賴永浜

同濟大學電子與信息工程學院，上海 201804

1 背景

隨著Web服務的發(fā)展，Web服務技術已從最初的理論實驗階段逐步走向了大規(guī)模的商業(yè)應用階段（如亞馬遜，微軟等公司），這樣的結果就是網絡上出現了大量功能相同或相似的Web服務。而這些類似的Web服務，往往具有不同的諸如穩(wěn)定性、響應時間、可靠性等非功能性屬性。這也使得我們在選擇這些Web服務時，就必須考慮他們的非功能性屬性，即服務質量（QoS，Quality of Service）。用戶在面對網絡上海量的Web服務，特別是面對這些功能上相同或相似的候選服務時，如何動態(tài)地選擇出最能滿足用戶需求的服務已經成為Web服務發(fā)現與選擇以及組合領域中的一個核心問題。面對動態(tài)最優(yōu)服務選擇問題，在功能匹配前提上，考慮Web服務的服務質量是一個行之有效的解決途徑。

我們根據Web服務質量來動態(tài)選擇服務時，就必須對Web服務的服務質量進行準確的評估預測。我們知道，互聯網具有不穩(wěn)定性、網絡延時，抖動等特性，因而Web服務的服務質量是動態(tài)變化的?，F提出的一些Web服務質量評估方法在服務質量評估過程中沒有充分考慮服務質量的動態(tài)變化，沒有建立一個比較合適合對服務質量進行動態(tài)評估的評估機制，不能達到對服務的表現進行準確預測的效果。為了克服這一局限性，本文提出了一種利用遺傳算法優(yōu)化的BP神經網絡對服務質量進行動態(tài)預測的評估方法。在此強調一下，本文中提出的預測評估是對服務質量中反映服務表現的動態(tài)客觀屬性（如響應時間，可靠性，可用性等）進行預測。

2 Web Service 服務質量預測模型

2.1 服務質量預測模型介紹

BP（Back Propagation）網絡是由Rumelhart和McCelland為首的科學家小組于1986年提出的一種神經網絡算法，具有信號向前傳遞，誤差反向傳播的特性。利用該特性結合使用大量的訓練數據訓練網絡，即得到一個具有最優(yōu)權值和閾值的神經網絡。遺傳算法是由J.Holland教授于1975年首先提出來的一種神經網絡算法。它的最大特征就是模擬達爾文進化論的自然選擇和遺傳學機理，實現“優(yōu)勝劣汰，適者生存”，從而得到優(yōu)解。遺傳算法的核心就是把“優(yōu)勝劣汰，適者生存”的進化論理論應用到算法里面的具體參數當中。它將初始的群體進行編碼，個體之間進行交叉和變異操作，然后按照適應度函數對群體中的個體進行篩選，實現優(yōu)勝劣汰。

本文提出的預測模型就是遺傳算法優(yōu)化BP神經網絡的預測模型。遺傳算法優(yōu)化的BP神經網絡總體可以分為三步∶第一步，利用BP神經網絡來確定網絡結構,確切來說是根據擬合函數的輸入輸出參數個數來確定BP神經網絡結構，從而確定遺傳算法中個體的編碼長度;第二步，利用遺傳算法來優(yōu)化神經網絡,即使用遺傳算法來不斷優(yōu)化BP神經網絡的權值和閾值，我們在編碼時設置種群中的每個個體都包含了一個網絡中所有的權值和閾值，個體通過適應度函數計算個體適應度值，遺傳算法通過選擇，交叉和編譯操作找到最優(yōu)適應度值的個體;最后是用前面得到的最優(yōu)BP神經網絡來做Web服務服務質量預測，以Web服務的歷史QoS數據作為神經網絡的輸入，經過網絡的計算得到我們所需的QoS預測值，為Web服務的選擇提供依據。遺傳算法優(yōu)化BP神經網絡算法流程如圖1所示。

圖1 算法流程示意圖

2.2 仿真實驗

為了驗證本文提出的Web Service服務質量預測算法，我們將采用由Zibin Zheng 和Michael R.Lyu提供的WS-DREAM dataset，這些數據是由他們以調研大量現實Web Service為基礎采集而得，在Web服務QoS領域具有很大的說服力與權威性。我們將采用數據集中的響應時間（response time）來做本次仿真實驗。在實驗中，我們取dataset中id為1992的Web Service的響應時間實驗數據，BP神經網絡結構為：輸入層2個節(jié)點，隱含層5個節(jié)點，輸出層1個節(jié)點，共有2×5+5×1=15個權值，5+1=6個閾值，因此我們可以確定遺傳算法中個體的編碼長度為15+6=21.取id為1992的Web Service響應時間的前200個數據為訓練數據，剩余作為測試數據。我們把訓練數據預測誤差絕對值和作為個體適應度值，個體適應度值越小，該個體越優(yōu)。截取實驗測試結果示圖如圖2。

圖2 試驗結果示圖

3 結論

互聯網具有不穩(wěn)定性、網絡延時，抖動等特性，因而Web服務的服務質量是動態(tài)變化的。這在一定程度上影響了我們基于服務質量來發(fā)現服務，選擇服務和組合服務。本文正是在這種背景下，結合BP神經網絡與遺傳算法提出了一種基于服務質量預測的Web服務動態(tài)選擇方法，并詳細介紹了基于QoS預測服務質量預測模型，最后利用鄭子彬提供的真實Web服務QoS數據做實驗驗證前面提出的算法。下一步工作將繼續(xù)完善服務質量預測模型，并將該預測模型應用于我們973項目組自己開發(fā)一個Web服務平臺之中。

[1]Zibin Zheng, Hao Ma, Michael R.Lyu, Irwin King,"WSRec: A Collaborative Filtering based Web Service Recommender System", in Proceedings of the 7th IEEE International Conference on Web Services (ICWS2009),Los Angeles, CA, USA, July 6-10, 2009.

[2]袁曾任.人工神經元網絡及其應用[M].北京：清華大學出版社，1999：66-68.

[3]楊勝文，史美林.一種支持QoS約束的Web服務發(fā)現模型[J].計算機學報，2005，28(4)：589-594.