一种基于前景理论的不确定QoS感知Web服务选择方法与流程

本发明涉及一种基于前景理论的不确定qos感知web服务选择方法，属于服务选择领域。
背景技术：
：随着信息技术的发展，互联网已成为现代社会重要的信息基础设施，soa(service-orientedarchitecture)，面向服务的体系结构作为一种为解决互联网环境中服务共享、服务重用和业务集成问题的分布式软件系统构架，已经被工业界和学术界广泛接受。特别是随着web服务技术的出现和推广，web服务已成为soa的主流技术，极大地推动soa在各领域的应用。然而，随着web服务技术的飞速发展，互联网上服务数量和种类也随之增加，出现许多具有功能相同或相似的web服务，用户在服务的选择过程中不仅需要考虑web服务的功能属性，也需要考虑其非功能属性。因此，基于qos(qualityofservice，服务质量)感知(qos-aware)的web服务选择的提出与发展则是解决这一问题的关键。web服务的qos是服务的一组非功能属性集合，如响应时间、价格和可靠性等，服务的qos是面向服务的体系结构中不可或缺的组成要素，服务的qos保障将成为一个判定服务提供者能否成功的重要因素。由于运行环境的动态性和开放性，一些qos指标受到网络环境变化等诸多外界因素的影响，以及服务用户应用上下文环境的复杂性和服务提供者资源调度的灵活性等特点，使web服务的qos值会发生变化，使得web服务qos具有不确定性。即受到不确定因素影响，qos属性值表现出一定的波动或者不稳定的情况。因为以确定值形式表示的qos属性无法准确描述web服务受开放环境的影响程度以及准确反映服务的真实性能，不利于最优候选服务的选择，因此基于不确定qos感知的web服务选择方法的提出与实现至为重要。目前，不确定qos感知的web服务选择的方法主要有：chengwan等(<the4thieeeinternationalconferenceonservicescomputing>,2007:154-161)提出一种对不确定qos的描述方法，对于离散的不确定qos属性设立一个权重，计算得出web服务中每条记录的加权qos值之和然后进行排序，利用u检查或者峰度和偏态返回数值较小的web服务，然后进行服务选择；karimbenouare等(<the9thinternationalconferenceonservicescomputing>,2012:523-530)提出将skyline查询方法运用于不确定qos中，并提出不需要用户提供qos的权重；chonghaiwang等(<computersandmathematicswithapplications>,2011,62(7):2812-2823)提出将不确定qos属性表示为连续型，然后进行选择，以上三种方法都只考虑在不确定情况下qos属性描述方式，未考虑用户在选择服务时对qos属性的需求和选择时的风险态度。xiaodongfu等(<the27thchinesecontrolconference>,2008,271-275)提出利用区间数比较的可能度方法和逼近理想点的多属性决策方法，建立基于不确定qos信息的web服务选择模型，但是该方法将qos视为均匀分布随机变量，不能充分体现不同种类qos的随机特性。范小芹，蒋昌俊等(<软件学报>，2009,20(3):546-556)利用随机变量的数学期望和方差来度量各指标的取值，提出web服务各随机qos指标的度量方法，但是该方法是假定各qos属性具有固定的分布形式，该假定并不符合qos多样性，并且研究的算法没有考虑到用户对于qos的需求，因此获得的解决方案不一定能满足用户的需求。w.wiesemann等(<the8thieeeinternationalsymposiumonclustercomputingandthegrid>,2008:226-233)设计了一个规划模型，利用风险价值对响应时间和成本可能损失的风险进行量化，从而考虑qos随机性带来的风险问题，但是只有假定qos具有特定分布的前提下进行的风险度量才合理，但是由于qos的概率分布不一定满足均匀分布等分布形式，因此将所有qos属性都假定具有特定分布是不合理的。上述方法在一定程度上都可以实现对web服务的选择，但是局限性也显而易见。例如，基于对不确定qos属性设立权重，计算得出加权qos值之和然后进行排序得出最优服务的方法，并没有关注用户对qos属性的需求和用户选择服务时的风险态度，导致最终选择的服务不能在最大程度上满足用户需求以及使得选择的服务风险性最小。本发明将qos不确定情况下进行web服务选择所带来的风险和用户的需求相结合，提出一种基于前景理论的不确定qos感知web服务选择方法，以用户提供的属性期望作为参照点，建立各服务qos属性相对于参照点的风险收益矩阵和风险损失矩阵，根据前景理论得出综合前景值，然后依据综合前景值大小对服务进行排序，选出符合用户需求的最优服务。方法从用户角度，结合qos不确定时的qos风险，可选择到最符合用户需求且风险最小的web服务。技术实现要素：本发明提供一种基于前景理论的不确定qos感知web服务选择方法，用于解决公知方法中在qos不确定情况下未考虑用户期望需求和风险态度的问题。本发明的技术方案是：一种基于前景理论的不确定qos感知web服务选择方法，首先根据用户对服务的qos属性期望作为参照点，得到各服务的qos属性相对于参照点的收益和损失，分别建立风险收益矩阵和风险损失矩阵；其次对于各服务的每一个qos属性，考虑用户对收益和损失的风险态度以及用户对qos属性值的取值概率大小的风险态度，根据前景理论分别计算得出各qos属性的收益价值、损失价值、收益概率权重和损失概率权重，并得到每个服务的综合前景值；最后根据综合前景值的大小对服务进行排序，得到最优服务。具体步骤如下：步骤1、根据候选服务集合以及用户对服务qos属性的期望，计算风险收益矩阵和风险损失矩阵1.1记m＝{1,2,...,m}，n＝{1,2,...,n}，h＝{1,2,...,h}。设候选服务集合为s＝{s1,s2,...,si,...,sm}(i∈m)，服务的qos属性集合a＝{a1,a2,....aj,...,an}(j∈n)，a'和a”分别表示成本型属性集合和效益型属性集合，a'∈a，a”∈a，且a'∪a”＝a，用户对qos属性的期望向量r＝(r1,r2,...,rj,...rn)(j∈n)。记f＝{f1j,f2j,...,fhj}表示服务qos属性aj的取值状态集合，其中ftj表示服务qos属性aj的第t种状态，t∈h。用户对服务qos属性的期望rj的获取分为两种情况：(a)服务、qos属性数目较少时，由用户直接提供对服务qos属性期望以及取值；(b)服务、qos属性数目较多时，可用分位数(二分位数或四分位数等)得出服务qos属性期望的取值。在本发明中选用二分位数作为服务qos属性期望及取值，即在第t种状态下，取服务si的qos属性各值中的中位数作为服务qos属性期望rj。1.2由步骤1.1得出的服务qos属性期望rj作为参照点，得出各qos属性相对于参照点的收益和损失。其中rj＝(rj1,rj2,...rjt,...rjh)为用户对服务si的qos属性aj的期望，rjt表示在第t种状态下用户对服务si的qos属性aj的期望取值，j∈n，t∈h；aijt表示在第t种状态下服务si的qos属性aj的取值。(a)当aijt≥rjt时，则属性值aijt相对于参照点rjt的收益gijt的计算公式为损失lijt为(b)当aijt＜rjt时，属性值aijt相对于参照点rjt的收益gijt的计算公式为损失lijt为综上，依据公式(1)-(4)得出服务qos属性的收益、损失，可分别建立风险收益矩阵gt＝[gijt]m×n和风险损失矩阵lt＝[lijt]|m×n。步骤2、根据步骤1建立的风险收益矩阵gt和风险损失矩阵lt，考虑用户对收益和损失的不同风险态度，分别计算每个服务中各qos属性的前景值，构建前景决策矩阵并得到每个服务的综合前景值。2.1根据前景理论，计算各服务qos属性的收益和损失价值。根据公式(5)计算收益gijt的价值vij(+)t，公式(6)计算损失lijt的价值vij(-)t。vij(+)t＝(gijt)α(5)vij(-)t＝-λ(-lijt)β(6)其中，公式(5)和公式(6)中的参数α为用户的风险偏好系数，β为用户的风险厌恶系数，分别反映用户对收益和损失的不同风险态度，0＜α＜1，0＜β＜1，α和β越大，表示用户越趋向于冒险；λ表示用户的损失规避程度，λ＞1，λ越大，表示用户的损失规避程度越大。参数α、β和λ的值由前景理论的提出者kahneman和tversky提出的方法设定。2.2计算在第t种状态下，服务si的每一个qos属性值的取值概率根据经验分布函数(7)计算取值概率。其中*{aij1,aij2,...aijt}中表示(aij1,aij2,...aijt)中不大于aijt的个数。2.3计算每个服务qos属性的收益和损失概率权重。根据公式(8)计算收益gijt的概率权重πij(+)t，公式(9)计算损失lijt的概率权重πij(-)t。概率权重πijt是为赋予概率pjt一个权重。其中公式(8)和公式(9)中的γ和δ分别反映用户对待收益风险和损失风险的不同态度，0＜γ＜1，0＜δ＜1。当γ值一定时，随着δ值的减少，对损失赋予的权重会更高，表现为高估小概率事件，风险态度为风险偏好；当δ值一定时，随着γ值的减少，表现为低估中、大概率事件，风险态度为风险规避。参数γ和δ的值由前景理论提出者kahneman和tversky提出的方法设定。2.4根据步骤2.1和步骤2.3计算得出的服务qos属性价值和概率权重，计算每个服务si的属性aj的前景值vij：2.5根据步骤2.4计算得出的前景值，构建前景决策矩阵v＝[vij]m×n。步骤3、根据步骤2.4构建的前景决策矩阵v，计算规范化前景矩阵v*：其中vjmax＝max{|vij|}(12)步骤4、依据简单加权原则以及用户提供的属性权重ωj，计算每个服务的综合前景值ui，其计算公式为(a)服务、qos属性数目较少时，由用户直接提供对服务属性的权重；(b)服务、qos属性数目较多时，使用主观赋权法、客观赋权法等方法赋予服务属性的权重。根据综合前景值ui的大小对所有的服务进行排序，ui越大，服务si越好。本发明的有益效果是：1、面向不确定qos的web服务选择由于运行环境的开放性和动态性，使得web服务qos具有内在的不确定性。因为以确定值形式表示的qos不能准确地反映服务的真实性能，不利于选择出最优服务，从而使得用户在选择服务时存在需求不能满足的风险。因此，本发明所述的方法考虑qos信息的不确定性，在qos不确定情况下从众多web服务中选择出满足用户需求的最优服务。2、使用前景理论实现web服务选择本发明以前景理论为基础，实现在qos不确定情况下的web服务选择。前景理论相对于公知方法中其他方法有自身特有的优点。首先考虑用户对qos属性的需求，根据用户提供的qos属性期望作为参照点，得到各服务qos属性相对于参照点的收益和损失，然后分别建立风险收益矩阵和风险损失矩阵；考虑用户对待风险的态度，对于各服务的每一个qos属性，根据前景理论以及用户的风险态度分别计算得出各qos属性的收益和损失价值、收益和损失概率权重，并得到每个服务的综合前景值；最后选择得出最优服务。3、通过前景理论实现web服务选择有效体现用户需求、风险态度由于用户需求的复杂性，使得在qos不确定情况下的web服务选择变得困难。然而，公知方法对服务进行选择时未有效地将用户对web服务qos属性的需求、用户的风险态度这些条件因素综合考虑。因此本发明所述方法将用户需求和用户风险态度作为必要条件，从用户角度出发，选出能在最大程度上满足用户的需求的web服务。体现在：在qos不确定情况下，考虑用户对服务qos属性的需求，将用户提供的qos属性作为参照点；在qos属性的收益、损失价值计算中，以参数α和β的形式体现用户对收益、损失的风险态度；在qos属性收益、损失概率权重的计算中，以参数γ和δ的形式体现用户对qos属性值的取值概率大、小概率的风险态度。综上，本发明所述的基于前景理论的不确定qos感知web服务选择方法，为解决在qos不确定情况下的web服务选择问题提供一种新思路。方法充分考虑到用户选择web服务的期望需求以及用户的风险态度，得到的服务选择结果能在最大程度上符合用户需求并且将选择服务时的风险降到最低，因此能够辅助用户更好地进行服务选择。附图说明图1是本发明中方法流程图。具体实施方法下面结合附图和具体实施例对本发明作进一步说明。如图1所示，步骤1、根据候选服务集合以及用户对服务qos属性的期望，计算风险收益矩阵和风险损失矩阵1.1选择5个服务样本，候选服务集合为s＝{s1,s2,s3,s4,s5}，qos属性集合为a＝{a1,a2}，各服务及服务qos属性集合如表1所示。属性a1(响应时间)为成本型属性，属性a2(吞吐率)为效益型qos属性。表1服务及服务qos属性续表用户对服务qos属性的期望向量为r＝{r1,r2}，每个qos属性有5种属性取值状态。用二分位数作为服务qos属性期望的取值。用户对每个qos属性的期望为r1＝(r11,r12,r13,r14,r15)和r2＝(r21,r22,r23,r24,r25)。服务qos属性期望及取值如表2所示。表2服务qos属性期望及取值1.2由步骤1.1得出的服务qos属性期望rj作为参照点，得出各qos属性相对于参照点的收益和损失。根据公式(1)-(4)，依据表1中的服务qos属性和表2中服务qos属性的参照点，得到服务qos属性的收益和损失并建立风险收益矩阵gt和风险损失矩阵lt，分别如表3和表4所示。表3风险收益矩阵gt000.0160.0610.0660.7041.1491.8451.24830.715200.0010001.7831.33701.1961.37060.0900.02600000000.0820.02400.03990.064000.3849000000000000表4风险损失矩阵lt-0.012-0.0450000000000-0.025-2.1000-0.667000000-0.003-0.397-0.1010-0.469-0.3390000000000-0.039-0.117-0.109-0.064-0.044-0.8064-0.46-0.193-0.5868-0.556步骤2、根据步骤1建立的风险收益矩阵gt和风险损失矩阵lt，考虑用户对收益和损失的不同风险态度，分别计算每个服务中各qos属性的前景值，构建前景决策矩阵关于以下公式中的参数，需要说明的是，前景理论提出者tversky等通过对大量决策个体进行实验测试，并对得到的数据进行回归分析，得出与实验结果最一致的参数取值α＝β＝0.88,λ＝2.25，γ＝0.61，δ＝0.69，这些取值被认为是能够表示任意决策者大致行为偏好的参数值。abdellaoui和xu等也通过实验对参数取值问题进行了研究，得出了与上述取值相近的参数值。2.1依据前景理论，计算各服务qos属性的收益和损失价值。根据公式(5)计算收益gijt的价值vij(+)t，公式(6)计算损失lijt的价值vij(-)t，分别如表5和表6所示。表5收益gijt的价值vij(+)t000.026280.08530.09150.73471.13041.71391.21550.744600.00230001.66331.291401.17061.31970.120200.0402900000000.11070.037500.05870.089000.4316000000000000表6损失lijt的价值vij(-)t-0.046-0.1470000000000-0.0876-4.323000-1.575000000-0.014-0.998-0.2980-1.156-0.8690000000000-0.13-0.341-0.32-0.2-0.144-1.861-1.135-0.529-1.408-1.3442.2计算在5种状态下，服务s1-s5的每个qos属性值的取值概率。依据经验分布函数公式(7)计算在5种状态下,每个服务qos属性的取值概率pjt，如表7所示。表7服务属性取值概率pjt0.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.22.3计算每个服务qos属性的收益和损失概率权重。根据公式(8)计算收益gijt的概率权重πij(+)t，公式(9)计算损失lijt的概率权重πij(-)t，分别如表8和表9所示。表8收益gijt的概率权重πij(+)t0.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.56920.56920.35070.35070.56920.56920.35070.35070.35070.35070.35070.35070.35070.35070.35070.35070.3507表9损失lijt的概率权重πij(-)t0.29970.29970.299670.29970.29970.29970.29970.29970.29970.29970.29970.29970.299670.29970.29970.29970.29970.29970.29970.29970.29970.29970.299670.51240.51240.29970.29970.51240.51240.29970.29970.29970.299670.29970.29970.29970.29970.29970.29970.29970.29970.29970.299670.29970.29970.29970.29970.29970.29970.29972.4根据步骤2.1和步骤2.3计算得出的服务qos属性价值和概率权重，根据公式(10)计算每个服务si的属性aj的前景值vij。2.5根据步骤2.4计算得出的前景值，构建前景决策矩阵v＝[vij]m×n，如表10所示。表10前景决策矩阵va1a2s10.01341.9426s2-1.32081.4375s30.0522-0.9951s40.10380.1514s5-0.3399-1.881步骤3、根据步骤2.5构建的前景决策矩阵v，规范化后建立规范化前景矩阵v*根据公式(11)-(12)，根据前景决策矩阵，规范化后建立规范化前景矩阵，如表11所示。表11规范化前景矩阵v*步骤4、依据简单加权原则以及用户提供的属性权重向量ωj，根据公式(13)，计算每个服务的综合前景值计算得到每个服务的综合前景值为：u1＝0.5051，u2＝-0.13，u3＝-0.2364，u4＝0.0783，u5＝-0.6128。根据每个服务的综合前景值的大小进行排序结果为：u1＞u4＞u2＞u3＞u5，最后得到每个服务的排序结果为s1fs4fs2fs3fs5。根据排序结果，选择服务s1为最优服务。用期望效用理论、均值-方差模型对上述样本计算得出的最优服务为s4、s3。利用最大期望效用值决策准则(emv)、最小机会损失决策准则(eol)和最大效用值决策准则(euv)对服务s4、s3进行有效性评估，得出s1fs4fs3。因此前景理论得出的最优服务优于其余两种方法选择的最优服务。emv和eol是通过分析可能出现的概率及益损值(或机会损失值)来计算期望收益值(或期望损失值)从而进行服务比较与选择；euv侧重于服务的隐含价值或偏好，并通过效用指标给予量化后进行选择。现选择339个服务作为测试样本，设候选服务集合s＝{s1,s2,...,s339}为测试集合，通过上述的方法对测试集合s中的每个服务si计算得出相应的综合前景值，然后根据综合前景值的大小进行排序，得出最优服务。将测试集合s＝{s1,s2,...,s339}分为30组t1,t2,...,t30，用前景理论、期望效用理论、均值-方差模型三种方法得到30组最优服务：t1:s10、s1、s5；t2:s14、s2、s19；...；t30:s25、s11、s28。利用emv、eol和euv准则，将由前景理论得出的最优服务分别与由期望效用理论、均值-方差模型得出的最优服务两两比较，统计由前景理论得出的最优服务满足上述三个准则的次数，进行有效性评估，得出有效率即在测试过程中由前景理论得出的最优服务优于其余两种方法选择的最优服务的比例分别为80％、93.3％。基于以上的实施步骤得到前景理论与期望效用理论、均值-方差模型在测试集合s上的对比，通过比较可以得知前景理论比期望效用理论、均值-方差模型更适用于不确定条件下的web服务选择；通过实施例中三个准则指标的对比充分地说明了本发明所提出方法的有效性。以上所述仅是本发明的实施方法，但是本发明并不限于以上所述的实施方法，在本领域具有相关技术的人员，均可以基于本发明且不脱离宗旨的前提下做出各种变化，这种变化也应视为本发明的保护范围。当前第1页12