.issn.1001-3695.2023.01.0078

Ant colony factor differential evolutionary algorithm based on Hyperledger

Fabric for trustworthy service composition optimization

Ran Ruisheng， Liu Zhen， Qi Xiang， Peng Shunshun

（School of Computer & Information Science， Chongqing Normal University， Chongqing 401331， China）

Abstract：In order to guarantee the authenticity of QoS data in the process of service composition optimization， this paper proposed a trusted framework based on the Hyperledger Fabric. Meanwhile， this paper proposed a service composition optimization method of differential evolution algorithm with ant colony factor to improve the efficiency of service composition optimization. Firstly， this paper deployed corresponding nodes on the Hyperledger Fabric to build a trusted framework that guaranteed the authenticity of the candidate services. Then， in the form of a smart contract on the blockchain， the proposed algorithm solved the optimization problem for the combination of services， enabling the composition process could be execute in a trusted environment. The algorithm helped the algorithm dynamically control the search space and record the key information in the iteration process by introducing various ACO factors， such as the ACO path factor， the optimal ACO factor， the pheromone factor and the difference calculation based on the ACO factors， in order to improve the optimization capability of the algorithm. Finally， the simulation experiments demonstrate that the trustworthy framework can effectively guarantee the trustworthiness of data; ACOF-DE has better optimization efficiency compared with other intelligent optimization algorithms.

Key words：services composition; differential evolution; ant colony optimization; blockchain

0 引言

隨著互聯網大數據和云計算技術的快速發展，大量的企業以Web服務的形式發布應用資源［1］到互聯網上，但單一的Web服務不能滿足用戶的復雜需求。Web 服務組合技術［2］能夠整合互聯網上分散的應用資源，組成強大的應用服務，從而有效地解決這一問題。傳統服務組合過程中存在一系列的不可信問題。由于組合過程過度依賴第三方機構，用戶只能被動接受服務集成的結果，難以約束其中心化行為；服務數據處于互聯網環境中，存在偽造竄改的可能；當服務提供商對服務進行修改時，用戶無法通過第三方機構追蹤到服務的改變。 因此，如何解決服務組合過程中的失信行為是亟需解決的問題［3］。Xiong等人［4］基于服務三方構建了一個三維信任評價體系，通過建立有效的模型進行可信評估，解決了它們之間存在的可信問題。Hasnain等人［5］通過構造模糊規則對服務的QoS進行正確標記，采用REPTree算法對服務的可信性進行辨別，幫助用戶選擇可信服務。韓敏等人［6］使用貝葉斯理論和用戶評價方法從Web服務的主、客觀兩方面對服務進行可信性評估并建模，從而確保服務組合的可信。Yang等人［7］提出了一種基于 D-S 理論的可信度評估方法，并結合馬爾可夫鏈對服務的可信度狀態及其變化狀態進行表示，保證服務的可信性?，F存方法分別從用戶的主觀評價和服務的歷史客觀數據，為服務構建一個有效的可信模型對服務進行評估，幫助用戶選取可信服務。但中心化的服務組合過程無法確?？尚旁u估正確執行，并且Web服務的異常改變是不規則的，通過可信模型的評估也不能反映出目前服務的真實質量。

隨著區塊鏈技術的快速發展，大量研究利用區塊鏈的去中心化、不可竄改等特性為眾多領域的可信問題提出了解決方案，證實了其解決可信問題的普適性。本文基于超級賬本平臺提出了一種可信框架，為服務組合過程提供可信保障?？尚趴蚣芊譃槿齻€階段，分別是對身份認證、動態組合驗證和服務組合進程。超級賬本平臺為服務組合提供安全可信的環境，經過認證后獲得真實的服務數據，再執行服務組合進程，以獲得可信的服務組合方案。同時針對服務組合的優化問題和現存優化算法存在的不足，提出一種基于蟻群因子的差分進化算法（ACOF-DE），提高算法的服務組合性能，為用戶尋求最佳的服務組合方案。本文的貢獻總結如下：

a）本文基于超級賬本平臺提出一種可信框架，為服務組合提供安全可信的環境。通過對服務提供商和用戶的身份認證，使用分布式賬本技術記錄雙方的身份信息與交易行為，對失信行為進行約束；通過對候選服務集進行動態組合驗證，可以有效地篩選出存在問題的服務，確保服務組合進程選擇可信服務。

b）本文提出一種ACOF-DE算法用于服務組合優化，算法將多種蟻群算法因子融入到差分進化算法中，分化算法的搜索空間，協同算法選擇服務路徑進行搜索；記錄算法迭代過程中的有用信息，使用相關信息豐富算法的選擇策略。以此加快算法的收斂速度，增強算法尋優能力。

1 相關工作

1.1 基于QoS的Web服務組合

目前對于Web服務組合問題已有許多不同的解決方案。文獻［8～10］對現有解決服務組合問題的方法進行綜述，分析Web服務組合問題的研究進展以及未來的發展方向。Jin等人［11］將一種新型的鷹策略應用到鯨魚優化算法（MWOA），并采用統一變異策略平衡全局和局部的搜索能力，以保持種群的多樣性。Kumara等人［12］將QoS屬性作為次要屬性，以服務功能屬性作聚類來選擇服務。Choudhary等人［13］將一種新的突變比例因子引入到差分進化算法，稱為ASFDE，該算法根據當前迭代自適應地決定步長，提高算法的搜索能力。Dahan［14］基于蟻群的系統規則，提出一種多代理分布式機制的蟻群算法（MAACS），利用其機制平衡算法的探索過程來提高算法的穩定性。Swetha等人［15］使用形式概念分析構建一個新型的語義Web服務框架，該框架能夠有效地減少問題的維度。最后通過強化學習對該框架進行求解，為用戶提供有效的解決方案。Liu等人［16］提出一種新的混合進化算法，稱為LSNSGA-Ⅱ-DE，該方法在NSGA-Ⅱ的基礎上結合差分進化算法的自適應變異算子和交叉算子，并采取局部搜索的方法，使算法在分布范圍和收斂性各方面均表現良好。

1.2 區塊鏈技術

區塊鏈技術第一次進入人們的視線是在2008年發布的比特幣白皮書中。它是一個去中心化的分布式賬本，通過加密算法、共識算法、時間戳、激勵策略等機制，使各個節點在無須相互信任的分布式環境下達成點對點的交易。智能合約［17］則是其中的一項特別重要的技術，它是通過信息技術手段實現的可自動執行的計算機協議，能在無第三方可信機構介入的條件下，高效安全地創建多種智能資產。超級賬本是眾多區塊鏈平臺的一種，與比特幣、以太坊等區塊鏈網絡不同的是，它建立在參與者有一定信任的基礎上，因此大大地提高了共識效率［18］，同時支持可插拔的共識協議，使平臺能夠對不同的任務進行合理的配置，以適應特定的業務場景。在驗證過程中，其能夠并行執行各階段的任務，從而提高系統的整體性能和規模。由于區塊鏈具有的這些特性，使它能夠有效地解決第三方機構的高成本、低效率、數據不安全等問題，在金融、數字版權、物聯網、征信、公益等多個領域都嶄露頭角。

Viriyasitavat等人［19］提出一個基于區塊鏈的業務流程管理（BPM）框架用于驗證企業可信度和管理其服務質量，解決BPM系統依賴領域專家或第三方來處理可信度的問題。Liu等人［20］基于區塊鏈技術提出一種新的綜合多屬性群體決策（MAGDM）方法，為企業篩選服務提供商，并在決策過程中進行主客觀的綜合加權計算，使結果更加合理和可靠。Li等人［21］提出一種圖矩陣分解法（GraphMF），利用GNN提取區塊鏈上服務的特征，估算區塊鏈網絡下服務缺失的服務質量值并作出正確的服務選擇。區塊鏈在服務計算的可信問題上也展現出優勢。Wang等人［22］提出一種基于以太坊的Web服務組合方法的設計思路，但它只是提出可行的概念，并沒有對其進行實現。在之后的工作中，Wang等人［23］將第二價格密封拍賣策略與區塊鏈技術相結合，使用博弈論構建出一組達到納什均衡狀態的服務請求序列，并通過求解混合整數非線性規劃數學模型，得到Web服務組合的近似最優解?？梢妼⒅悄軆灮惴ê蛥^塊鏈技術相結合，能夠有效解決服務組合問題。

2 QoS感知的Web服務組合模型

QoS屬性是區分和衡量相似Web服務的重要指標，用于服務組合為服務需求者選取最佳服務。QoS具有多個指標，本文通常將其分為兩類：一類是積極屬性，該指標越大服務質量越好，例如吞吐量，它是單位時間內傳輸的數據量，吞吐量越大，單位時間內獲取的數據就會越多；一類是消極屬性，該指標越小服務質量越好，例如響應時間，它是指響應收到請求后的時間，響應時間越大，在請求服務后將會花更長的時間進行等待。對于QoS屬性不同的單位和范圍，首先，對服務的QoS值進行歸一化處理，其目的是將QoS值的范圍縮小到［0，1］。然后，再根據服務屬性的不同，進行如下計算。積極屬性為

其中：qti是服務的一個QoS屬性值；qtimax和qtimin為候選服務集中QoS指標的最大值和最小值。

Web服務之間有四種執行關系，分別為順序、并行、選擇、循環。對于不同的服務工作流服務組合有相應的聚合公式，如表1所示。為了突出不同的QoS屬性的重要性以及用戶的偏好性，為各個QoS屬性設置不同的權重W={w1，w2，…，wk}，聚合服務的適應度函數如式（3）所示。本文通過此函數值的大小來評估服務組合的最優性。

3 基于超級賬本的可信服務組合方法

本章基于超級賬本平臺提出一種可信框架，基于此框架使用ACOF-DE算法對服務組合進行優化。

3.1 基于超級賬本下的可信框架

傳統的Web服務組合過程通過第三方平臺執行，服務集成者可以隨意修改數據信息；服務提供商也可以在不被監管的情況下修改服務；所有的服務數據均處于互聯網中，容易遭受惡意攻擊。大量的可信性問題使服務組合的方案不能滿足用戶的需求。超級賬本的區塊鏈網絡由多種網絡節點進行構建，它能夠讓傳統服務組合過程中第三方平臺的中心化權力分散到各網絡節點上，可以有效地監管服務提供商對所提供服務的修改，區塊鏈的自身特性也能有效地避免數據遭受網絡攻擊。然后使用智能合約技術，在執行組合服務任務前對發布在鏈上的服務進行驗證，獲取一個可信的候選服務集。最后在區塊鏈網絡上運行服務組合算法，保障服務組合方案的可信性，有效地解決了用戶、服務提供商和平臺之間的信任問題。本文基于超級賬本平臺提出了一種可信服務框架用于保障服務組合的執行，為用戶尋求最優的服務組合方案，該框架分為身份認證、動態組合驗證和服務組合進程三個部分，如圖1所示。

a）身份認證，用于驗證用戶和服務提供商提供的身份信息，并賦予發布服務和服務請求的權限。如圖2所示，用戶和服務提供商通過應用程序訪問注冊合約；注冊合約通過區塊鏈網絡與權威機構進行交互，將信息與證書交予權威機構進行驗證，證書則需從權威機構獲得；通過權威機構中的證書對比和信息校驗，然后返回驗證結果。

通過驗證后，用戶和服務提供商將獲得此權威機構的數字身份信息，并獲得相應的賬戶和權限。服務提供商通過發布合約發布服務并提供服務接口。當服務發布成功后，服務會與其數字信息進行綁定，且服務只能通過該賬戶進行發布更新，也會對服務的修改進行監管，一旦出現失信行為，將會永久地記錄在賬本上，這將會對失信行為起到一定的約束。用戶則使用發布合約發布服務請求，當請求發布成功后，將自動執行下一個智能合約，為用戶尋求最優服務組合。

b）動態組合驗證。接收到服務請求后，自動啟動驗證合約，獲得用戶的功能性需求和服務工作流。首先根據用戶的功能性需求從發布的服務中，篩選出滿足功能性條件的候選服務集合；然后根據服務工作流，選擇驗證合約下相應的工作流驗證程序，將獲得最新的服務數據，排除異常數據的服務，以獲取可信的候選服務集合。

c）服務組合進程。執行完動態驗證后，將可信的候選服務集合傳入組合合約。組合合約將會自動調用ACOF-DE算法，為用戶尋求服務組合的最優方案。

3.2 基于ACOF-DE的服務組合優化

3.2.1 服務組合優化問題概述

經過動態組合驗證后，每個服務節點存在大量的候選服務，如圖3所示，假設組合服務由四個子服務進行組合，每個候選服務集分別有1 000個子服務，則服務組合方案將達到萬億個。如何從眾多的服務組合方案中得到一個滿足用戶需求的方案，是服務組合優化所面臨的問題。

智能優化算法已在解決服務組合優化問題上體現了其優越性。例如差分進化算法（DE）［24］，它采取“優勝劣汰，適者生存”的策略，在保全樣本的全局搜索策略下，根據父代樣本間的差分矢量進行變異交叉操作，并采取一對一的競爭生存原則，提高了局部搜索能力，降低遺傳的復雜性。但在求解復雜優化問題時，隨著種群多樣性的降低，差分進化算法容易早熟，并且在搜索后期易陷入局部最優值，收斂的精度也會降低。蟻群算法（ACO）是由Colorni等人［25］受螞蟻尋找食物的最短路徑行的啟發而提出的一種智能優化算法。蟻群算法通過信息素進行交流，可以幫助其他種群螞蟻互相追蹤，通過感知路徑上沉積的信息素來尋找最優路徑。但由于信息素的累積較慢，導致前期收斂速度緩慢，并且隨著信息素的累積，算法易于陷入停滯。

針對服務組合優化問題的特點以及現有算法存在的問題，本文提出一種基于蟻群因子的差分進化算法（ACOF-DE），將改進的蟻群因子［26］加入到差分進化算法的變異策略中，改善原有算法在服務組合優化問題上的不足，融合后的算法具有更好的尋優能力。

3.2.2 ACOF-DE算法服務組合優化流程

a）初始化參數。本文算法采取實數編碼。首先根據用戶的服務請求確定組合方案規模，再確定種群維數和種群數量；然后對蟻群因子進行初始化賦值；最后通過組合服務之間的執行關系選擇對應的QoS評價函數進行適應度值計算。

b）變異策略。通過分析差分進化算法與蟻群算法存在的問題，本文引入了蟻群路徑因子、最優蟻群因子、信息素因子以及基于蟻群因子的差分計算，如圖4所示。

c）蟻群路徑因子。算法的搜索空間過大將影響算法的收斂速度與尋優效率，對無效的搜索空間進行搜索，將會導致算法收斂變緩以及陷入局部最優。蟻群路徑因子可以分化算法的搜索空間，在初始階段平均所有搜索空間，隨著算法迭代過程中最優適應度值的變化，逐步縮小算法的搜索空間，以提高算法的收斂性。蟻群路徑因子為算法選擇搜索空間，它包含蟻群訪問記錄和蟻群路徑選擇參數，記錄每一次選擇的服務路徑，當搜尋到更好的服務或蟻群訪問記錄達到預設上限，蟻群訪問記錄便會被清零。蟻群訪問記錄的計算公式如下：

d）信息素因子與最優蟻群因子。蟻群算法中，通過信息素引導算法選擇最優路徑，加快了算法的收斂速度的同時也使算法容易陷入局部最優，只有合理地運用搜索過程中的信息素才能增加算法選擇到最優值的概率。本文使用兩種因子記錄蟻群探索過程中所留信息，其中信息素因子是記錄蟻群選擇服務后所產生的信息素，優質的服務會通過不斷迭代的信息素集合大量蟻群不斷前往，使算法優先選擇此服務。最優蟻群因子則記錄著當前每個路徑下的最優服務，如式（7）所示，其中baco表示最優路徑點集合，sk為蟻群第k個路徑下的最優服務。

算法的每一次迭代，蟻群都會與最優蟻群因子發生競爭，以此不斷更新并保存優良服務，從而加快算法收斂。種群根據路徑因子選擇一個服務路徑，將該路徑下的服務更替為最優蟻群因子的服務，形成一個新的種群Px。然后通過信息素因子所記錄的信息素進行輪盤賭計算，選取服務進行替換，形成一個新的種群Py。

e）基于蟻群因子差分計算。算法在后期由于信息素的堆積，會多次選擇相同服務，容易陷入局部最優。采用基于蟻群因子的差分計算式（8），能幫助算法探索最優蟻群因子周圍的服務，在前期加速算法搜索，在后期幫助算法跳出局部最優。種群通過此方法形成一個新的種群Pz。

其中：xnew表示新的服務；xbest表示最優蟻群因子的服務；xτ表示信息素因子選擇的服務；F為縮放因子，取值為［0，1］。

f）信息素的產生與更新。本文算法在前期由于最優蟻群因子的存在，會快速地為服務堆積大量的信息素，從而導致算法容易陷入局部最優。所以針對最優蟻群因子所選擇的服務，縮減其產生的信息素；并同時加大其他兩種變異策略所產生的信息素，從而增強算法搜索能力。然后在每次迭代后，對信息素進行更新，避免過往的信息素對當前搜尋影響過大，殘留信息素更新公式如下：

其中：τ（si）為某一服務的信息素;ρ為蒸發系數;Δτ（si）為迭代結束后信息素增量。通過對比待定種群Px、Py和Pz的適應度值，選取適應度值更高的待定種群作為下一代種群。通過一定次數的迭代，找出最優的服務組合方案。

算法1 ACOF-DE算法

a）初始化算法參數：種群規模N，最大迭代次數max，適應度函數Q，蟻群訪問記錄acr，蟻群路徑選擇參數acoP，最優蟻群因子baco，蟻群信息素τ（si）；

b）初始化各種群并計算出各種群的適應度值Q；

c）根據蟻群路徑選擇參數，使用式（6）選擇當前蟻群搜尋路徑；

d）根據最優路徑點集合選擇當前最優服務進行替換，獲得新種群Px；

e）根據蟻群信息素隨機選擇新服務進行替換，獲得新種群Py；

f）根據式（8）獲得新種群Pz；

g）計算并對比Px、Py和Pz的適應度值Q，選擇出最佳的種群P；

h）根據種群P的選擇，更新最優蟻群因子；

i）根據式（4）（5）分別對蟻群訪問記錄和蟻群路徑選擇參數進行更新；

j）根據式（9）對蟻群信息素進行更新，并在下一代種群產生前對蟻群信息素進行衰減；

k）重復之前的過程，直到設置的最大迭代次數。

4 實驗設計與結果分析

為驗證本文所提出的基于超級賬本的可信框架和評估ACOF-DE算法的性能，進行以下一系列實驗。首先基于QoS感知Web服務組合模型，采用本文提出的ACOF-DE算法與其他幾種算法進行對比，對本文算法性能進行評估。然后在虛擬機Ubuntu系統上部署超級賬本網絡，驗證本文可信框架的有效性。所有實驗都在一臺Intel Core i5-11300H 3.1 GHz CPU，16 GB內存的電腦上進行。

4.1 實驗設置

4.1.1 數據集

本文實驗采用通用綜合服務數據集QWS［27］。此外，為了保證實驗結果的客觀性，隨機生成一組仿真數據集（Synthetic數據集），具體生成方法見文獻［28］。

4.1.2 實驗方法與評估

為驗證ACOF-DE在基于QoS感知的Web服務組合模型求解服務組合問題的有效性，本文的仿真實驗采取順序拓撲結構，與ACO、DE兩種初始算法、基于突變因子改進的差分進化算法ASFDE、基于多搜索策略島嶼模型改進的人工蜂群算法MSSIABC［29］和基于遺傳變異策略與動態視野改進的北極熊算法MPBO［30］進行對比。通過比較各算法的最佳適應度值，以評估算法的尋優能力；通過對比算法的收斂性，以評估算法的執行效率。算法性能會隨著不同的服務組合規模而變化，為了測試算法效果，實驗需要在不同的服務組合規模下進行實驗，實驗配置方案如表2所示。主要是對候選服務集合的數量和服務請求的數量進行變更，以達到不同的場景，測試算法在不同的場景所發揮的性能的差異性，最后綜合評估算法的性能。

為評估基于超級賬本的可信框架的有效性，首先采取文獻［5］中的if-then規則為基于QWS數據集的服務數據打上可信標簽，形成if-then規則的可信驗證服務數據集；同時通過隨機的方式為服務數據打上可信標簽，形成一種隨機變化的可信驗證服務數據集。在兩種不同規則的數據集下，對比超級賬本實時驗證方法與多種分類器算法REPTree、J48和BayesNet的可信識別準確率，以證明超級賬本實時驗證方法的有效性。然后在超級賬本平臺上隨機生成服務的QoS數據并記錄在候選服務集，并隨機選取候選服務集中一定比例的服務設置為不可信服務，然后使用可信框架進行服務組合，排除失信服務。實驗的服務請求數量為5，候選服務數量為100，設置不同數量的不可信服務，其QoS值設置為原始的40%。通過對比可信框架下的服務組合與無可信框架下的服務組合方案的真實適應度值，以驗證可信框架能否確保服務組合選擇可信服務；并在不同數量的失信候選服務集下，測試可信框架的效果。最后綜合評估可信框架的有效性。

4.2 實驗結果

4.2.1 算法性能

圖5展示了場景1中，迭代300次各個算法的最佳適應度值。它們都是根據QWS數據集進行計算的，通過柱狀圖展示了ACOF-DE、ASFDE、ACO、DE、MPBO和MSSIABC算法的最佳適應度值。通過觀察可以明顯看到，ACOF-DE的適應度值高于ASFDE、ACO、MPBO和DE的值，與MSSIABC算法持平。但隨著候選服務數量的增長，ACOF-DE算法性能保持著穩定的增長，而其他算法都略微有所降低。

表3展示了場景2中，各個算法迭代300次，計算所得的服務的最佳適應度值?？梢钥吹?，ACOF-DE算法的最佳適應度明顯高于ASFDE、ACO、DE和MPBO，與MSSIABC持平。并且隨著組合服務的數量的增加，ACOF-DE和MSSIABC的值不相上下，隨著規模不斷變大，ACOF-DE顯現出了在大規模上的優勢，并擴大與其他算法的差距。通過對兩組實驗的觀察，可以發現ACOF-DE算法總是能尋找出適應度高的服務組合結果，相比于其他算法，它有著較好的效果。不論是服務請求的數量增加，還是候選服務集的增加，ACOF-DE都能很好地適應，有著非常優良的效果和穩定性?？梢娡ㄟ^引入多種蟻群因子來指導變異，使算法更好探索服務組合的解空間。正如本文在3.2節中所介紹，蟻群因子增強了原始進化算法的搜索能力，使算法能夠利用蟻群因子搜集的信息對候選服務集合進行有效的探索，使算法的優化程度得到了提高，并且通過擴展蟻群因子的規模能適應各種場景下的服務組合問題。

圖6展示了各算法迭代1 000次尋找到最佳適應度值的次數的情況。實驗的候選服務集為100、服務請求數量為5，根據QWS數據集計算。觀察折線圖的趨勢可以明顯看出，ACOF-DE在算法早期就能尋找到最優適應度值，相對于其他算法具有極快的收斂速度。迭代1 000代的平均時間如表4所示，ACOF-DE執行時間優于ACO、MPBO和MSSIABC算法，但慢于ASFDE、DE。ACOF-DE是在初始DE算法的基礎上引入相關蟻群因子，算法的復雜度遠大于原始算法，但也擁有了更佳的搜索能力和收斂速度，使算法能夠快速地搜尋到最優的服務組合方案；由于ACOF-DE算法的快速收斂，算法在后期的執行過程中只執行改進的差分進化策略，算法復雜度降低，使得算法速度接近于原始算法；而蟻群因子是對ACO部分的抽離，并且通過改進加快了信息素的積攢，并解決了ACO算法易陷入局部最優的問題，使ACOF-DE快于ACO算法。與先進算法的對比中，在獲取相對較好的結果上ACOF-DE的收斂速度更快。結合圖6中各算法收斂的代數和表4的時間可知，雖然ACOF-DE算法運行時間不是最快的，但其快速的收斂速度，使其能夠在更早的時間尋找到最優值，說明ACOF-DE具有更好的效率。

4.2.2 可信框架的有效性

圖7展示了REPTree、J48、BayesNet算法和超級賬本可信框架對可信服務的驗證的準確率，通過柱狀圖可以發現，基于可信框架的驗證可以非常準確地驗證服務的可信性。分類器算法在通過if-then規則構建的數據集中達到了90%多的準確率，但在隨機標記的情況下只有50%左右的準確率。分類器算法能夠對滿足相關規律的服務數據進行準確驗證，但在實際的情況中，服務質量的改變是無規則的，這種情況下分類器難以通過歷史數據獲得的模型對服務進行有效的判別。而超級賬本的實時動態檢測能在服務組合過程前對候選服務集進行實時驗證，通過準確客觀地對服務進行檢測，以此排除不可信的服務。圖8展示了ACOF-DE在有無可信框架下連續驗證10次真實適應度值的變化，不可信服務數量設置為20。通過觀察可以明顯地看出，ACOF-DE在無可信框架下的情況下，算法多次因為選擇了不可信的服務，導致服務組合的結果十分不理想，遠遠低于在可信框架下的結果。較少情況服務組合的方案一致，這是由于隨機設置的不可信服務未影響到優質的服務。對于失信服務數量的不同，表5展示了可信框架下服務組合的真實適應度值與無可信框架的差異性，其真實適應度值的結果遠大于無可信框架下的結果。并且隨著失信服務的增加，真實適應度值在下降，但各算法的結果仍然大于無可信框架下的結果，服務組合方案也均由可信服務組成，可見可信框架能在有限的可信服務中確保服務組合選擇可信服務，但是由于可信服務的減少，其適應度值會逐漸降低。在可信框架下ACOF-DE和ASFDE算法都受到了保障，可見可信框架適用于任何算法，使算法能夠有效運行，選擇可信的服務進行服務組合。綜上所述，可見服務組合的可信性問題十分重要，只有真實可信的服務數據，才能使服務算法選擇的方案滿足用戶需求；而在基于超級賬本的可信框架下則能夠有效地排除失信服務，保障服務組合算法的有效性，為用戶提供有效的服務組合方案。

5 結束語

本文針對服務組合過程中的優化問題和可信問題，首先基于超級賬本平臺提出一種可信框架，保障服務組合過程中的服務數據的真實性；然后基于QoS的感知模型提出一種基于蟻群因子的差分進化算法的服務組合優化方法，通過引入蟻群路徑因子加快算法收斂性，使用最優蟻群因子和信息素因子增強算法尋優能力，而基于蟻群因子的差分計算能加快前期信息素的堆積和幫助算法跳出局部最優;最后通過在不同的任務規模下與其他先進的智能優化算法進行實驗對比，結果表明本文方法有著更優秀的尋優能力和效率，并有著更強的適應性。通過對比實驗分析出分類器算法對于不規則數據的局限性，而實時檢測能夠準確客觀地對任何服務作出評價；然后通過加入虛假數據，驗證了可信框架能夠辨別不可信服務，保障服務組合方案的有效性。在未來工作中，會在此基礎上為服務組合問題設計相關可信性模型，更好地解決服務組合相關的可信性問題；進一步對其他優化算法進行研究，探索更為有效的算法，應用到服務組合的優化問題上。

參考文獻：

[1]Yao Yan， Cao Jian， Jiang Yusheng， et al. An optimal engine component placement strategy for cloud workflow service［C］//Proc of IEEE International Conference on Web Services.Piscataway，NJ：IEEE Press，2016：380-387.

［2]Xu Xiaofei， Sheng Q Z， Zhang Liangjie， et al. From big data to big service［J］.Computer，2015，48（7）：80-83.

［3]Jsang A， Ismail R， Boyd C. A survey of trust and reputation systems for online service provision［J］.Decision Support Systems，2007，43（2）：618-644.

［4]Xiong Weiqing， Lim M K， Tseng M L， et al. An effective service trust evaluation and preprocessing approach considering multi-user interests in cloud manufacturing［J］.Computers & Industrial Engineering，2022，173：108728.

［5]Hasnain M， Ghani I， Pasha M F， et al. Machine learning methods for trust-based selection of Web services［J］.KSII Trans on Internet and Information Systems，2022，16（1）：38-59.

［6]韓敏，段彥忠.融合可信性評價的Web服務組合QoS優化［J］.控制與決策，2020，35（8）：1859-1865.（Han Min， Duan Yanzhong. QoS optimization of Web services composition incorporating with credibility evaluation［J］.Control and Decision，2022，35（8）：1859-1865.）

［7]Yang Ming， Gao Tilei， Xie Wanyu， et al. The assessment of cloud service trustworthiness state based on DS theory and Markov chain［J］.IEEE Access，2022，10：68618-68632.

［8]Jatoth C， Gangadharan G R， Buyya R. Computational intelligence based QoS-aware Web service composition： a systematic literature review［J］.IEEE Trans on Services Computing，2017，10（3）：475-492.

［9]Shehu U G， Epiphaniou G， Safdar G A. A survey of QoS-aware Web service composition techniques［J］.Foundation of Computer Science，2014，89（12）：10-17.

［10]Sridevi S， Karpagam G R. Investigation on blockchain technology for Web service composition：a case study［J］.International Journal of Web Services Research，2021，18（1）：70-92.

［11]Jin Hong， Lyu Shengping， Yang Zhou， et al. Eagle strategy using uniform mutation and modified whale optimization algorithm for QoS-aware cloud service composition［J］.Applied Soft Computing，2022，114：108053.

［12]Kumara B T G S， Paik I， Siriweera T， et al. QoS aware service clustering to bootstrap the Web service selection［C］//Proc of IEEE International Conference on Services Computing.Piscataway，NJ：IEEE Press，2017：233-240.

［13]Choudhary N， Sharma H， Sharma N. Adaptive scale factor based differential evolution algorithm［C］//Proc of the 6th International Conference on Soft Computing for Problem Solving.Berlin：Springer，2017：1-11.

［14]Dahan F. An effective multi-agent ant colony optimization algorithm for QoS-aware cloud service composition［J］.IEEE Access，2021，9：17196-17207.

［15]Swetha N G， Karpagam G R. Reinforcement learning infused intelli-gent framework for semantic Web service composition［J］.Applied Intelligence，2022，52（2）：1979-2000.

［16]Liu Li， Gu Shuxian， Fu Dongmei， et al. A new multi-objective evolutionary algorithm for inter-cloud service composition［J］.KSII Trans on Internet and Information Systems，2018，12（1）：1-20.

［17]Christidis K， Devetsikiotis M. Blockchains and smart contracts for the Internet of Things［J］.IEEE Access，2016，4：2292-2303.

［18]Gorenflo C， Lee S， Golab L， et al. FastFabric： scaling Hyperledger Fabric to 20 000 trans per second［C］//Proc of IEEE International Conference on Blockchain and Cryptocurrency.Piscataway，NJ：IEEE Press，2019：455-463.

［19]Viriyasitavat W， Li Daxu， Bi Zhuming， et al. Blockchain-based business process management （BPM） framework for service composition in industry 4.0［J］.Journal of Intelligent Manufacturing，2020，31（7）：1737-1748.

［20]Liu Sen， Hu Yanan， Zhang Xiao， et al. Blockchain service provider selection based on an integrated BWM-Entropy-TOPSIS method under an intuitionistic fuzzy environment［J］.IEEE Access，2020，8：104148-104164.

［21]Li Yuhui， Xu Jianglong， Liang Wei. GraphMF：QoS prediction for large scale blockchain service selection［C］//Proc of the 3rd International Conference on Smart BlockChain （SmartBlock）.Piscataway，NJ：IEEE Press，2020：167-172.

［22]Wang Puwei， Liu Xiaohe， Chen Jinchuan， et al. QoS-aware service composition using blockchain-based smart contracts［C］//Proc of the 40th International Conference on Software Engineering：Companion Proceeedings.2018：296-297.

［23]Wang Puwei， Meng Ji， Chen Jinchuan， et al. Smart contract-based negotiation for adaptive QoS-aware service composition［J］.IEEE Trans on Parallel and Distributed Systems，2018，30（6）：1403-1420.

［24]Storn R， Price K. Differential evolution-a simple and efficient heuristic for global optimization over continuous spaces［J］.Journal of Global Optimization，1997，11（4）：341-359.

［25]Colorni A， Dorigo M， Maniezzo V. Distributed optimization by ant colonies［C］//Proc of the 1st European Conference on Artificial Life.1991：134-142.

［26]Chitty D M. Partial-ACO as a GA mutation operator applied to TSP instances［C］//Proc of Genetic and Evolutionary Computation Confe-rence Companion.2021：69-70.

［27]Al-Masri E， Mahmoud Q H. QoS-based discovery and ranking of Web services［C］//Proc of the 16th International Conference on Computer Communications and Networks.Piscataway，NJ：IEEE Press，2007：529-534.

［28]Wang Hongbing， Zou Bin， Guo Guibing， et al. Integrating trust with user preference for effective Web service composition［J］.IEEE Trans on Services Computing，2017，10（4）：574-588.

［29]胡強，田雨晴，綦浩泉，等.基于改進人工蜂群算法的云制造服務組合優化方法［J］.通信學報，2023，44（1）：200-210.（Hu Qiang， Tian Yuqing， Qi Haoquan， et al. Optimization method for cloud manufacturing service composition based on the improved artificial bee colony algorithm［J］.Journal of Communications，2023，44（1）：200-210.）

［30]廖文利，魏樂，王宇.基于改進北極熊算法的制造云服務組合優化［J］.計算機應用研究，2022，39（4）：1099-1104.（Liao Wenli， Wei Le， Wang Yu. Manufacturing cloud service composition optimization based on modified polar bear algorithm［J］.Application Research of Computers，2022，39（4）：1099-1104.）

收稿日期：2023-01-07；修回日期：2023-02-17

基金項目：重慶市技術創新與應用發展專項面上項目（cstc2020jscx-msxmX0190）；重慶市教委科學技術研究項目（KJZD-K202100505，KJQN202100515）；重慶師范大學（人才引進/博士啟動）基金項目（21XLB003）

作者簡介：冉瑞生（1976-），男，教授，碩導，博士，CCF會員，主要研究方向為機器學習、計算機視覺；劉震（1997-），男，碩士研究生，主要研究方向為服務組合、智能算法；祁翔（1998-），男，碩士研究生，主要研究方向為服務組合、智能算法；彭順順（1987-），女（通信作者），講師，博士，主要研究方向為服務計算、智能算法（pss@cqnu.edu.cn）.