面向服務優化組合的云雙鏈結構

摘 要：

將區塊鏈技術用于云制造平臺，可使其具備資源管理去中心化、數據分布式存儲、平臺魯棒的特性，然而在服務優化組合的實施過程中，其面臨資源需中心化調度，數據錄入依賴于區塊生成時刻，執行方案缺乏動態適應性等問題。因此，提出面向服務優化組合的云雙鏈結構（cloud dual-chain）。cloud dual-chain由制造服務鏈（manufacturing service chain，MSC）和過程數據鏈（process data chain，PDC）構成，將服務資源和組合方案進行分鏈管理，使云制造平臺兼顧區塊鏈特性及真實服務協同需求。cloud dual-chain的制造服務由企業自身管理，由智能合約根據任務順序篩選形成MSC鏈，兼顧分布式和中心化管理；PDC基于服務組合方案產生，其節點可并行記錄過程數據；若出現失效服務，在相應MSC節點中調用新服務，并在PDC節點中更新信息以確保執行方案具有動態適應性。實驗表明，cloud dual-chain可實現服務的靈活管理、過程數據分布式并行錄入，并賦予執行方案動態適應性。cloud dual-chain可為云制造平臺的發展提供有效支持。

關鍵詞：企業協同；區塊鏈；云制造；制造企業

中圖分類號：TP399 文獻標志碼：A?; 文章編號：1001-3695（2024）09-006-2604-07

doi：10.19734/j.issn.1001-3695.2023.12.0617

Cloud dual-chain structure oriented to service optimization composition

Gao Jie1， Liang Bo2

（1.Shanxi Vocational University of Engineering Science & Technology， College of Intelligent Manufacturing， Shanxi Jinzhong 030619， China; 2. Taiyuan Normal University， College of Computer Science & Technology， Shanxi Jinzhong 030619， China）

Abstract：

Applying blockchain technology to the cloud manufacturing platform （CMfg） endowed it with features such as decentralized resource management， distributed data storage， and platform robustness. However， during the implementation of service optimization composition， challenges are encountered， including the need for centralized resource scheduling， data entry dependence on the moment of block generation， and a lack of dynamic adaptability in the execution scheme. To address this， this paper proposed a solution in the form of cloud dual-chain oriented to service optimization composition. The cloud dual-chain comprised a manufacturing service chain （MSC） and a process data chain （PDC）. It segregated the management of service resources and composition scheme into distinct chains， allowing the CMfg to reconcile blockchain characteristics with real-world service collaboration needs. The manufacturing service within the cloud dual-chain was self-managed by the enterprise， and the MSC chain was formed by smart contracts based on task orders， balancing distributed and centralized management. The PDC， generated based on service composition， recorded process data in parallel. In case of service failure， a new service was invoked in the corresponding MSC node， updating the information in the PDC node to ensure dynamic adaptability of the execution plan. Experimental results demonstrate that cloud dual-chain facilitates flexible service management， distributed parallel entry of process data， and provides dynamic adaptability to execution scheme. Cloud dual-chain can effectively support the development of CMfg.

Key words：enterprise collaboration; blockchain; cloud manufacturing; manufacturing enterprises

0 引言

制造業是我國重要的基礎行業，國家發展、社會進步都需要強大的制造業作為支撐［1］。然而對于眾多制造企業，尤其是中小制造企業而言，資金不足、信息壁壘、信任不足等問題制約著其自身的發展。若將這些企業的制造資源以服務的形式共享，可以提高生產效率、降低成本并提升經濟收益。李伯虎等人［2］在云計算的基礎上提出“云制造（cloud manufacturing，CMfg）”，為共享制造服務提供了解決方案。CMfg將信息技術、制造技術及新興互聯網技術等交叉融合，實現制造即服務，使制造企業在現有的網絡與制造資源環境下，為用戶提供高價值、低成本、按需使用的共享服務。CMfg的提出加速了制造企業的服務化拓展，將生產過程中所涉及的制造資源以服務的方式向用戶提供，將多個服務以組合的形式提供給用戶，以滿足用戶的個性化需求［3～6］。

隨著大量服務涌出和不斷發起的任務請求，CMfg平臺中將會產生越來越多的服務組合。服務優化組合屬多目標優化問題，眾多學者已提出多種算法求解此類問題［7］，如遺傳算法［8］、布谷鳥算法［9］、花授粉算法［10，11］、差分算法［12］等，其最終目的是獲取一組最優服務組合推薦給用戶。然而CMfg的實現不僅依賴于組合獲取算法，其架構模型也是熱點研究問題。Wang等人［13］建立了基于可重寫Petri網（RPN）的CMfg服務模型，利用RPN的可重寫規則描述個性化定制的重構過程，并建立了基于非支配排序遺傳算法的CMfg資源分配策略，以獲得時間和成本方面的最佳個性化定制方案。Chuang等人［14］為在CMfg中整合網絡空間和物理空間，從而使服務組合有效執行，將共生模擬定位為CMfg平臺中最主要的問題，并采用運籌學與機器學習方法促進共生模擬的實現。Hu等人［15］提出個性化產品定制對CMfg平臺的智能性、靈活性和實時性需要較高要求，搭建了云邊端協同架構來處理分布式數據和快速進行決策，進一步提出并詳細分析深度學習模型的垂直/水平分布式部署和更新機制，從而為個性化產品的定制提供快速響應和高性能決策服務。

上述研究從不同角度對CMfg架構模型進行了研究，并取得成效。但對于眾多制造企業而言，實現CMfg存在三方面問題：a）架構平臺運行依賴中心化管理機構，隸屬不同企業的制造服務由同一個云平臺管理，導致了服務管理過度集中化，服務的特色優勢無法凸顯；b）過程數據錄入靠中心化的平臺執行，CMfg雖然可以提供全生命周期各個環節的數據記錄，但由于中心化的管理導致過程數據的錄入也由中心平臺分配或控制，造成中心平臺負載過大；c）CMfg平臺魯棒性差，當CMfg平臺受不穩定因素影響，會導致整個管理過程不穩定，在無法修復的情況下會導致中心系統崩潰，服務組合任務無法執行。總的來說，上述問題的根源基本在于中心化的處理機制。

區塊鏈的去中心化機制可為上述問題提供分布式解決依據。區塊鏈是一種全新的分布式基礎架構與計算方式［16，17］。在CMfg的服務組合實施過程中，區塊鏈技術可以從多個角度獲取組合優化方案。Tong等人［18］利用區塊鏈的去中心化和可追溯特性提出了一個多目標組合架構，并基于歷史信息，提出一個存儲結構最優選擇的挖礦機制，為CMfg提供了靈活且可配置的實施方案。Zhang等人［19］基于區塊鏈分布式存儲、共識機制，將區塊鏈和CMfg進行融合，研究了面向服務的調度和優化流程，提高了制造服務的協作能力和信息安全性。Patel等人［20］基于區塊鏈的數據安全性、節點間的透明性和信任性，提出了一個將區塊鏈集成到人工智能輔助制造系統中的架構，并闡述該架構如何加速早期產品設計、協作和制造流程。Hewa等人［21］基于區塊鏈的安全特性，提出了一種基于區塊鏈和霧計算的安全服務架構，該架構在制造設備集群邊緣的霧節點上運行。擬議的服務有助于制造設備身份驗證和設備云通道隱私保護，同時保留區塊鏈上的匿名性和不可鏈接性。Matenga等人［22］基于區塊鏈的可追溯性，提出了基于區塊鏈的云制造即服務系統，實現軌道車制造商供應鏈管理中零件來源、可追溯性的執行和分析。

將區塊鏈技術應用于CMfg，可使CMfg在無須三方管理機構的基礎上，有效地實現制造服務的去中心化管理及過程數據的分布式錄入，增強CMfg的魯棒性，促進制造企業的分布式協同服務。然而在服務優化組合實施過程中，存在三類問題：a）完全去中心化服務管理存在限制，制造服務的管理完全由企業自身實現，會導致方案調用時出現調用沖突、服務匹配性差等問題；b）數據錄入依賴于區塊生成時刻，當在方案執行過程中，過程數據的錄入依賴于所有前期區塊節點的數據錄入是否完成，若未完成，則無法進行新數據錄入；c）方案實施時動態適應性弱等問題，當某個節點失效，會出現組合方案的實施中斷或進一步導致整個方案無法繼續進行下去。

本文針對服務優化組合實施過程中存在的問題，提出了面向服務優化組合的云雙鏈結構（cloud dual-chain）。cloud dual-chain通過制造服務鏈（manufacturing service chain，MSC）和過程數據鏈（process data chain，PDC）將制造服務和組合優化實施分別進行鏈式管理。制造服務管理歸屬于企業自身，通過采用智能合約根據任務實現服務的調用，形成MSC鏈，兼顧分布式與中心化服務管理；通過PDC鏈實現方案執行過程中數據的分布式并行錄入；方案實施過程中遇到服務失效時，在不影響其余節點服務的基礎上，對相應PDC和MSC節點的數據進行更新，使最終方案在實施過程中具有動態適應性。

1 相關概念

1.1 服務組合的獲取

CMfg將多種不同的制造服務組合在一起，為客戶提供個性化及靈活的制造解決方案，從而實現制造服務的高度集成和企業協同。在CMfg中，傳統服務優化組合的實施根據任務選擇不同的候選服務進行組合并不斷優化，最終產生優質服務組合進行推薦［23］，其獲取過程主要分為四步：

a）制造任務發布。需求企業將復雜制造任務T發布到平臺中，復雜制造任務由多個子任務t所構成。T={t1，t2，…，tn}，下標代表不同的子任務序號。

b）制造服務發布。服務提供企業將所持有的資源r根據資源自身特性發布到平臺中，以形成服務service。

c）服務組合與評價。以子任務為基礎標準，通過計算云中的服務與子任務之間的關聯度，再根據子任務序列組合服務scj，scj={servicej1，servicej2，…，serviceji…，servicejn}，并進行評價。其中i表示服務在服務組合中的序號，j表示服務組合的序號，評價模型為eva（.）。實現根據子任務的服務組合與評價，并獲取評價值scEj，scEj=eva（scj）。

d）服務組合推薦。通過優化方法及評價模型不斷地優化服務組合scE，最終選擇一個最優組合bsc進行推薦以服務用戶，bsc=best{scE1，scE2，…}。

1.2 區塊鏈

區塊鏈（blockchain）源于2008年中本村對比特幣系統的討論，首次被人們關注源于2009年初上線的比特幣項目［24］。區塊鏈是一種分布式數據庫，采用去中心化方式進行數據存儲和交易驗證，用于記錄和存儲經過加密的交易數據，以確保數據的安全性和不可竄改性［25，26］。區塊鏈包括三個主要概念：

a）區塊。區塊是區塊鏈的基本組成部分，每個區塊包含了一些交易記錄以及一個指向前一個區塊的鏈接。

b）鏈。區塊按照時間順序排列形成了一個鏈，每個區塊都被鏈接到前一個區塊，構成了一個完整的區塊鏈。

c）智能合約。智能合約是一種自動執行的計算機程序，可以在區塊鏈上執行，并根據預先設定的條件來觸發特定的操作。

區塊鏈的結構具體如圖1所示，主要由區塊頭和區塊體構成。區塊頭主要包含5個內容，分別是：a）前一個區塊的哈希值，用于將當前區塊與前一個區塊進行鏈接；b）時間戳，指明該區塊被創建的時間；c）版本號，指明區塊使用的協議版本；d）Merkel根，是一種哈希樹，將該區塊包含的所有交易的哈希值聚合成一個根哈希；e）隨機數（nonce），用于在去中心化的環境下提供公平、安全、信任的區塊訪問。區塊頭中的這些元數據和哈希信息可以確保該區塊的安全性、完整性和可驗證性。任何修改區塊的交易、時間戳等信息都會導致該區塊的哈希值發生變化，從而破壞區塊鏈的一致性和完整性。因此，區塊頭對于區塊鏈的正確性和可靠性至關重要。區塊體主要包含了區塊鏈上交易信息的詳細數據等信息。

區塊鏈可以根據參與者的不同分為公有鏈和私有鏈。其中公有鏈是開放的、去中心化的，任何人都可以參與，如比特幣區塊鏈、以太坊；私有鏈則是封閉的、集中化的，只有特定的人或機構才能參與，如聯盟鏈。兩者有明顯的共同優勢：

a）服務去中心化共享。區塊鏈無須中心化的第三方機構，參與者可以直接進行交互和交易，增加參與者之間的信任度。

b）數據信息分布式存儲。區塊鏈是由多個區塊按照時間組成的鏈條，每個時間段所發生的交易都被保存在不同服務器中，其管理權去中心化，每發生一次交易，全部節點都記錄這個動作。

c）平臺容錯性強。區塊鏈共享平臺采用分布式去中心化結構，使系統具有魯棒性，區塊鏈的共識機制保證所有誠實節點保存一致的區塊鏈視圖，增強了系統的安全性，當節點發現異常時，系統仍可以繼續運行。

2 云雙鏈結構

本文面向CMfg的服務協同存在服務完全分布式管理不實際、數據錄入時節點間時間依賴性強、方案實施時動態適應性弱的問題，結合區塊鏈去中心化機制，提出cloud dual-chain。

2.1 cloud dual-chain模型

cloud dual-chain的模型如圖2所示，主要包括制造服務鏈（manufacturing service chain，MSC）和過程數據鏈（process data chain，PDC）。MSC和PDC都是依據發布任務的子任務結構一一建立的，所以兩者的節點個數和子任務個數相同。

1）發布的任務

任務需求者發布制造任務T，T={t1，t2，t3，…}，由不同子任務t構成。子任務執行順序有順序、并行、選擇、循環四種結構［27］，本文以順序結構為基礎進行研究。每個子任務t都不能再分割，1個子任務t只能由一個服務service完成，而不能由多個服務協同完成。每個子任務信息均包括了該任務的特征與需求，如制造特點和子任務的排序、產品幾何尺寸精度要求等。

2）MSC

MSC在子任務流程的基礎上所形成，用于記錄可以完成子任務的所有服務信息及匹配度。如圖2中紅色塊狀結構和紅色箭頭所示，每個塊狀結構表示一個區塊，每個區塊中記錄了可以完成該任務的所有服務信息。每個服務的信息主要包括制造設備當前狀態數據、制造決策案例、優勢數據，與任務的匹配度。在MSC中一個服務必然隸屬于一個企業，一個企業可以同時擁有多項服務。

3）PDC

PDC在MSC的基礎上進一步提取形成，用于記錄制造過程中所提供服務的相關數據，具有實時記錄的功能。如圖2所示，區塊用藍色塊狀結構和箭頭表示，每個塊狀結構表示一個區塊，與MSC不同的地方是，PDC內每個區塊內只有一個服務，即每個子任務只有一個服務來滿足相應需求。PDC服務信息綜合了子任務的匹配度、服務的優勢特性、服務的隸屬企業，并記錄在制造過程中所產生的數據等。一個服務可以同時為多個子任務提供服務，但一個任務僅匹配一個服務。

2.2 cloud dual-chain的智能合約

智能合約是區塊鏈被稱之為去中心化的重要原因，它允許在不需要第三方的情況下，執行可追溯、不可逆轉和安全的交易。cloud dual-chain的智能合約是一種特殊協議，旨在為制造企業（manufacturing enterprises，MEs），MSC與PDC三個具體對象提供執行機制。具體如圖3所示，MSC與PDC的形成都是依據發布的制造子任務流程，所以智能合約中默認每個任務都是一個子任務。

1）MEs

智能合約中面向MEs主要包括如下4項內容：

a）MEs向MSC鏈的訪問驗證發起；

b）MEs向PDC鏈的訪問驗證發起；

c）MEs向MSC鏈發布對應子任務的服務信息；

d）MEs確認可以為子任務提供服務。

2）MSC

智能合約面向MEs，根據制造任務，篩選MEs所擁有的各項服務，形成MSC，使MSC中的各節點根據子任務序列產生，并使各節點記錄對應子任務的服務信息及匹配度。其主要包括如下4部分內容：

a）計算企業服務service與子任務t的匹配度；

b）將子任務t可用的服務service保存到對應的MSC區塊中（MBlock）；

c）根據子任務執行順序生成MSC鏈；

d）當出現失效服務后，更新對應MBlock中的服務信息，去除失效服務。

3）PDC

PDC鏈的形成是將MSC中的服務進一步篩選，形成一個優質的服務組合sc進行任務執行。在任務執行過程中記錄數據，并當服務組合遇到某個服務失效時可以動態調整。其主要內容包括如下4部分：

a）通過算法將MSC中的服務形成最終方案，并將服務加入PDC鏈的區塊PBlock中；

b）在方案執行過程中，記錄相關過程數據；

c）服務失效確認；

d）在對應的MSC節點MBlock中重新選擇一個匹配度高的服務，替換PDC中失效服務的相關數據，并向PDC的其他節點進行廣播。

智能合約的執行偽代碼如算法1所示。

算法1 智能合約

輸入：制造任務T={t1，t2，…，ti，…，tn}，其中t為子任務。

輸出：MSC={MBlock1，MBlock2，…，MBlockn}，

PDC={PBlock1，PBlock2，…，PBlockn}。

1 將任務發送至所有MEs

#以下是生成MSC的執行機制

2 為MEs生成訪問秘鑰 key：

3 for i in T={t1，t2，…，ti，…，tn}

4 for j in MEs：

5 if 企業驗證秘鑰通過：

6 for m in services： /*增加service第i個任務對應的MBlocki*/

7 if match（servicem，ti）>β：

8 add servicem to MBlocki

9 end if

10 end for

11 else confused; #驗證秘鑰失敗

12 end if

13 end for

14 end for

#以下是生成PDC的執行機制

15 for i in MSC：

16 scEj=algorithm （eva（sc1，sc2，…）） //通過算法獲取最優方案

17 為scEj中每個服務對應企業生成訪問秘鑰

18 if 企業驗證秘鑰通過：

19 add serviceji to PBlocki; /*該服務生成新的節點PBlocki*/

20 while （serviceji）： #當服務有效

21 record process_datai to PBlocki; /*記錄過程數據到對應任務的PBlocki中*/

22 broadcast to PDC; /*將記錄過程數據這一行為廣播至所有節點*/

23 if serviceji failure //當過程數據產生失敗，即制造服務失效

24 delate（MBlocki，serviceji） /*在MBlocki中刪除失效服務serviceji*/

25 serviceji=serInfo（max（matchdegree （MBlocki））） /*重新獲取當前節點中適應度最大的服務信息*/

26 goto line 19

27 end if

28 else confused //秘鑰驗證失敗

29 end if

28end for

通過算法1可知，智能合約針對的是MEs、MSC與PDC三個具體對象，其實現過程主要包含生成MSC執行機制與生成PDC的執行機制兩大部分，針對MEs的內容則包含到MSC和PDC的具體執行過程中。智能合約是從cloud dual-chain開始運行到結束貫穿于每個過程中。

2.3 cloud dual-chain的產生

cloud dual-chain的最終目的是獲取優質的服務組合。cloud dual-chain的產生過程主要包括MSC與PDC的產生。MSC是根據任務中不同特性的子任務所生成的服務集合鏈。PDC是根據具體的子任務，在MSC的基礎上進一步生成的制造過程數據鏈，用于記錄制造過程數據及信息。其產生過程具體如圖4所示。

1）MSC的產生

MSC根據子任務依次產生，每個節點存放對應子任務的適配服務。每個區塊的區塊頭包括前區塊的哈希值、時間戳、隨機數、Merkle root。其中，前區塊的哈希值記錄用于指向前一個區塊。隨機數確定企業的訪問秘鑰。時間戳用于記錄每個子任務產生區塊MBlock的時間，確保MSC每個區塊依次順序相連，且無法竄改。Merkle樹用于歸納一個區塊中的所有服務記錄。其中Merkle root在區塊頭中，展開的Merkle樹在區塊體中。

雙鏈產生步驟的前三步是MSC的產生過程：第一步，需求者發布任務T={t1，t2，…，tn}，然后根據子任務一一產生對應區塊MBlock。第二步，提供企業進行服務注冊。第三步，形成MSC。以子任務tn為例，根據智能合約產生區塊，對應的區塊是MBlockn，在區塊產生記錄數據時，計算每個服務的適應度等，將其進行記錄，直至所有子區塊與子任務一一對立并建立完成。

2）PDC的產生

PDC根據MSC依次產生。在每個PDC的區塊PBlock中，包括了區塊頭與區塊體，但與MSC相比有所不同。PBlock區塊頭包括前區塊的哈希值、時間戳、隨機數、Merkle root、服務信息。與MSC一樣的是，前區塊的哈希值用于指向前一個區塊。隨機數用于確定在對應的PBlock中選擇的服務提供企業的訪問秘鑰。時間戳記錄了每個區塊PBlock的產生時間，確保每個區塊依次順序相連，且無法竄改。服務信息用于記錄該區塊對應的服務相關信息。Merkle樹用于歸納區塊對應服務的制造過程數據的記錄，其中Merkle root在區塊頭中，展開的Merkle樹（具體的過程數據）在區塊體中。

雙鏈產生步驟的后兩步則是PDC的產生過程。第四步，根據產生的MSC，結合智能合約，選擇最優的服務來一一對應產生PBlock，如MBlockn對應產生的是PBlockn，形成PDC。PDC中所有區塊對應的服務則是最終的組合方案。第五步，在制造過程中，當某個服務失效如service4n+2，則將失效的服務進行替換，替換的服務需要重新從MBlockn+2中進行選擇，選擇原則依然按照智能合約進行。第五步在整個制造過程中有可能不出現。

2.4 基于cloud dual-chain最優服務組合的實現

在協同制造模式下，服務組合在滿足日益增長的需求方面取得了顯著的優勢，它使各個企業能夠相互合作，從而提供合理的組合服務方案［28］。基于云雙鏈獲取最優組合的產生過程共分為四步。

第一步：制造任務發布。任務需求者將發布制造任務，制造任務由多個子任務所構成，T={t1，t2，…，tn}，并將任務廣播至所有服務提供企業。

第二步：資源注冊。資源持有企業制造任務將資源ri進行注冊，根據任務（tj）形成不同的服務serviceji。

第三步：形成MSC。如果serviceji=match（ri，ti）>β，則將serviceji寫入MBlockj中，從而逐漸形成MSC。

第四步：產生協同方案并實施。主要是根據子任務執行順序，采用相應算法獲取最優服務組合，如遺傳算法、布谷鳥算法差分算法、模擬退火算法、粒子群算法等。然后將服務組合形成PDC，PDC={PBlock1，PBlock2，…，PBlockn}。PDC中的每個節點就是一個具體服務及其制造數據PBlocki={servicei，process_datai}。當遇到PDC中某個區塊PBlockh對應的服務失效，則重新從MBlockh中選擇適應度較大的服務替換原先PBlockh內的企業信息及制造過程數據。

在cloud dual-chain中，服務的管理歸屬于企業自身，即服務是多點分布式管理。在執行任務時，通過智能合約，提取可以滿足任務需求的服務形成MSC，進行集中存儲。在任務執行過程中，通過算法生成服務執行方案，將方案的服務所對應的企業節點形成PDC，實現了相對集中的管理，兼容了分布式與集中式的服務管理。在任務執行過程中，當組合方案確定后，即生成PDC。此時PDC的執行不完全依賴于區塊鏈節點的先后生成時刻，而是當任務開始執行，即可以進行數據的存儲。存儲的數據分布于不同節點，且可以并發執行。當出現失效服務時，由于MSC的存在，可以選擇新的服務替換PDC中的失效服務，使服務組合具有動態適應性。

3 實驗分析

3.1 實驗設計

為了驗證本文cloud dual-chain有靈活服務管理能力、數據分布式并行錄入能力以及產生方案的動態適應性，實驗數據采用Guelph大學收集的QWS 2.0數據集［29］。該數據集收集了不同公司，共計2 507條真實服務的信息，每個服務信息都包含了響應時間、可用性、吞吐量等屬性。但由于QWS 2.0缺少過程數據，本文結合所需的過程數據，在一定范圍內模擬生產過程數據。實驗系統采用Windows 10，處理器為Intel Core i9，內存32 GB，編程環境為Python 3.11。

由于資源優化組合方案通常具有多個局部最優解，花授粉算法采用Lévy搜索策略，可以有效避免陷入局部最優的情況，從而具有優秀的全局搜索能力［30，31］。因此，本實驗服務組合的獲取采用花授粉算法。設置花朵種群數為100，轉換概率為0.2，迭代200次，每5次記錄一次時間值與適應度值。其中評價指標采用最佳實踐（best practices，bp）、可用性（availability，av）、響應時間（response time，rt）、合規性（compliance，co）。在后續仿真過程中對這些屬性進行歸一化處理，其中bp，av，co屬于積極屬性，rt屬于消極屬性，歸一化處理方式根據參考文獻［32］進行。方案評價模型為

eva（sc）=∑ni=1（α×bpi+β×avi+δ×rti+φ×coi）

其中：α， β， δ， φ分別為權重系數，根據專家經驗，實驗中分別設置為0.2，0.2，0.3，0.3。

3.2 實驗過程及分析

假定發布的制造任務T有6個子任務，即T={t1，t2，…，t6}，且子任務之間是順序結構。在QWS 2.0數據集中選擇120組數據構成候選服務集，構成MSC，每個對應20個候選服務，具體如表1所示。

當子任務數與候選服務數量規模一定，無論是采用經典CMfg平臺、單鏈結構的區塊鏈還是本文提出的雙鏈結構，在迭代至一定次數后，都可以獲取一組優質組合方案。在這部分實驗中，對cloud dual-chain與經典CMfg平臺獲取最終方案的時間與適應度值進行了對比，記錄如表2所示，時間走勢和適應度走勢如圖5和6所示。

由于最優組合的產生使用花授粉算法，在進化過程中局部最優值產生有一定的概率問題，所以在局部區域存在差異。但縱觀整個趨勢，無論是時間走勢圖還是適應度值的走勢圖，cloud dual-chain與經典CMfg平臺時間差別細微，所以可以說一定的時間范圍內，均可以獲取優質服務組合，且組合的適應度值基本一致。而雙鏈結構較之經典CMfg平臺，不同的服務存放于不同的節點下，管理仍歸屬于企業自身，在智能合約中統一處理，并未造成多余的時間開銷，且獲取的優化組合效果相一致，可以說cloud dual-chain兼容了分布式和中心化管理，較之CMfg平臺對服務的管理更靈活。

2）數據記錄時間驗證

同一最優組合背景下，不同結構的平臺對數據的記錄能力不完全一致。這部分實驗將采用同一個組合方案，即根據前面實驗所獲取方案選擇一組進行實驗，該方案對應的PDC及服務如表3所示。將其分別在本文cloud dual-chain、單區塊鏈鏈結構、經典CMfg平臺上進行運行，對比生產過程中的數據錄入時間。在實驗過程中，假設每個服務源源不斷地產生過程數據，數據記錄實驗共進行了10次，取其平均值進行記錄。表4記錄了每個節點對應的服務記錄過程數據所需時間以及完成整個方案記錄數據所需時間，為了更加明了地進行對比，將每個節點對應的服務記錄過程數據所需時間展示如圖7所示，而整個方案記錄所需時間展示如圖8所示。

由圖7可以看出，同一個方案的前提下，單鏈結構和云平臺每個服務記錄時間基本接近，而cloud dual-chain中每個節點記錄數據所需要的時間約是另外兩個結構的1.5倍。縱觀全局數據記錄時間，即圖8，cloud dual-chain總時間要少于另外兩個結構。產生這種現象的原因是每訪問一次cloud dual-chain節點，都需要兩次驗證，增加了單次數據的錄入時間，而另外兩個平臺僅一次訪問就可以進行數據記錄。由于cloud dual-chain中用于記錄數據的PDC鏈是基于MSC鏈產生的，所以只要MSC鏈構成，那么PDC鏈中的每個節點之間相對獨立。比如，第一個節點進行數據記錄的同時，若第二個節點滿足加工需求，則第二個節點可以同時進行數據記錄，所以節點之間有部分節點并行進行存儲操作，整體數據記錄所需時間低于另外兩個結構。

3）最終方案執行過程的動態適應性

在雙鏈結構中，當節點不穩定，則對應的MSC節點會在對應的PBlock中重新找一個新的服務替換當前不穩定的節點服務，且這個過程與別的節點錄入過程是并發進行的。

如圖9所示，子圖1是當所有節點都穩定運行時的數據值狀態，當節點3出現不穩定的情況時，將服務service36更換成service312，并重新記錄了數據，更換服務后數據錄入狀態如圖2所示。

在單鏈結構中，若遇到節點不穩定，則導致方案無法進行，原因是只有當前節點完成加工后才能產生后續節點。而在CMfg平臺過程中，當遇到節點服務不穩定時，根據云平臺的集中特性，需要產生新的方案，如此會造成后續工作的無效，或進行有效替換時需要重新在眾多服務中進行選擇，導致經濟成本或時間成本的增多。而在cloud dual-chain中，出現問題的節點數據會有丟失的可能，將服務進行有效替換，則可以避免執行方案的失敗。

3.3 cloud dual-chain的優勢

結合仿真實驗可知，雙鏈結構在面向CMfg促進企業協同具有以下優勢：

1）服務的靈活管理

cloud dual-chain的服務無須第三方中間管理機構，服務的核心管理權限仍歸屬于企業自身，而在具體任務中，其管理依賴于智能合約，兼容了分布式服務管理與中心化服務管理。

2）數據錄入分布式并行

雙鏈結構可以根據供應鏈、生產線、質檢、售后、運維等各個環節的業務流程和數據模型的狀態在全網實時更新和同步。當在方案執行過程中，過程數據的錄入不依賴于所有前期區塊節點的數據錄入是否完成，只要該服務在執行任務，則可以與別的節點并發進行當前數據錄入。

3）方案在執行過程中動態適應性強

由于任務的執行過程是有時間特性的，所以數據記錄到每個節點的執行動作有時間先后特性。雙鏈結構可以有效地處理在執行過程中由于出現的某些不確定性影響因素導致的服務失效，在不影響別的服務或節點的前提下進行服務更替，從而提高服務組合的動態適應性。

4 結束語

本文針對制造服務優化組合問題，面向CMfg的服務組合優化，基于區塊鏈技術，提出了云雙鏈結構。cloud dual-chain包括MSC和PDC，兩者均基于制造子任務流程所形成，MSC用于記錄可以完成子任務的所有服務信息，PDC則用于記錄制造的過程數據。提出的cloud dual-chain使制造企業面向CMfg獲取服務優化組合，具有服務靈活管理、數據錄入不完全依賴于節點的時間順序、方案在實施過程中動態適應性強等優勢。

cloud dual-chain是一個從制造企業協同平臺角度實現制造服務優化組合的新的方式。然而，在實際應用中，隨著系統規模的擴大，cloud dual-chain在服務組合方案的獲取時將受到數據量、交易量、網絡通信影響，并且相較于單鏈結構，面臨著攻擊面擴大的安全問題。在進一步的研究中，需采用更廣泛的實驗來驗證系統在不同規模下的性能表現，并更加詳細地設計智能合約，以有效保護系統免受潛在攻擊。這一系列工作將有助于進一步完善cloud dual-chain在實際制造服務中的應用。

參考文獻：

［1］工業互聯網產業聯盟. 中小企業“上云上平臺”應用場景及實施路徑白皮書［EB/OL］. （2019-02-25） ［2023-10-05］. http：//aii-alliance.org/index/c320/n74.html. （Alliance of Industrial Internet. White paper on application scenario and implementation path of “Cloud on Platform” for SMEs［EB/OL］. （2019-02-25） ［2023-10-05］. http：//aii-alliance.org/index/c320/n74.html.）

［2］李伯虎，張霖，王時龍，等. 云制造——面向服務的網絡化制造新模式［J］. 計算機集成制造系統，2010，16（1）： 1-7，16. （Li Bohu，Zhang Lin，Wang Shilong，et al. Cloud manufacturing： a new service-oriented net worked manufacturing model［J］. Computer Integrated Manufacturing Systems，2010，16（1）： 1-7，16.）

［3］Lu Yuqian，Xu Xun. Development of a hybrid manufacturing cloud［J］. Journal of Manufacturing Systems，2014，33（4）： 551-566.

［4］Lim M K，Xiong Weiqing，Wang Yankai. A three-tier programming model for service composition and optimal selection in cloud manufacturing［J］. Computers & Industrial Engineering，2022，167： 108006.

［5］Gao Yifan，Yang Bo，Wang Shilong，et al. A multi-objective service composition method considering the interests of tri-stakeholders in cloud manufacturing based on an enhanced jellyfish search optimizer［J］. Journal of Computational Science，2023，67： 101934.

［6］Wang Yankai，Wang Shilong，Yang Bo，et al. An effective adaptive adjustment method for service composition exception handling in cloud manufacturing［J］. Journal of Intelligent Manufacturing，2022，33（3）： 735-751.

［7］Bi Xiaoxue，Yu Dong，Liu Jinsong，et al. A preference-based multi-objective algorithm for optimal service composition selection in cloud manufacturing［J］. International Journal of Computer Integrated Manufacturing，2020，33（8）： 751-768.

［8］Li Tianyang，He Ting，Wang Zhongjie，et al. SDF-GA： a service domain feature-oriented approach for manufacturing cloud service composition［J］. Journal of Intelligent Manufacturing，2020，31（3）： 681-702.

［9］Gavvala S K，Jatoth C，Gangadharan G R，et al. QoS-aware cloud service composition using eagle strategy［J］. Future Generation Computer Systems，2019，90： 273-290.

［10］Gao Jie，Yan Xianguo，Guo Hong. A discrete manufacturing SCOS framework based on functional interval parameters and fuzzy QoS attributes using moving window FPA［J］. Concurrent Engineering，2021，30（1）： 46-66.

［11］Gao Jie，Guo Hong，Yan Xianguo. A manufacturing SCOS model （MSCOS） based on the similarity of parameter sequences between tasks and service composition［J］. International Journal of Computational Intelligence Systems，2021，14（1）： article No. 203.

［12］冉瑞生，劉震，祁翔，等. 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［J］. 計算機應用研究，2023，40（10）： 2922-2927. （Ran Ruisheng，Liu Zhen，Qi Xiang，et al. Ant colony factor differential evolutionary algorithm based on hyperledger fabric for trustworthy service composition optimization［J］. Application Research of Computers，2023，40（10）： 2922-2927.）

［13］Wang Min，Pang Shanchen，Yu Shihang，et al. An optimal production scheme for reconfigurable cloud manufacturing service system［J］. IEEE Trans on Industrial Informatics，2022，18（12）： 9037-9046.

［14］Chuang Y C，Chen Y M. Digital servitization of symbiotic service composition in product-service systems［J］. Computers in Industry，2022，138： 103630.

［15］Hu Yang，Yang Yu，Wu Feng. Dynamic cloud manufacturing service composition with re-entrant services： an online policy perspective［J］. International Journal of Production Research，2024，62（9）： 3263-3287.

［16］Nakamoto S. Bitcoin： a peer-to-peer electronic cash system［EB/OL］. （2008） ［2024-01-22］. https：//bitcoin.org/bitcoin.pdf.

［17］Yu Chunxia，Zhang Luping，Zhao Wenfan，et al. A blockchain-based service composition architecture in cloud manufacturing［J］. International Journal of Computer Integrated Manufacturing，2020，33（7）： 701-715.

［18］Tong Juncheng，Zhao Bo，An Yang. A novel multi-objective service composition architecture for blockchain-based cloud manufacturing［J］. Journal of Computational Design and Engineering，2023，10（1）： 185-203.

［19］Zhang Yang，Liang Yongqun，Jie Bin，et al. Scheduling and process optimization for blockchain-enabled cloud manufacturing using dyna-mic selection evolutionary algorithm［J］. IEEE Trans on Industrial Informatics，2023，19（2）： 1903-1911.

［20］Patel D，Sahu C K，Rai R. Security in modern manufacturing systems： integrating blockchain in artificial intelligence-assisted manufacturing［J］. International Journal of Production Research，2024，62（3）： 1041-1071.

［21］Hewa T，Brakekn A，Liyanage M，et al. Fog Computing and blockchain-based security service architecture for 5g industrial IoT-enabled cloud manufacturing［J］. IEEE Trans on Industrial Informatics，2022，18（10）： 7174-7185.

［22］Matenga A E，Mpofu K. Blockchain-based cloud manufacturing SCM system for collaborative enterprise manufacturing： a case study of transport manufacturing［J］. Applied Sciences，2022，12（17）： 8664.

［23］Wang H C，Chiu W P，Wu S C. QoS-driven selection of Web service considering group preference［J］. Computer Networks，2015，93： 111-124.

［24］Tang H，Shi Y，Dong P. Public blockchain evaluation using entropy and TOPSIS［J］. Expert Systems with Applications，2019，117： 204-210.

［25］Saberi S，Kouhizadeh M，Sarkis J，et al. Blockchain technology and its relationships to sustainable supply chain management［J］. International Journal of Production Research，2019，57（7）： 2117-2135.

［26］Tao Fei，Zhang Yongping，Cheng Ying，et al. Digital twin and blockchain enhanced smart manufacturing service collaboration and ma-nagement［J］. Journal of Manufacturing Systems，2022，62： 903-914.

［27］Yuan Minghai，Zhou Zhou，Cai Xianxian，et al. Service composition model and method in cloud manufacturing［J］. Robotics and Computer-Integrated Manufacturing，2020，61： 101840.

［28］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.）

［29］Vijay K. Bhargava. Research challenges in cognitive radio networks［C］// Proc of the 16th International Conferenceon Computer Communications and Networks. Piscataway，NJ： IEEE Press，2017.

［30］Jin Hong，Jiang Cheng，Lyu Shengping，et al. A hybrid teaching-learning-based optimization algorithm for QoS-aware manufacturing cloud service composition［J］. Computing，2022，104（11）： 2489-2509.

［31］李大海，伍兆前，王振東. 多策略增強花授粉算法及其應用［J］. 計算機應用研究，2022，39（8）： 2388-2396，2402. （Li Dahai，Wu Zhaoqian，Wang Zhendong. Multi-strategy flower pollination optimization algorithm for vehicle power transmission parameters［J］. Application Research of Computers，2022，39（8）： 2388-2396，2402.）

［32］孟柯，吳志勇，黃雙喜，等. 基于區塊鏈的新型云制造服務選擇方法［J］. 計算機集成制造系統，2023，29（3）： 707-718. （Meng Ke，Wu Zhiyong，Huang Shuangxi，et al. Novel cloud manufacturing ser-vice selection method based on blockchain［J］. Computer Integrated Manufacturing Systems，2023，29（3）： 707-718.）

收稿日期：2023-12-14；修回日期：2024-02-19 基金項目：山西省工程研究院咨詢研究項目（20211004）；山西省高等學校科技創新項目（2023L416）

作者簡介：高潔（1986—），女，山西鄉寧人，講師，博士，CCF會員，主要研究方向為智能制造與大數據；梁波（1986—），男（通信作者），山西交城人，講師，碩導，博士，CCF會員，主要研究方向為數據挖掘（liangbo@tynu.edu.cn）.