导读:本文包含了自适应服务论文开题报告文献综述及选题提纲参考文献，主要关键词:服务组合,QoS预测,强化学习
自适应服务论文文献综述
李佳杰[1]（2018）在《结合QoS预测与多agent强化学习的自适应服务组合》一文中研究指出面向服务的体系架构(Service oriented architecture,SOA)是一种软件设计模式。在这种架构下,各个独立的软件或系统按照协议抽象为web服务,其他系统可以通过网络调用这些web服务从而使用它们的功能。服务组合即是通过将现有的web服务组合起来,满足复杂用户需求的一种技术。随着SOA架构的日益流行以及web服务相关技术的发展,对于某个特定需求,一般存在多个功能相似的候选服务。这些服务由不同的公司或组织维护,并且有着不同的服务质量(Quality of Service,QoS)。因此在服务组合的过程中,面对数量众多的候选服务,如何选择合适的服务以使得整个组合系统有着最好的服务质量便成为了服务组合中的一个关键问题。另一方面,由于网络环境的复杂性和动态性,服务质量往往是随着时间而动态变化的。因此组合系统如何动态的进行调整,以适应不断变化的环境,保证组合服务的质量,也是一项亟待解决的挑战。基于以上挑战,本文围绕动态环境下的自适应性服务组合问题展开研究,主要完成了以下工作:(1)将传统的时间序列预测方法应用于服务计算领域,实现了基于LSTM(Long Short-Term Memory)神经网络的QoS时间序列预测方法。(2)将强化学习与QoS预测相结合,并应用于服务组合之中,实现自适应服务组合方法,提升服务组合的质量。(3)使用多agent技术在多个用户之间共享QoS时间序列,从而加快各自的学习速度,改善服务组合质量。(4)通过一系列的实验对本文提出的方法进行验证,证明了该方法在动态服务组合场景下的有效性。(本文来源于《东南大学》期刊2018-06-19）
顾明珠[2]（2017）在《基于深度强化学习的大规模自适应服务组合问题研究》一文中研究指出在面向服务的系统架构中,将已有的简单服务组合起来构建满足用户复杂需求的增值服务,即服务组合已成为一项极具实际价值的研究热点。随着Web服务技术的快速发展,大量功能属性相同而非功能属性(QoS)各异的Web服务大量涌现,服务筛选及组合优化成为服务组合问题面临的挑战。一方面如何在保证服务组合业务流基本功能的基础上,在大规模的服务场景下为每个任务选择合适的服务以达到最优的组合结果(QoS最大化);另一方面,基于网络的Web服务具有内在的动态变化性,组合的环境也是复杂不稳定的,组合系统需要保证其自适应性,面对外部环境的变化和服务自身的演化作出及时的反应和调整。针对以上挑战,Web服务组合系统需要在大规模动态性服务组合场景下仍保持准确性和高效性是目前亟待解决的问题。本文主要围绕基于大规模、自适应性服务组合展开研究,主要完成了以下工作:(1)根据服务组合流程的复杂性和候选服务的多样性所造成的服务组合规模庞大的问题,提出了一种基于深度强化学习的自适应性服务组合方法。该方法利用深度学习循环神经网络优化强化学习算法,预测目标函数、增强其表达和泛化的能力,有效的解决了传统强化学习在面对大规模或连续状态空间问题上的缺陷,在大规模动态性服务组合场景下具有极高的应用价值。(2)本文采用启发式的行为选择策略,将状态集分为隐藏状态和完全可见状态。有效的模拟隐藏状态空间下的策略空间和完全可见状态下的评估函数,采用针对性的行为选择策略,进一步的提高组合结果的准确性和效率。(3)本文通过一系列的实验验证了本文提出方法的有效性、可扩展性、自适应性和显着性,进一步的证明了该方法在大规模动态服务组合场景下的优势,相较于传统强化学习解决服务组合问题在组合结果和效率上都有了明显的优化。(本文来源于《东南大学》期刊2017-06-05）
罗利民[3]（2016）在《基于代理机制的自适应服务组合演化》一文中研究指出在很多大型系统的,面临的一个关键就是异常的发生。在任何数据中心,异常都在不断的发生,或由磁盘故障、内存、网络连接,或软件错误引起的。较小的异常连锁反应可能造成大规模的异常。而异常的不可预测性使他们变得具有挑战而且难以应付。预测异常更好的选择是创建一个可以自主适应异常的系统。本文为自适应系统的服务组合探讨了一个分散的自适应方法。本文的做法是基于代理协调机制,而这适合于大规模的协调系统。我们通过详细的实验的复合服务评估这种方法。实验的结果表明,当面临大规模的异常时,它可以创建服务组合以应对这种异常。(本文来源于《电脑知识与技术》期刊2016年05期）
李可风,陈鑫,程晓[4]（2015）在《基于多Agent的数字图书馆自适应服务系统架构研究》一文中研究指出随着数字图书馆的建设从以资源和用户为中心向以服务为中心转变,自适应服务作为个性化服务的重要组成部分已经成为图书馆领域的研究热点。文章针对数字图书馆系统架构在自适应能力、兼容性、可扩展性、灵活性等方面存在的问题,利用Agent技术对传统的基于SOA的数字图书馆系统架构进行了改进,在ESB(企业服务总线)中加入了具有监听功能的Agent模块,提出了一种基于多Agent的数字图书馆自适应服务系统架构,该架构有助于加强资源、用户、系统目标和服务的融合,从而提升数字图书馆的竞争力。(本文来源于《图书馆学研究》期刊2015年23期）
胥芳,杨永科,谭大鹏,艾青林,胡克用[5]（2015）在《基于设备网络服务框架的微网监控构架与自适应服务方法》一文中研究指出针对传统的基于客户机/服务器(C/S)模式的微网监控系统缺乏对动态网络的适应性支持和Multi-Agent安全性不足的问题,提出了基于新一代网络中间件——设备网络服务框架(DPWS)的微网分布式监控架构和自适应服务方法。根据微网的特点和要求建立了微网系统的网络监控模型。利用DPWS的"即插即用"机制解决了设备入网的自动识别、自动入网问题,通过服务调用和事件订阅服务实现了对目标数据和状态的实时观测,运用HTTPS方法确保了数据传输的安全性和完整性。软件开发与仿真证明该系统具有良好的动态性和自适应能力,能够实现对微网监控设备的智能化管理。(本文来源于《电力系统自动化》期刊2015年19期）
陈鑫[6]（2015）在《基于多Agent强化学习的自适应服务组合研究》一文中研究指出在服务计算领域,随着运行环境的变化和服务自身的演化,Web服务组合时刻面临着动态复杂环境所带来的性能挑战。因此,Web服务组合技术必须具有自适应性,要能够对外部环境的变动和服务自身的演化作出及时的反应和调整,从而维持自身的性能表现。除此以外,服务组合技术还应兼顾到大规模服务场景下的效率要求,确保其具有较高的实用价值。本文提出了一个基于多Agent强化学习的、面向动态复杂场景的自适应服务组合模型。该模型在强化学习技术的基础上,融入了多Agent系统机制和博弈论领域里的虚拟行动过程。该模型利用强化学习技术实现动态场景下服务组合的自适应性,利用多Agent机制提升自身的计算效率,利用博弈论里的虚拟行动过程实现多Agent间的协同工作。同时,在该模型的基础上,本文分别提出了基于离策略强化学习和在策略强化学习的自适应服务组合算法,并从理论上证明了它们的收敛性。最后,本文通过一系列仿真实验验证了算法的有效性、可扩展性和自适应性。(本文来源于《东南大学》期刊2015-06-07）
孙杰[7]（2015）在《一种QoS驱动的自适应服务组合模型研究与实现》一文中研究指出面向服务架构的服务组合系统是以分布在网络上的服务组件为功能模块建立的一种分布式计算的特定应用,它的主要目的就是将网络上异构的Web服务按照业务处理流程进行组合来构建满足用户复杂功能需求的网络应用系统。由于网络环境,用户需求以及服务组件本身是动态变化的,因此如何根据需求和环境的变化实时地、动态地生成服务组合的网络应用,以避免因静态的组合应用结构不具有自适应能力,而造成应用的中断、交付时间的严重推迟或者其他严重的质量问题,这是目前服务组合研究领域中存在的一个极具挑战性的问题。针对这一问题,有不少学者进行了相关课题的研究、论证和分析,分别提出了局部最优和全局最优的自适应服务组合策略。但是本文采用了将局部最优策略与全局最优策略相结合的解决方案。该解决方案能够使系统自适应环境的变化,动态地绑定和执行的服务组合序列可以最接近用户所请求的服务等级协议,使客户从定制的服务组合中达到所期望获得的满意度。本文首先根据QoS驱动的自适应服务组合模型需求分析,给出了QoS驱动的自适应服务组合模型框架,包括模型的体系结构和各功能模块。其次,设计了QoS驱动的自适应服务组合机制,包括SLA模型以及服务组合的QoS模型,用服务组合QoS属性值和SLA服务等级协议属性值来求解目标函数,以获得最接近用户需求的服务组合序列。同时给出了运行时自适应服务组合的执行流程和自适应算法。为验证服务组合编排流程的正确性,对服务组合系统进行建模,使用Tableau算法检验服务组合系统是否满足系统流程CTL约束。设计实现了支持QoS驱动的高考择校自适应服务组合应用原型GKASCS,对原型系统的执行引擎、优化引擎和监控器等与自适应机制相关的模块进行了详细描述,通过试验,GKASCS原型系统能够自适应环境变化,与不具有自适应功能的服务组合系统相比,较大程度上保证服务组合应用的一致性和可靠性。最后,对本文所做的工作进行了总结,针对其中存在的问题和不足,对后续的工作进行了展望。(本文来源于《青岛大学》期刊2015-06-05）
王泊学[8]（2015）在《基于上下文感知的自适应服务组合系统的设计与实现》一文中研究指出服务的执行环境复杂多变,各种上下文问题都可能出现,进而影响到服务的正常执行。为了使服务执行过程不受到上下文异常的影响,基于上下文感知的服务开发成为了一大研究热点。服务提供者开发具有上下文感知能力的服务,这些服务可以根据具体的运行环境来动态地调整自己的行为。但是该方法加大了服务提供者的负担,他们在开发过程中需要考虑不同的上下文环境。为了能够提供具有上下文感知能力的服务,同时使服务提供者免于复杂的上下文处理工作,本课题以上下文感知为主要关注点,设计并实现了一个基于上下文感知的自适应服务组合系统,将原本由服务提供者处理的上下文环境转移到服务组合系统中。该系统向服务提供者提供服务注册接口,方便他们将自己的普通服务注册进系统中供服务请求者调用;系统接受服务请求者的服务请求,根据分层任务网络规划算法进行服务组合,向服务请求者提供具有上下文感知能力的组合服务;系统可以适应不断变化的执行上下文,根据上下文事件和用户制定的自适应策略进行自适应调整。为了实现上述研究目标,本文的研究工作主要包括以下几个方面的内容:1.深入研究服务本体描述语言,分析了基于工作流和基于智能规划的服务组合方法的优势和劣势,并详细介绍了分层任务网络规划引擎;分析了现有上下文感知和自适应方向的研究现状,包括上下文的定义、分类、建模以及感知框架的设计。2.为了在服务执行过程中提供自适应机制,本文制定了一套自适应策略语言,方便用户制定个性化自适应策略,系统在服务执行过程中根据用户制定的自适应策略进行自适应调整。3.为了应对复杂多变的上下文环境,本文首先给出了上下文的定义以及分类标准,并通过扩展模型使服务支持上下文描述信息,然后提出了一个自适应上下文感知模型该模型可以监控服务执行过程中上下文的变化,并根据上下文事件以及用户制定的自适应策略进行相应的调整。4.在上述研究基础上,本文设计并实现了一个基于上下文感知的自适应服务组合系统,并给出了该系统的详细设计和实现细节,最后通过案例验证了系统的功能。(本文来源于《上海交通大学》期刊2015-01-14）
Alireza,PARVIZI-MOSAED,Shahrouz,MOAVEN,Jafar,HABIBI,Ghazaleh,BEIGI,Mahdieh,NASER-SHARIAT[9]（2015）在《基于扩展型服务导向建模与应用(SOMA)的一种自适应服务导向方法（英文）》一文中研究指出提出一种使用MAPE-K标准模型维护软件架构质量的自适应过程(SAP)。由于其显式地定义了输入与输出,该过程可插入多种软件开发进程和服务导向方法。为此,所述自适应过程在一种双层结构中与服务导向建模和应用(SOMA)方法相融合,构建出一种新方法:自适应服务导向架构方法(SASOAM)。通过不同架构策略组合,SASOAM提供了一种半自动自知方法。此外,通过使用架构和适配模式,提升了服务导向建模和应用的维护活动,达到控制软件架构质量的效果。基于层次分析法(AHP)的评估展示了服务导向建模和应用维护性的改善。案例研究显示了自适应服务导向架构方法的可行性与实用性。(本文来源于《Journal of Zhejiang University-Science C(Computers & Electronics)》期刊2015年01期）
唐畏[10]（2014）在《CloudRec：基于自适应服务质量管理的移动云服务推荐系统》一文中研究指出随着移动互联网的飞速发展以及云计算技术越来越成熟,移动云计算的使用场景也越来越广泛。移动云服务为越来越多的人所知,越来越多的人在生活和工作中使用移动云服务。但是在全球的移动云服务市场上,存在着太多具有相似甚至相同功能的移动云服务,这给希望能够找到最适合他们的服务的用户,带来了选择上的困难。由于移动云服务不同于普通云服务,移动云服务的使用场景是经常发生变化,除了使用时间上的变化,还有地理位移上的变化。而使用场景的变化会影响很多决定移动云服务服务质量的因素。从而导致不同使用场景下,不同的移动云服务的服务质量差距很大。对于用户来说,用户希望能够选择最适合他们当前所在使用场景的移动云服务,希望移动云服务能够根据用户使用场景的变化动态的自我调节,以满足他们对于移动云服务服务质量的要求。本论文介绍了基于自适应质量管理机制的移动云服务推荐系统CloudRec的设计和实现。在分析了国内外学者对于移动云服务选择的研究现状以后,我们提出设计一种推荐系统来解决移动云服务选择的问题,并且将它命名为"CloudRec"。CloudRec的最佳移动云服务的推荐建议主要依据移动云服务服务质量的高低。CloudRec能够对移动云服务服务状况进行监控,收集移动云服务服务状态信息,根据用户的使用场景对移动云服务服务质量进行评估,动态的为用户推荐最合适的移动云服务。在用户使用移动云服务的过程中,CloudRec还会对云服务进行实时监控,通过自适应质量管理机制,动态的调整移动云服务的服务模式,以确保移动云服务服务质量能够满足用户的需求。我们在安卓平台上开发了CloudRec的原型系统,并且针对移动搜索云服务,做了服务推荐和服务质量监控的测试。原型系统的测试表明了CloudRec移动云服务服务质量评估的准确性和移动云服务服务质量控制的有效性。随后的用户调查也显示CloudRec是一款受用户欢迎的移动云服务推荐软件。(本文来源于《西安电子科技大学》期刊2014-11-01）
自适应服务论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在面向服务的系统架构中,将已有的简单服务组合起来构建满足用户复杂需求的增值服务,即服务组合已成为一项极具实际价值的研究热点。随着Web服务技术的快速发展,大量功能属性相同而非功能属性(QoS)各异的Web服务大量涌现,服务筛选及组合优化成为服务组合问题面临的挑战。一方面如何在保证服务组合业务流基本功能的基础上,在大规模的服务场景下为每个任务选择合适的服务以达到最优的组合结果(QoS最大化);另一方面,基于网络的Web服务具有内在的动态变化性,组合的环境也是复杂不稳定的,组合系统需要保证其自适应性,面对外部环境的变化和服务自身的演化作出及时的反应和调整。针对以上挑战,Web服务组合系统需要在大规模动态性服务组合场景下仍保持准确性和高效性是目前亟待解决的问题。本文主要围绕基于大规模、自适应性服务组合展开研究,主要完成了以下工作:(1)根据服务组合流程的复杂性和候选服务的多样性所造成的服务组合规模庞大的问题,提出了一种基于深度强化学习的自适应性服务组合方法。该方法利用深度学习循环神经网络优化强化学习算法,预测目标函数、增强其表达和泛化的能力,有效的解决了传统强化学习在面对大规模或连续状态空间问题上的缺陷,在大规模动态性服务组合场景下具有极高的应用价值。(2)本文采用启发式的行为选择策略,将状态集分为隐藏状态和完全可见状态。有效的模拟隐藏状态空间下的策略空间和完全可见状态下的评估函数,采用针对性的行为选择策略,进一步的提高组合结果的准确性和效率。(3)本文通过一系列的实验验证了本文提出方法的有效性、可扩展性、自适应性和显着性,进一步的证明了该方法在大规模动态服务组合场景下的优势,相较于传统强化学习解决服务组合问题在组合结果和效率上都有了明显的优化。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
自适应服务论文参考文献
[1].李佳杰.结合QoS预测与多agent强化学习的自适应服务组合[D].东南大学.2018
[2].顾明珠.基于深度强化学习的大规模自适应服务组合问题研究[D].东南大学.2017
[3].罗利民.基于代理机制的自适应服务组合演化[J].电脑知识与技术.2016
[4].李可风,陈鑫,程晓.基于多Agent的数字图书馆自适应服务系统架构研究[J].图书馆学研究.2015
[5].胥芳,杨永科,谭大鹏,艾青林,胡克用.基于设备网络服务框架的微网监控构架与自适应服务方法[J].电力系统自动化.2015
[6].陈鑫.基于多Agent强化学习的自适应服务组合研究[D].东南大学.2015
[7].孙杰.一种QoS驱动的自适应服务组合模型研究与实现[D].青岛大学.2015
[8].王泊学.基于上下文感知的自适应服务组合系统的设计与实现[D].上海交通大学.2015
[9].Alireza,PARVIZI-MOSAED,Shahrouz,MOAVEN,Jafar,HABIBI,Ghazaleh,BEIGI,Mahdieh,NASER-SHARIAT.基于扩展型服务导向建模与应用(SOMA)的一种自适应服务导向方法（英文）[J].JournalofZhejiangUniversity-ScienceC(Computers&Electronics).2015
[10].唐畏.CloudRec：基于自适应服务质量管理的移动云服务推荐系统[D].西安电子科技大学.2014