导读:本文包含了服务的动态组合论文开题报告文献综述及选题提纲参考文献，主要关键词:智慧制造,动态联盟,服务组合,全生命周期
服务的动态组合论文文献综述
任磊,任明仑[1]（2019）在《面向动态联盟的制造服务组合全生命周期模型》一文中研究指出基于多智能制造单元联合的动态服务联盟是智慧制造云平台实现资源优化配置和网络化协同集成的基本组织形式,也是企业构建复杂制造业务流程、满足消费者个性化需求的主要服务模式。在对智慧制造系统架构分析的基础上,提出业务过程导向的网络化动态联盟模型,并分析不同联盟结构类型;为构建高效的动态联盟,从时空角度提出基于全生命周期的服务组合框架,强调任务分解、服务发现与匹配、服务组合与优选、自适应调整4个阶段应关注问题,并从基于协同能力的服务选择方法、制造服务双边匹配决策方法和基于情景感知的服务自适应决策方法3个方面,给出解决相关科学问题的思路和关键技术。(本文来源于《科技管理研究》期刊2019年13期）
雒佳琳[2]（2019）在《面向任务驱动的地表覆盖信息动态服务组合机制研究与实现》一文中研究指出随着对地观测、遥感信息处理技术的迅猛发展,全球地表覆盖数据逐年递增,面向服务的地表覆盖信息共享平台的构建成为许多机构的研究热点。然而对于地表覆盖信息数据的实时动态更新,基于离线桌面端的人工处理方式工作量繁重。随着Web Service技术应用的逐渐深入,一些数据共享平台已允许用户在分布式环境下实现简单的在线处理操作。但面对日益复杂的地表覆盖数据和算法模型,单一的在线处理服务已不能满足用户实时、个性化的需求。如何将多个单一功能的处理服务通过特定组合机制形成面向用户个性化需求的服务链,是目前地表覆盖信息在线计算的主要研究问题。本文在对地表覆盖信息服务领域特点进行研究的基础上,从数据服务与处理服务本身以及两者之间的逻辑关系出发,构建地表覆盖信息服务描述框架,以WS-BPEL为基础建立任务驱动的动态服务组合机制,实时构建满足用户需求的服务组合方案。论文的具体研究工作如下:(1)对传统动态服务组合方法和语义Web相关理论技术进行探讨,通过分析Web服务描述框架和动态服务组合方法,结合地表覆盖信息服务的特征和用户需求提出了面向地表覆盖信息服务描述的关键问题。分析了地表覆盖信息环境下的服务资源,将其与OWL-S相结合,提出了地表覆盖信息服务描述框架(DP-OWLS),并使用Protégé本体建模软件对其进行构建。(2)在提出的DP-OWLS框架的基础上,应用WS-BPEL技术,建立了WSDL与WS-BPEL的映射规则,并制定了服务组合流程设计原则,提出了一种面向任务驱动的动态服务组合机制。通过获取用户需求,从基于DP-OWLS推理出需求原子服务及其逻辑关系,进而动态构建了服务组合方案。(3)在上述动态服务组合机制研究的基础上,借助Django框架、Openlayers API等相关开发技术,设计并研发了地表覆盖信息服务在线计算原型系统,并集成到当前项目研究成果全球地表覆盖信息共享平台中。通过应用案例,验证了该方法的可行性与时效性,确定该系统能够在分布式环境下满足在线计算的业务需求。(本文来源于《中国矿业大学》期刊2019-04-08）
戴紫薇[3]（2018）在《云制造环境下面向动态任务感知的服务组合与调度优化研究》一文中研究指出随着经济全球化的不断加速,越来越多的制造厂商选择通过将制造资源和制造能力封装为制造服务的方式来增强企业之间的协作以提高企业竞争力,制造业逐渐从面向生产的模式转变为面向服务的模式。云制造是一种面向服务的、高效低耗和基于知识的网络化敏捷制造新模式,云制造技术通过对各类制造资源进行统一集中的智能化管理和经营,从而在整个制造生命周期中为用户提供灵活、敏捷的服务。云制造平台在同一时刻往往会接收到多个用户提交的批量的复杂多功能性的任务需求,而单功能性的服务通常无法满足用户需求,因此一项复杂的任务需要先分解为若干子任务,每个子任务对应着一组服务质量各异的候选服务集。在满足服务质量约束的前提下,各种不同功能的服务被调用和组合,以优化服务状态和执行计划,从而满足多用户需求。因此,制造服务的组合与调度是云制造环境面临的关键研究问题。然而,由于实际制造环境存在不确定性,当环境发生变化时,原有的最优执行方案可能变得非最优甚至不可行,而动态任务是导致云制造环境不确定性的主要来源之一。本文以云制造环境下动态任务为研究对象,以实现制造服务优化配置为目标,对服务组合和调度优化问题进行了深入研究。本文首先建立了一种面向单一任务的云制造服务动态组合模型,提出了两种相应的服务重组方式(即纵向协作方式和速度选择方式)以应对制造过程中突然出现的紧急任务请求。其次,建立了一种面向多任务、考虑新任务到达的云制造服务动态调度模型,该模型综合考虑了服务供应商之间的横向协作和纵向协作。最后,针对上述云制造环境下面向动态任务感知的服务组合模型与服务调度模型的各自特点,根据基础型生物地理学优化算法,分别提出了相应的改进型两阶段生物地理学优化算法和多种群生物地理学优化算法,提高了服务组合模型与服务调度模型的算法求解性能。本文的主要创新点如下:1.提出了一种面向单一任务的云制造服务动态组合模型,讨论了两种服务重组方式(即纵向协作方式和速度选择方式)以应对突然出现的紧急任务请求。为求解上述模型,本文提出了改进型两阶段(即组合阶段和重组阶段)生物地理学优化算法。该算法针对基础型生物地理学优化算法的不足,引入了二维向量编码以适应服务重组问题求解。其次,该算法融合了变邻域搜索算法和精英替换策略。实验结果表明,与基础型生物地理学优化算法、遗传算法和差分进化算法相比,改进型两阶段生物地理学优化算法可以求解到更优的云制造服务组合和重组方案。同时,两种服务重组方式可以有效减少任务完成所需的时间。2.提出了一种面向多任务的云制造服务动态调度模型,讨论了两种重调度策略以应对突然到达的动态任务请求。该模型探讨了多供应链协作模式,综合考虑了供应链中服务供应商之间的横向协作和纵向协作。为求解上述模型,本文提出了改进型多种群生物地理学优化算法,该算法针对基础型生物地理学优化算法的不足,采用了矩阵编码方式,并融合了多种群策略、局部搜索策略以及协作机制。实验结果表明,在调度和重调度两个阶段中,与传统的单供应链模式相比,多供应链协作模式可获得更优的调度方案。同时,与基础型生物地理学优化算法、遗传算法和粒子群优化算法的对比实验表明,改进型多种群生物地理学优化算法可以求解到更优的调度方案。(本文来源于《浙江财经大学》期刊2018-12-01）
侯占伟,翟海霞,沈记全[4]（2018）在《基于全局QoS约束分解与关联感知的动态服务组合》一文中研究指出在Web服务组合过程中,基于全局Qo S(quality of service)约束分解的服务组合方法是提高服务组合动态性与灵活性的有效途径。已有的研究工作在进行约束分解服务优化组合时,没有考虑上下游服务之间的Qo S关联性,影响了组合的效率与质量,降低了用户的满意度。提出一种基于Qo S全局约束分解与关联感知的动态优化服务组合方法,通过改进后的人工蜂群算法将全局Qo S约束分解为局部Qo S约束;定义上下游服务之间的Qo S关联系数,构造一种基于Qo S关联感知服务选择的方法,解决了存在关联关系的服务选择问题。实验验证了该方法的可行性和有效性。(本文来源于《重庆邮电大学学报(自然科学版)》期刊2018年05期）
高红妮[5]（2018）在《图书馆关联数据创新动态组合服务模型研究》一文中研究指出介绍关联数据在图书馆兴起的背景,阐述了关联数据对于创新图书馆服务的意义,提出了关联数据的图书馆创新动态组合服务模式,以期为中国图书馆关联数据创新服务研究提供借鉴,以促进图书馆服务水平的提高。(本文来源于《农业图书情报学刊》期刊2018年09期）
徐园园,刘志中,贾宗璞[6]（2018）在《领域QoS与资源感知的物流服务动态优化组合方法》一文中研究指出为了提高物流服务优化组合的动态性、可靠性与用户满意度,本文提出了一种基于全局服务质量(quality of service,QoS)约束分解的能够感知领域质量与资源需求的物流服务优化组合方法.该研究工作首先把学习机制引入人工蜂群算法(artificial bee colony algorithm,ABC),形成了具有自主学习能力的改进型人工蜂群算法(LABC);之后,应用学习人工蜂群算法(LABC)将全局QoS约束分解成每个物流子任务需要满足的局部QoS约束,从而将QoS感知的物流服务优化组合这一全局优化问题转化成以领域质量为依据的局部最优服务选择问题;其次,在物流服务流程执行的过程中,在感知物流任务节点对资源需求的前提下,为每一个物流任务节点选择一个具有最优领域QoS的物流服务;与已有的研究工作相比,该方法能够实现物流服务动态可靠的优化组合.最后,通过模拟实验验证了本文所提出的方法是可行有效的.(本文来源于《工程科学学报》期刊2018年07期）
任丽芳[7]（2018）在《动态环境下的Web服务推荐与组合方法研究》一文中研究指出互联网技术的发展促进了计算模式的演变,一种新兴的计算模式——服务计算应运而生,服务计算实现了Web环境中跨平台跨协议的应用交互与集成.随着数据、软件、存储、计算等都被打包成服务的形式交付用户使用,服务计算受到了工业界和学术界的越来越多的关注.服务种类与数量增长迅猛,但是服务质量(quality of service,QoS)参差不齐,让用户从海量的服务中寻找高质量的服务变得非常困难,因此迫切需要服务推荐系统为用户推荐能使该用户得到最优体验的服务.同时,随着企业级应用逐渐走向规模化,单一的服务往往难以满足用户的复杂需求,而服务数据交互与集成的灵活性,使多个服务无缝集成形成更高级别的业务过程成为可能,所以针对复杂的用户需求提供组合服务也成为一个现实问题.在实践中,由于运行环境的动态性,服务推荐与服务组合面临极大的挑战,如:服务的行为是不确定的,受网络或其它因素影响可能出现服务失败;服务的一些QoS属性值是变化的,如网络访问量的增加可能导致响应时间延长.另外,相对用户和服务的数量,服务执行的QoS历史记录极其稀疏,这给基于QoS值预测的服务推荐带来困难.因此,研究动态环境下的服务推荐与服务组合具有非常重要的现实意义.本文将针对动态环境中,服务行为不确定、服务QoS值动态变化、历史QoS数据稀疏等环境下的服务推荐与组合的方法开展系统深入的研究.通过选择有效的机器学习方法,从稀疏的历史评分数据中学习目标用户对服务的评分模式,设计个性化的服务推荐方法,高效准确地为用户推荐能得到最优体验的服务.同时本文将服务组合看作决策优化问题,通过增强学习的方法,在服务组合过程中选择组件服务,既能运行适应动态环境的最优组合服务,又能尽最大可能满足用户的约束.本文的主要研究工作包括:(1)针对服务动态提供、历史评价数据稀疏等环境下的个性化服务推荐问题,提出一种基于SVM分类器的协同过滤Top-N服务推荐方法SVMCF4SR.该方法基于稀疏的历史评分数据训练SVM分类器,对用户—服务评分模式进行学习,将学习结果用于评估未知的服务,根据评估结果对未知服务进行排序,为用户推荐Top-N服务.(2)针对个性化服务推荐的效率与效果问题,提出一种分布感知的基于粒度SVM的Top-N服务推荐方法GDSVM4SR.该方法首先对用户空间进行粒化,区分相似用户与一般用户,区别对待两类用户的评分数据,以提高推荐的准确度.同时,GDSVM4SR也对训练集进行粒化,选取代表点压缩训练集,提高模型训练的速度的同时避免了一些不实评分对推荐精度的影响.(3)针对服务行为不确定、服务QoS动态变化等环境下的服务组合问题,提出基于部分可观测的马尔科夫决策过程的服务组合方法SC_POMDP.该方法首先根据历史QoS数据对各组件服务在系统不同运行状态的性能进行学习,然后在服务组合执行中根据观测到的已完成服务的QoS值对系统所处状态进行判断,根据系统执行状态为下一个任务选择组件服务.SC_POMDP在服务组合执行中进行服务选择,以提高服务组合对不确定服务行为及QoS的自适应性.(4)针对满足用户QoS约束的服务组合问题,提出基于马尔科夫决策过程的服务组合方法CSSC-MDP.该方法首先从历史QoS数据中学习各组件服务满足用户不同QoS约束的能力,然后在组合服务执行过程中根据上一组件服务执行结束后QoS约束的实时满足情况,选择最适合当前QoS约束的最优组件服务,最大程度地保证用户QoS约束的满足.本文的研究工作围绕服务计算领域的两大核心问题——服务推荐与服务组合开展.本文提出的服务推荐方法可以准确地为用户推荐能获得最优体验的服务,而对于复杂的用户需求,本文提出的服务组合方法能运行适应当前环境的最优组合服务,满足用户的功能需求的同时最大程度地满足用户的QoS约束.取得的研究成果不仅丰富了服务计算领域的理论研究,而且具有重要的应用价值.(本文来源于《山西大学》期刊2018-06-01）
任磊[8]（2018）在《面向动态联盟的制造服务组合研究》一文中研究指出智慧制造以社会信息物理系统(Social Cyber-Physical System,SCPS)、大数据和云计算技术为基础,以大规模协同合作、全面感知、实时决策、社会化制造资源的利用和满足客户个性化需求能力为目标,基于云平台把多层次制造资源虚拟化为制造服务,按业务需求使用合适粒度的资源,灵活构建动态企业联盟以及时把握市场机遇。多粒度服务单元作为动态联盟的基本构成要素,服务个体功能、服务质量(quality of service,QoS)和协同关系等,共同决定了联盟的运行效率。如何在云平台上根据任务要求选择优质服务,通过多资源聚合组建动态联盟,并根据时变环境自适应地调整服务活动,成为智慧制造落地应用的关键问题。通过多层次制造服务的组合实现动态企业联盟构建,是智慧制造过程组织的重要方式。本文以动态联盟的服务组织为研究主题,针对制造服务社会互联、任务复杂关联、环境动态时变等新特征,融合社会网络、协同效应、情景感知等理论研究相应的服务组合问题,提出基于协同能力的服务选择方法、基于竞争与协同效应的双边匹配方法、基于情景感知的服务自适应调整决策方法,从智慧制造模式下的服务组合视角拓展了动态联盟构建理论方法,有效的应对新环境下动态联盟资源组织过程中面临的新挑战。主要研究内容与贡献如下:(1)制造业务流程导向的动态服务联盟模型智慧制造环境下,制造企业将设备、生产线、生产车间或工厂作为独立的功能单元,在云平台上以虚拟化服务的方式参与到协同制造过程中。多层次制造单元成为制造价值网络中的独立主体,深刻影响到制造过程的组织管理和运行模式。基于多服务单元联合协作的动态联盟,成为构建复杂业务流程、满足个性化需求的资源协同新模式。本文基于新兴信息技术条件下制造模式创新分析,提出包含资源层、感知层、服务层、价值链组织层、应用层和支撑技术的智慧制造云平台架构,为动态联盟多粒度服务组织提供基础信息环境和技术支持。根据个性化需求聚合和多层次制造服务单元分析,提出业务流程导向的动态服务联盟模型。从服务关系、业务逻辑、网络结构叁个维度解析了新联盟模式的特征。动态服务联盟的构建是一个迭代优化的复杂时空过程,从全生命周期角度将面向动态联盟的服务组合过程划分为四个环节。首先运用Petri net对任务建模,基于任务与服务特征匹配进行订单分解与任务合成;其次运用粒度计算和语义匹配方法为不同层级任务匹配相应的制造服务;再次以QoS、协同能力、双方满意度为关键评估指标,从众多候选方案中选择最优方案;最后,通过感知、理解服务执行过程中的异常事件,运用自适应调整机制进行服务重选和调度。并提出同步实现组合全过程协同优化的理念,聚焦于服务优选和自适应决策这两方面的关键问题。(2)基于协同能力的制造服务选择方法制造社会化环境下,复杂任务需要多个不同功能的服务单元共同完成。服务单元个体能力和协同关系,共同决定了制造任务的完成质量,协同能力成为服务竞争力评估和组合优选的关键因素。本文综合社会网络与服务计算理论,运用社会关系强度衡量协同效应,提出基于加权协同网络的服务选择方法。首先抽取服务社会网络并计算五类关系强度,通过社会关系强度加权计算协同效应,并构建服务加权协同网络。以最大化服务整体QoS和协同效应为目标,提出服务选择的多目标优化模型。并运用双向学习、最优种群更新和基于群体交互的速度更新机制,改进基本引力搜索算法对模型求解。实验验证了本文模型和算法的有效性,表明考虑协同效应能够显着提升服务组合的实际运行绩效。复杂任务场景下,制造子任务间存在多维的物料、信息、知识交互和传递关系,对匹配服务单元间提出一致性的协同能力要求。任务关系与服务协同关系的不精确匹配将会带来额外的协调成本,降低资源配置效率,导致方案绩效并非最优。因此,本文进一步考虑混合任务网络与服务网络结构一致性匹配的影响,提出基于任务关系约束的服务适配选择方法。在混合任务网络构造的基础上,考虑任务重要性的影响,提出基于权重的服务胜任度聚合方法。根据任务关联约束的服务横、纵向协同需求,给出服务横、纵向协同水平的计算方法。以服务胜任度和协同水平最大化为目标,构建制造服务优化选择数学模型。运用改进非支配粒子群算法进行求解得到帕累托最优解集,基于加权TOPSIS评估获取最佳分配方案。(3)基于竞争与协同效应的制造服务双边匹配方法云平台是为任务方、服务方提供注册、质量评估、协商谈判、自由交易等活动的场所,具有双边市场的典型特征。平台上的服务优选需要综合供需双方的利益诉求和市场定位,将双边匹配决策方法应用到服务组合中,实现双方满意度最大化。针对云环境下的服务单元具有良好协同能力和自适应学习能力的特征,提出考虑学习与协同效应的制造服务双边匹配决策方法。首先根据云交易的重复性、动态性,构造基于学习效应模型的主体动态能力计算方法,运用期望效用理论聚合双方满意度。同时,应用协同网络刻画服务社会关系,基于社会网络理论计算服务间协同满意度。以任务、服务满意度、服务间协同满意度最大化为目标,构建一对一双边匹配决策模型。通过汽车云制造实例,验证本文模型的有效性和优势。同时,供需双方均处于一定的圈子或网络中,具有竞争、合作等社会关系的其他成员影响匹配主体的决策偏好,增强云服务组合匹配问题的复杂性。进一步将面向市场、资源争夺的任务竞争关系考虑到服务匹配过程中,综合任务竞争网络和服务协同网络对方案稳定性的影响,提出基于竞争与协同效应的一对多服务双边匹配方法。以决策主体的期望值为参照点,运用期望效用理论计算双方满意度。并给出基于竞争关联的任务间满意度和基于协同效应的服务间满意度计算新方法。以最大化双方、任务间和服务间满意度为目标,构建服务双向匹配多目标优化模型,运用改进非支配粒子群算法和加权TOPSIS求解得到最佳方案。与传统匹配、只考虑竞争、只考虑协同的3类匹配模型比较,实验验证了本文方法的有效性与优势。(4)基于情景感知的制造组合服务自适应调整决策方法由于组合服务面临复杂、动态的业务需求和运行环境,如消费者需求的变化、服务加入与退出、制造条件变化等,可能导致服务故障和业务流程异常情形。将智能Agent技术和情景感知理论应用到服务组织过程中,提出基于情景感知的服务自适应调整决策方法,及时发现与处理制造过程中的异常事件。首先,从智能制造单元个体视角,构建了制造服务自适应调整系统架构。针对制造环境和情境约束对物体状态事件理解的影响,提出基于复杂事件处理的自适应情景识别方法。通过构建情境约束的多层次事件模型和事件新算子,提出基于事件聚合的制造情景演算过程和基于改进混合数据聚类的情景实时识别算法。运用4个真实数据集和1个制造过程仿真数据集进行实验,均验证本文模型和方法的有效性,并阐明情境因素能显着提升制造过程中事件判断、情景识别的准确性。智能服务单元在识别当前发生的复杂情景后,根据自身角色、资源、知识等状态,运用已有决策规则采取最合理的调整操作活动。同一主体在不同状态下对同一情景可能采取不同的响应方案。基于现有事件驱动决策机制的不足,根据多变的应用场景,分别设计了情景感知、主体-情景-活动(Subject-Situation-Action,SSA)的2种新的自适应决策机制,充分考虑决策主体状态和情境因素对事件判别和决策过程的影响。并通过多Agent技术搭建决策实验环境,应用关联规则方法挖掘决策知识。通过汽车制造零部件加工云服务仿真,与现有事件驱动机制对比实验,验证了本文2类机制在不同场景下的效果,从决策准确率、时间和服务QoS等方面证明了情景感知、SSA机制在动态复杂制造环境下的优势和可行性。(本文来源于《合肥工业大学》期刊2018-05-01）
侯占伟[9]（2018）在《高效可信的Web服务动态优化组合方法研究》一文中研究指出随着云计算、物联网等技术的发展,在互联网上共享的Web服务数量越来越多。但单个服务往往不能够满足用户的复杂业务需求,将网络上已有可用的服务聚合成为功能更加强大的组合服务是解决用户需求的有效途径。由于Web服务共享的开放网络环境及服务提供商的竞争性,导致了Web服务的不稳定性和不可信性。因此,如何在海量的候选Web服务中选择满足用户需求的最优可信服务成为了服务组合领域亟待解决的关键技术问题。为提高在服务数量剧增情况下服务选择的效率,并保证所选择服务的可信性,结合服务组合的动态性及候选服务之间的关联关系,本文提出一种“高效可信”-“动态关联”两段式的服务优化组合方法。该方法首先利用领域模板技术进行候选服务筛选,减少候选服务集合中服务的数量;其次,利用社交网络信任模型及协同过滤等推荐技术,在约简后的候选服务集合中推荐可信的Web服务;最后,结合用户需求和全局QoS约束分解评价模型,动态的将全局QoS约束分解为局部约束,通过服务关联数据集计算出服务间的关联系数和QoS实际约束值,依据约束条件和服务关联关系依次选择候选服务,构建满足用户需求的最优组合服务。本文的研究工作主要包括以下叁个方面的内容:(1)针对解决传统组合方法在服务数量剧增的情况下组合小粒度、通用的、分散的服务构件时效率较低的问题,本文提出基于领域模板的服务筛选方法。首先,结合服务行业特性、业务背景等领域知识,充分分析挖掘服务的领域特性,并对服务领域的共性需求进行抽象、归纳、总结,构建了基于群体智能计算技术的领域模板;其次,设计包含服务领域属性的领域模板QoS质量评价模型,实现对模板进行评价选择;应用改进的蚁群算法对领域模板实时更新,保证了领域模板的时效性。改进的蚁群算法主要在传统的蚁群算法中增加了信息素增强方法和蚁群变异学习功能,解决其在收敛性和局部最优方面的不足;最后,结合领域模板的匹配规则,提出基于领域模板的服务筛选方法。候选服务集合通过领域模板筛选方法筛选后,为下一步服务的可信性判断约简了候选服务集合空间。(2)为保证提供给用户的组合服务可信性,本文结合社交网络及矩阵概率分解等技术,提出了一种在社交网络环境下可信Web服务的推荐方法。首先,根据用户评价偏离度、置信区间、恶意度和综合恶意度等信息,剔除恶意评价用户,保证评价信息不受噪声的干扰;其次,结合社交网络中的信任关系,综合考虑全局信任和局部信任信息的情况下建立信任关系模型,同时融合用户的主观信任和客观评价信息,利用相似度和信任度综合衡量用户的可信相似程度,提高系统识别近邻用户的能力,避免由于评价信息稀疏而导致的近邻用户不相似的问题,提高推荐的可信度和准确度;第叁,基于协同过滤思想,将社交信任关系和评分信息融入概率矩阵分解模型,解决了可信服务推荐的冷启动问题。可信服务推荐方法为下一阶段服务动态优化组合提供可信的候选服务集合。(3)本文提出一种基于全局QoS约束分解与关联感知的服务动态优化组合方法。第一步结合用户需求和全局QoS约束分解质量标尺评价模型,应用改进的人工蜂群算法动态地将全局QoS约束分解为局部QoS约束,使之适用于候选服务间存在关联关系情况下的全局QoS约束分解要求。改进的人工蜂群算法主要改进了初始食物源,并在雇佣蜂阶段和侦查蜂阶段增加了服务关联数据集的搜索功能。第二步构建服务关联数据集,确定服务关联数据集中的上下游服务间的关联关系,并计算候选服务的QoS实际约束值;然后根据已选定服务与备选服务间的关联关系和QoS实际约束值依次选择满足用户要求的候选服务。(本文来源于《河南理工大学》期刊2018-04-01）
杨震,杨甜甜,范科峰,王勇[10]（2018）在《基于信任合成的云服务动态组合机制研究》一文中研究指出云计算为代表的新型计算模式以灵活的"服务合约"为核心商业特征,通过动态整合各类云服务为用户提供不同粒度的增值服务.但是传统以QoS(Quality of Service,服务质量)为核心约束的服务组合方法,无法满足用户对服务服务质量的深层要求,即对服务信任程度的规范.为此本文提出了一种基于信任合成的云服务动态组合方法,该方法通过定义云服务的信任属性,将其分解为基础信任和经验信任的集合.将基础信任评价问题建模为云服务属性判断问题,利用Bayes合情推理分析了属性不可穷举情况下基础信任的审定与反驳.将经验信任评价问题建模为云服务交互行为判断问题,利用Chebyshe和Bernstein定理给出经验信任的置信度,进而为经验信任的量化提供依据.实验结果表明,本文所提出的方法可以在持续变化的云环境下有效地组织和提供云服务,进而满足新型计算模式动态多样化应用需求.(本文来源于《电子学报》期刊2018年03期）
服务的动态组合论文开题报告
（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：
随着对地观测、遥感信息处理技术的迅猛发展,全球地表覆盖数据逐年递增,面向服务的地表覆盖信息共享平台的构建成为许多机构的研究热点。然而对于地表覆盖信息数据的实时动态更新,基于离线桌面端的人工处理方式工作量繁重。随着Web Service技术应用的逐渐深入,一些数据共享平台已允许用户在分布式环境下实现简单的在线处理操作。但面对日益复杂的地表覆盖数据和算法模型,单一的在线处理服务已不能满足用户实时、个性化的需求。如何将多个单一功能的处理服务通过特定组合机制形成面向用户个性化需求的服务链,是目前地表覆盖信息在线计算的主要研究问题。本文在对地表覆盖信息服务领域特点进行研究的基础上,从数据服务与处理服务本身以及两者之间的逻辑关系出发,构建地表覆盖信息服务描述框架,以WS-BPEL为基础建立任务驱动的动态服务组合机制,实时构建满足用户需求的服务组合方案。论文的具体研究工作如下:(1)对传统动态服务组合方法和语义Web相关理论技术进行探讨,通过分析Web服务描述框架和动态服务组合方法,结合地表覆盖信息服务的特征和用户需求提出了面向地表覆盖信息服务描述的关键问题。分析了地表覆盖信息环境下的服务资源,将其与OWL-S相结合,提出了地表覆盖信息服务描述框架(DP-OWLS),并使用Protégé本体建模软件对其进行构建。(2)在提出的DP-OWLS框架的基础上,应用WS-BPEL技术,建立了WSDL与WS-BPEL的映射规则,并制定了服务组合流程设计原则,提出了一种面向任务驱动的动态服务组合机制。通过获取用户需求,从基于DP-OWLS推理出需求原子服务及其逻辑关系,进而动态构建了服务组合方案。(3)在上述动态服务组合机制研究的基础上,借助Django框架、Openlayers API等相关开发技术,设计并研发了地表覆盖信息服务在线计算原型系统,并集成到当前项目研究成果全球地表覆盖信息共享平台中。通过应用案例,验证了该方法的可行性与时效性,确定该系统能够在分布式环境下满足在线计算的业务需求。
（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。
服务的动态组合论文参考文献
[1].任磊,任明仑.面向动态联盟的制造服务组合全生命周期模型[J].科技管理研究.2019
[2].雒佳琳.面向任务驱动的地表覆盖信息动态服务组合机制研究与实现[D].中国矿业大学.2019
[3].戴紫薇.云制造环境下面向动态任务感知的服务组合与调度优化研究[D].浙江财经大学.2018
[4].侯占伟,翟海霞,沈记全.基于全局QoS约束分解与关联感知的动态服务组合[J].重庆邮电大学学报(自然科学版).2018
[5].高红妮.图书馆关联数据创新动态组合服务模型研究[J].农业图书情报学刊.2018
[6].徐园园,刘志中,贾宗璞.领域QoS与资源感知的物流服务动态优化组合方法[J].工程科学学报.2018
[7].任丽芳.动态环境下的Web服务推荐与组合方法研究[D].山西大学.2018
[8].任磊.面向动态联盟的制造服务组合研究[D].合肥工业大学.2018
[9].侯占伟.高效可信的Web服务动态优化组合方法研究[D].河南理工大学.2018
[10].杨震,杨甜甜,范科峰,王勇.基于信任合成的云服务动态组合机制研究[J].电子学报.2018