一种考虑节点自私性的去中心化服务组合方法

本发明适用于服务计算，特别是涉及一种考虑节点自私性的去中心化服务组合方法。

背景技术：

1、随着大数据、云计算等理论和技术的快速发展，互联网上出现了大量的软件服务。各种物理资源和人工服务也通过虚拟化和物联网技术在互联网上接入，并与软件服务建立协同和整合。随之而来的是越来越复杂的用户需求，单一的服务或预设的服务方案难以满足。因此，有必要通过动态聚合各种服务，为用户提供复合服务解决方案，不仅满足他们的功能需求，而且优化他们对质量、价值等非功能的需求。

2、作为一种对策，研究人员提出了服务组合，并设计了一系列方法。这些方法面向集中的服务库进行优化，可以将多个服务聚合成一个服务解决方案。然而，这些方法在应用时常常有些力不从心，主要是因为现实中服务的分布不同，表现为以下特点：(1)服务通常分布在不同的第三方服务平台或供应商(节点)上。这些平台分布在去中心化的服务网络中，没有集中的服务资源库供服务组合；(2)在去中心化的服务网络中，单一平台往往没有能力单独提供服务解决方案，需要平台之间的协作；(3)完整的数据，如用户需求、完整的服务库等，由于商业机密或竞争的原因，平台之间不共享。同时，平台是自私的，如因资源不足而不向其他平台提供服务等。本发明把这种在去中心化环境中平台之间既协作又竞争的服务组合称为去中心化服务组合。

3、目前，一些研究者试图从不同的角度来解决去中心化服务组合问题，如将传统的服务组合方法扩展到去中心化环境，设计中间件来保证交互过程中的数据安全或是设计去中心化算法来直接解决这个问题。然而，这些方法普遍存在着以下问题：(1)它们在执行效率和解决方案质量方面表现一般，难以达到与传统方法相当的性能；(2)它们很少考虑服务提供商之间不完全的数据共享，大多数研究都集中在用户和服务提供商之间的隐私；(3)它们没有考虑到服务提供商的自私性，但在现实中，服务提供商不可能完全无私。因此，现有方法难以支持在去中心化环境中快速精准构建服务方案。

技术实现思路

1、本发明目的是为了克服当前去中心化服务组合技术效率较低、构建方案质量不足、较少考虑服务提供商间数据隐私和自私性等问题，提出了一种考虑节点自私性的去中心化服务组合方法。

2、本发明是通过以下技术方案实现的，本发明提出一种考虑节点自私性的去中心化服务组合方法，所述方法具体为：

3、步骤s1、对服务提供商的自私性进行建模；在去中心化的服务网络中，当其他服务提供商即服务节点向某个节点提出使用某项服务的请求时，这个节点由于某种原因不愿意提供该服务，称之为节点对该服务是自私的；节点对每个服务的自私性是不同的，通过自私度来评估；利用自私度定义公式，服务提供商计算每个服务的自私度，并在运行时进行及时更新；

4、步骤s2、选择合适的候选服务模式；利用需求模式、服务模式和关联矩阵来提取历史组合中的共性；节点首先使用需求模式来匹配需求，称为需求匹配，需求匹配将需求分解为一组匹配的需求模式和一组未匹配的子需求；然后，基于当前的环境，这些需求模式通过关联矩阵被映射到服务模式上，这就给出了每个服务模式的关联概率，使用这些具有高关联概率的服务模式进行后续组合；

5、步骤s3、缩减候选服务的搜索空间；在联邦学习框架下训练一个多标签分类模型，从步骤s2中为未匹配的子需求找到合适的服务；

6、步骤s4、协调所有节点构建服务方案；利用集中式的服务组合方法，以优化步骤s2和步骤s3中的候选服务模式和服务，构建初始服务解决方案，并向其他节点提出服务使用请求，其他节点根据其自私性选择性地提供服务，其他节点的响应被分为三种类型：同意提供、不同意但提供其他服务和不同意提供；接收需求的节点根据响应重构初始服务解决方案，当初始服务解决方案中的所有服务都可用时，就会得到最终的服务解决方案。

7、进一步地，所述自私度包括客观和主观自私度，其中客观自私度受节点客观条件的影响，主观自私度跟随节点的主观意愿；对自私度s的定义如下：

8、s＝f(sr，sp，ω)

9、其中，sr∈(0，1)是可用的服务资源因素，sp∈[0，1]是服务执行利益因素，ω是节点主观意愿因素，f是一个线性函数；对前两个因素定义如下：

10、

11、其中，r是可用的服务资源数量，ωr和κ是衡量r对自私度影响的参数，p是服务执行收益，ωp和p0是衡量p对自私度影响的参数。

12、进一步地，每个节点都设置了一个自私度的阈值，当一项服务的自私度小于这个阈值时，该节点愿意提供该服务。

13、进一步地，当服务网络中的服务相互协作以满足需求时，往往有固定的搭配，称为服务模式，服务模式有两种类型，一种是由领域专家设计的，另一种是潜在的服务模式，需要通过历史组合或服务知识图谱来挖掘。

14、进一步地，定义偶对来表示需求模式和服务模式的关联关系，将所有偶对汇聚在一起，就得到一个包含需求模式、服务模式和情境的三维矩阵，称为关联矩阵。

15、进一步地，所述多标签分类模型分为三个部分：

16、需求部分：首先，提取用户需求中的功能和非功能需求，并将其建模为一个约束图，然后，使用图卷积网络来学习需求表示；

17、服务部分：首先，提取服务特征并将服务建模为服务向量，然后，使用多层感知器进行服务表示，并使用transformer编码器来发现服务之间的依赖关系，获得服务嵌入；

18、transformer部分：使用transformer解码器中的交叉注意模块，将服务嵌入作为查询，从需求表示中检测与服务相关的特征，并预测每个服务被用来满足需求的概率。

19、进一步地，需求匹配的结果由两部分组成：匹配的需求模式集和未匹配的子需求集；对于每个需求模式，基于当前用户情境从关联矩阵中找到具有高关联概率的服务模式；对于子需求集，将通过步骤s3来进一步减少搜索空间。

20、进一步地，所述集中式的服务组合方法为基于遗传算法的集中式服务组合方法。

21、本发明提出一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述一种考虑节点自私性的去中心化服务组合方法的步骤。

22、本发明提出一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现所述一种考虑节点自私性的去中心化服务组合方法的步骤。

23、本发明的有益效果：

24、为了克服当前去中心化服务组合技术效率较低、构建方案质量不足、较少考虑服务提供商间数据隐私和自私性等问题，本发明提供了一种考虑节点自私性的去中心化服务组合方法。方法首先对服务提供商的自私性进行建模。然后，为了提高组合效率和解决方案的质量，在历史组合中利用了经验规则，提出了需求模式、服务模式和关联矩阵来挖掘历史组合中的共性，并设计了一个多标签分类模型提取特性，缩小了候选服务的规模。基于这些服务，设计了一个服务组合算法和服务协调协议来协调各服务提供商并构建服务解决方案。为了保护服务提供商之间的隐私，基于一个成熟的联邦学习框架来训练模型，并在算法和协议设计中避免隐私泄露。