资源服务网络中基于聚类的关键特征序列选取方法与流程

本发明涉及协同任务领域，特别涉及一种资源服务网络中基于聚类的关键特征序列选取方法。

背景技术：

近年来，在以移动互联网、物联网、云计算、大数据等为代表的新兴信息技术的支持下，多组织协同完成一项任务的工作方式-协同任务模式已扩展至更多领域。制造业、公共管理、电子商务、医疗应用、远程教育、军事应用以及合作科学研究等领域也逐渐表现出更多的协同性，协同的深度和广度正在迅速扩大。而实现“协同”的一个重要手段就是“面向服务”的技术。“面向服务”已成为软件工程领域的主流思想，尤其伴随着“服务计算”发展成为一门独立的学科，深刻地改变了人们用信息技术解决不同领域问题的视角与思维，影响着软件系统分析、设计、开发、运行、管理等各生命周期阶段的方法论。在当前日趋激烈的竞争环境下，提高各组织之间服务交互的质量和效率成了增强企业核心竞争力的重要途径之一。

从系统构成角度，互联网是众多服务器之间的互联，如图1所示。实际上，这种互联是各主机上部署并对外发布的各类软件服务之间的逻辑连通，在各类资源的支撑下，通过交互、协同完成共同的任务，即协同任务，如图2所示。这种以服务为节点、服务之间的交互所形成的网络就是服务网络，现实世界的各类资源在服务网络中实现物-物相连，成为资源服务，如图3所示。在资源层面，资源服务一直是影响任务执行效果的主要因素。过去的几十年期间，资源调度和优化管理也一直是热门研究主题，但在分布的服务网络环境下，由于各组织的资源服务具有自治性，资源服务之间的协同更加困难，可以说，资源服务之间协同的质量和协同效率决定了服务网络的效率和成败。

在协同任务环境下，服务之间的交互往往遵循着一个或者多个服务业务过程进行，相应地，资源之间的协同也就存在着时序关系。如图4所示，分散的资源服务通过web服务技术接入到系统平台，为平台上不同行业的业务过程提供服务。通过业务过程的集成、管理和调度，业务活动服务相互交互，形成服务网络，并在各类资源服务的支持下，由不同组织参与协同完成一个任务。因此，为提高服务交互的整体效率，发现服务交互的瓶颈，优化服务业务过程，必须考虑资源服务之间的时序关系和上下游资源服务的影响关系。

不同的资源服务为不同的业务活动服务，由于业务活动服务之间的时序关系，资源服务亦形成时序关系，伴随着业务活动服务的交互，这些具有时序关系的资源服务可以形成序列，我们称之为资源服务序列。通过对资源服务序列的集成和统一，组成资源服务网络。探究资源服务网络中上下游资源服务之间的影响关系，需要从资源服务特征之间的影响关系入手。资源服务特征是指能够反应资源服务的能力、状态的诸多因素。以制造业为例，每种制造资源服务都具有一些特征，如产品加工设备的响应时间、成本、满意度等，原材料和产品的合格率、成本等。目前，基于资源的服务质量(Quality of Service,QoS)的方法较多，这些方法都是通过QoS属性(特征)提出最优化的资源服务组合、选取方案。但是，进一步地分析特征之间的影响关系，在资源服务网络中发现有重要影响关系的特征序列，是发现上游资源对下游资源影响的重要途径。我们把相邻特征间有重要影响关系的特征序列称为关键特征序列。从资源特征间的影响关系挖掘关键资源之间的影响关系更加客观准确。

技术实现要素：

本发明的目的在于克服现有技术的不足，提出一种资源服务网络中基于聚类的关键特征序列选取方法，通过聚类方法计算特征之间的影响关系，进而选取出关键特征序列，帮助企业发现服务交互的瓶颈，提高各组织之间服务交互的质量和效率。

本发明解决其技术问题所采用的技术方案是：

一种资源服务网络中基于聚类的关键特征序列选取方法，包括：

步骤1，根据服务网络描述的业务活动服务的交互顺序，以及业务活动服务所需的资源服务，构建资源服务网络；

步骤2，从资源服务网络中获取资源服务序列，得到资源服务序列集RSSs＝{RSS₁,RSS₂,…,RSS_Q}；其中，Q表示资源服务序列集RSSs中资源服务序列的个数；

步骤3，确定资源服务特征，并将非数值型特征值转化成数值型特征；

步骤4，对资源服务特征进行归一化处理，使资源服务的所有特征的取值范围均在[0,1]之间；

步骤5，从资源服务序列集RSSs中取出一个资源服务序列RSS，并将RSS从RSSs中删除；其中RSS属于RSS₁,RSS₂,…,RSS_Q中的任意一个；

步骤6，为资源服务序列RSS选取关键特征序列；

步骤7，重复步骤5至步骤6，直到资源服务序列集RSSs为空，整个资源服务序列集RSSs的关键特征序列选取过程结束。

所述为资源服务序列RSS选取关键特征序列包括：

步骤6.1，枚举资源服务序列RSS前两个资源服务的所有资源服务特征，组成特征序列集，方式如下：

分别枚举出资源服务序列RSS前两个资源服务r₁和r₂的所有资源服务特征，其中，r₁的所有资源服务特征为F₁＝{f_1,1,f_1,2,…,f_1,m}，r₂的所有资源服务特征为F₂＝{f_2,1,f_2,2,…,f_2,l}；并构成F₁元素在前，F₂元素在后的，长度为2的特征序列集FSs＝{<f_1,1,f_2,1>,<f_1,2,f_2,1>,…,<f_1,1,f_2,l>,…,<f_1,m,f_2,l>}；其中，m表示资源服务r₁中的资源服务特征数，l表示资源服务r₂中的资源服务特征数；

步骤6.2，将所述前两个资源服务r₁和r₂从资源服务序列RSS中删除；

步骤6.3，从特征序列集FSs中取出一个特征序列FS＝<f_1,i,f_2,j>；其中1≤i≤m，1≤j≤l；

步骤6.4，利用聚类计算特征序列FS中相邻特征间的影响度；

步骤6.5，如果特征序列FS中相邻特征之间影响度不低于预设的最低影响度min_Inf，则将特征序列FS放入关键特征序列集合KFSs中；

步骤6.6，从特征序列FSs中删除FS；

步骤6.7，重复步骤6.3到6.6，直到特征序列FSs为空，返回进入步骤6.8；

步骤6.8，判断关键特征序列集合KFSs是否为空，如果为空，整个选取过程结束，否则进入步骤6.9；

步骤6.9，判断资源服务序列RSS是否为空，如果为空，选取过程结束，否则进入步骤6.10；

步骤6.10，枚举资源服务序列RSS第一个资源服务r_new1的所有特征，得到资源服务特征集合F_new1＝{f_new1,1,f_new1,2,…,f_new1,p}；其中，p表示资源服务r_new1中的资源服务特征数；

步骤6.11，删除资源服务序列RSS的第一个资源服务r_new1；

步骤6.12，从关键特征序列集合KFSs中获取一个关键特征序列FS_k＝<α₁,α₂,…,α_L>，并将FS_k从KFSs中删除；其中，α₁,α₂,…,α_L分别表示FS_k的特征，L表示FS_k的长度；

步骤6.13，计算α_L对F_new1中任意特征f_new1,q的影响度influence；其中，1≤q≤p，f_new1,q表示r_new1的第q个特征；

步骤6.14，判断influence和预设的最低影响度min_Inf的大小；如果influence>＝min_Inf，令FS＝FS_k+f_new1,q，得到FS＝<α₁,α₂,…,α_L,f_new1,q>，并将FS加入到KFS_new中；

步骤6.15，重复步骤6.12到6.14，直到KFSs为空，即遍历完KFSs中的所有关键特征序列，然后进入步骤6.16；

步骤6.16，令KFSs＝KFS_new，更新关键特征序列集合KFSs为关键特征序列集合KFS_new；

步骤6.17，重复步骤6.8到6.16，直到资源服务序列RSS为空，资源服务序列RSS的关键特征序列选取过程结束。

本发明具有如下有益效果：

本发明方法考虑了资源服务特征层面的影响关系，能够帮助企业发现服务交互过程的瓶颈，为企业优化服务交互过程以及提高服务交互效率提供决策支持。

以下结合附图及实施例对本发明作进一步详细说明，但本发明的一种资源服务网络中基于聚类的关键特征序列选取方法不局限于实施例。

附图说明

图1为Internet中主机之间的互联示意图；

图2为Internet上的服务互联示意图；

图3为服务网络及资源服务之间的互联示意图；

图4为服务网络中的资源服务序列示意图；

图5为本发明的基于聚类的选取关键特征序列整体流程图；

图6为本发明的KFS_Selection算法流程图；

图7为本实施例的典型电器类产品协同设计与制造过程；

图8为本实施例的资源服务网络示意图。

具体实施方式

参见图5所示，本发明提出一种资源服务网络中基于聚类的关键特征序列选取方法，包括如下步骤：

步骤1，构建资源服务网络。

根据服务网络描述的业务活动服务的交互顺序，以及业务活动服务所需的资源服务，构建资源服务网络。

步骤2，获取资源服务序列。

根据资源服务网络获取资源服务序列，得到资源服务序列集RSSs＝{RSS₁,RSS₂,…,RSS_Q}，其中，Q表示资源服务序列集RSSs中资源服务序列的个数。具体的，资源服务序列可直接从资源服务网络中获取，该步骤不需要算法。

步骤3，确定资源服务特征。

不同的资源服务拥有不同种类、不同数量的特征，而且对于企业而言，并非关心所有的资源服务特征间的影响关系具有意义。因此，企业根据自身需求，确定关心的资源服务特征，并将非数值型特征值转化成数值型特征。

步骤4，特征归一化处理

由于不同资源服务特征的取值范围不尽相同，因此，为消除特征值差异对关键特征序列选取结果的影响，需要对特征进行归一化处理。假设某一资源服务特征在业务数据BD中的取值为集合V＝{v₁,v₂,…,v_N}，其中N表示V的大小，则该特征的归一化处理的方法如公式(1)所示：

其中，v_i∈V为该特征在业务数据BD中第i次出现的值。V_min表示该特征在BD中出现的最小值，即V中的最小值，V_max表示最大值。在对所有的资源服务特征进行完归一化处理之后，特征的取值范围均在[0,1]之间。

步骤5，从RSSs中取出一个资源服务序列RSS，并将RSS从RSSs中删除。

步骤6，为资源服务序列RSS选取关键特征序列。

对于企业而言，资源服务特征间的影响度越高，说明资源服务之间的关系越密切，对资源服务网络的交互效率和质量影响越大，反之则越低。因此，需要从特征序列中选取出关键特征序列。

参见图6所示，对于给定的资源服务序列RSS＝<r₁,r₂,…,r_n>，最低影响度min_Inf，选取出所有相邻特征间影响度不低于min_Inf的关键特征序列。min_Inf需要企业根据自身需求结合历史业务数据来确定。本发明将求解该步骤使用算法称为KFS_Selection，KFS_Selection算法的输入输出参数分别如下：

输入：RSS，一个资源服务序列

min_Inf，最低影响度

输出：KFSs，RSS的关键特征集

具体算法包括以下步骤：

步骤6.1，枚举RSS前两个资源服务的所有特征。

分别枚举出RSS前两个资源服务r₁，r₂的所有特征F₁＝{f_1,1,f_1,2,…,f_1,m}，F₂＝{f_2,1,f_2,2,…,f_2,l}，并构成F₁元素在前，F₂元素在后的，长度为2的特征序列集FSs＝{<f_1,1,f_2,1>,<f_1,2,f₂,₁>,…,<f_1,1,f_2,l>,…,<f_1,m,f_2,l>}，这里的所有特征指的是步骤2中企业确定的资源服务特征；其中，m表示资源服务r₁中的资源服务特征数，l表示资源服务r₂中的资源服务特征数。

步骤6.2，从RSS中删除前两个资源服务。

步骤6.3，从FSs中取出一个特征序列FS。

从FSs中任意取出一个特征序列FS＝<f_1,i,f_2,j>；其中1≤i≤m，1≤j≤l；

步骤6.4，计算FS中相邻特征间的影响度。

具体的，该步骤利用聚类计算FS＝<f_1,i,f_2,j>中相邻特征序列间的影响度，即计算特征f_1,i对特征f_2,j的影响度。

在数学中，变化率被用来描述因变量随着自变量的变化而变化的程度，其本质上反应了自变量对因变量的影响程度，变化率越大，则影响度越高，反之则越低。在本发明中，使用变化率的绝对值衡量特征间的影响度。因此，特征间的影响度定义如下：

特征f_pre对特征f_next的影响度，表示成f_next随f_pre的变化率的绝对值，记为I(f_pre,f_next)。

假设f_pre和f_next分别是资源服务r_pre和r_next的一个特征，r_pre和r_next共同出现(r_pre服务的业务活动在r_next服务的业务活动之前)的业务过程实例Id为Ids＝{Id₁,Id₂,…,Id_M}，其中M表示Ids的大小，f_pre在Ids中对应的值为X＝{x₁,x₂,…,x_M}，f_next在Ids中对应的值为Y＝{y₁,y₂,…,y_M}，其中x_i∈X表示f_pre在业务过程实例Id_i中的值，y_i同理，则f_next随f_pre的变化率的绝对值为集合slopeSet＝{slope₁,slope₂,…,slope_M-1}，其中slope_i的计算公式如下：

从公式(2)可以看出若将f_pre和f_next的值分别对应为x坐标轴和y坐标轴，则slope_i的几何含义即为第i段线段的斜率的绝对值。若x_i+1＝x_i，则令slope_i＝0。

本发明将特征间影响度的计算问题转化称一个聚类问题：从一个确定的变化率(绝对值)集合中，寻找规模最大的簇，进而计算特征间的影响度，特征间的影响度为规模最大的簇的聚类中心值。

本发明将解决该问题的算法称为Inf_Canopy_Kmeans算法，即用Inf_Canopy_Kmeans算法求I(f_pre,f_next)。在使用该算法之前，需要根据式(2)计算出后继特征f_next随前序特征f_pre变化而变化的变化率(绝对值)的集合slopeSet。算法的输入、输出及过程如算法1所示：

利用Inf_Canopy_Kmeans算法可以计算任意两个特征间的影响度，该算法利用变化率之间的差的绝对值作为距离度量函数。利用该方法对变化率聚类后，可以得到最大簇的中心，设该中心的值value，则在这些业务数据BD中，特征间的影响度，大部分集中都在value附近，因此，特征间的影响度为value。

步骤6.5，构建关键特征序列集KFSs。如果FS中相邻特征之间影响度不低于min_Inf，则将FS放入关键特征序列集合KFSs中。

步骤6.6，从FSs中删除FS。

步骤6.7，重复步骤6.3到6.6，直到FSs为空，返回进入步骤6.8。

步骤6.8，判断集合KFSs是否为空，如果为空，则说明资源服务序列RSS中没有满足条件的关键特征序列，整个选取过程结束，否则进入步骤6.9。

步骤6.9，判断RSS是否为空，如果为空，则说明已经遍历完整个资源服务序列RSS，选取过程结束，否则进入步骤6.10。

步骤6.10，枚举RSS第1个资源服务r_new1的所有特征，得到特征集合F_new1＝{f_new1,1,f_new1,₂,…,f_new1,p}；其中，p表示r_new1的特征个数。

步骤6.11，删除RSS的第1个资源服务r_new1。

步骤6.12，从KFSs中的获取一个关键特征序列FS_k＝<α₁,α₂,…,α_L>，并将FS_k从KFSs中删除。其中，α₁,α₂,…,α_L分别表示FS_k的第1个特征，第2个特征，···，第L个特征，L表示FS_k的长度。例如，假设KFSs＝{<f_1,2,f_2,1,f_3,1>,<f_1,1,f_2,2,f_3,2>}，如果FS_k＝<α₁,α₂,…,α_L>＝<f_1,2,f_2,1,f_3,1>，则L＝3，α₁＝f_1,2，α₂＝f_2,1，α₃＝f_3,1；如果FS_k＝<α₁,α₂,…,α_L>＝<f_1,1,f_2,2,f_3,2>，则L＝3，α₁＝f_1,1，α₂＝f_2,2，α₃＝f_3,2。

步骤6.13，利用Inf_Canopy_Kmeans算法计算α_L对F_new1中任意特征f_new1,q的影响度influence，q的取值范围是1≤q≤p，此处的f_new1,q表示的是r_new1的第q个特征。

步骤6.14，判断influence和min_Inf的大小。如果influence>＝min_Inf，说明α_L对f_new1,q的影响度高，则令FS＝FS_k+f_new1,q，即FS＝<α₁,α₂,…,α_L,f_new1,q>并将FS加入到KFS_new中。

步骤6.15、重复步骤6.12到6.14，直到KFSs为空，即遍历完KFSs中的所有关键特征序列，然后进入步骤6.16。

步骤6.16、令KFSs＝KFS_new。即更新集合KFSs为KFS_new。

步骤6.17、重复步骤6.8到6.16，直到RSS为空，RSS的关键特征序列选取过程结束。

步骤7，重复步骤5到6，直到RSSs为空，整个资源服务序列集RSSs的关键特征序列选取过程结束。

如下描述本发明的一个较佳实施例—典型电器类产品协同设计与制造。参见图7所示，该实施例的服务网络示意图，描述了业务活动服务的交互顺序，其中为每个业务活动服务配置的资源服务类别如表1所示，每个资源服务类别下的具体资源服务如表2所示，本实施例涉及6000条业务过程实例。

表1

表2

具体实施要点如下：

第一步、构建资源服务网络。

根据服务网络(图7)和资源服务类别配置(表1)及资源服务类别的具体资源服务(表2)，可直接得到资源服务网络，参见图8所示。

第二步、获取资源服务序列。

根据图8所示的资源服务网络，可直接获取不同长度的资源服务序列，例如RSS₁＝<r₁,r₈>，RSS₂＝<r₂₁,r₃₇,r₄₈>，RSS₃＝<r₂₁,r₃₆,r₄₉>，RSS₄＝<r₇,r₃₇,r₄₉,r₄₈>等(由于数量众多，此处不一一列举)，得到资源服务序列集RSSs＝{RSS₁,RSS₂,RSS₃,RSS₄,…}。

第三步、确定资源服务特征。

企业根据自身需求，确定所关心的资源服务特征，并将非数值型特征值转化成数值型特征，在本实施例中，所确定的资源服务特征如表3所示。

表3

第四步、特征归一化处理。

根据式(1)对表3中的所有特征进行归一化处理，使得所有的特征取值范围都在[0,1]之间。

第五步、为RSSs中的所有资源服务序列RSS选取关键特征序列。

以资源服务序列RSS＝<r₂₁,r₃₇,r₄₈>为例，进行说明，其他资源服务序列的关键特征序列选取过程与之相同，不再赘述。

第六步、准备KFS_Selection算法。

KFS_Selection算法的输入参数(实参)分别如下：

输入：RSS＝<r₂₁,r₃₇,r₄₈>

min_Inf＝0.7

min_Inf需要企业根据自身需求以及历史业务数据进行确定。

第七步、运行KFS_Selection算法。

经过运算后，RSS＝<r₂₁,r₃₇,r₄₈>的关键特征序列有：<f_6,2,f_10,1,f_13,1>、<f_6,2,f_10,1,f_13,2>、<f₆,₂,f_10,1,f_13,3>，其中相邻特征间的影响度如表4所示。根据表4可知，<f_6,2,f_10,1,f_13,1>这一关键特征序列中f_6,2对f_10,1的影响度为0.73，f_10,1对f_13,1的影响度为0.93。结合表1、2、3可知，<f_6,2,f_10,1,f_13,1>的含义是机械结构设计师r₂₁的响应周期对零部件配置方案r₃₇的成本的影响程度为0.73，零部件配置方案r₃₇的成本对零部件r₄₈的成本的影响程度为0.93。

表4

以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。