基于软件网络服务自动分类和方法.docVIP

基于软件网络服务自动分类和方法 　　摘 要 　　对于服务管理与组合来说，服务分类和推荐方法至关重要，本文提出了SOS与服务自动分类方法，探讨了服务推荐方法的实现，并对其应用和平台工具开发进行了实例分析，旨在为相关研究和实践提供参考。 　　【关键词】软件网络 服务 自动分类 服务推荐 　　SOC是一种针对分布式系统的新型计算模式，是软件领域的研究热点，SIC在应用开发模式构造的过程中倡导以服务和服务组合为基础，改变了软件系统的生产、运行及使用方式，软件环境更加开放协同，服务种类日渐丰富，应用领域不断扩展，以服务为中心的互联网形成。软件结构对软件质量有着重要的影响，在服务软件（SOS）逐渐成为主流的背景下，有必要对SOS结构技能型研究，对其中的知识进行挖掘，只有这样才能够更好实现对SOS开发的指导。国内外众多学者对SOC软件领域中的服务发现和服务组合十分关注，但服务分类信息则相对缺少，不利于服务资源的管理和服务检索，传统的手工服务分类方式显然不能满足要求，这就需要对服务自动分类和服务推荐进行分析。 　　1 SOS与服务自动分类分析 　　1.1 SOS自动分类 　　社区结构是复杂网络一种介于微观和宏观之间的网络特性，在现实世界中，众多复杂网络都有着社区结构性质，相关研究表面，网络的鲁棒性、高速传播性等功能特性与网络的社区结构特征有着密不可分的关系。网络社区结构检测是揭示这一关系的重要基础，对于复杂网络来说，其主要采用图来进行表示，因此，Kernighan-Lin算法、普分割法等计算机领域中的图分割算法都能够在复杂网络结构社区检测中应用，但需要住的是，传统的图分割算法一般需要已知网络社区数目，或者将网络划分为规模一致或相近的子图，要想实现上述两点要求是比较困难的，这也使复杂网络领域出现了一些新的社区发现方法，例如加权或无权网络社区发现方法、层次算法和最优化算法等等。本文以复杂网络社区发现方法为基础，划分SOS社区，实现大量SOS聚类，从而实现服务聚类。 　　本文将模块度Q作为评价指标，分析的网络为加权网络，用去模块度Q对社区划分质量进行评价。评价算法公式如下： 　　其中Q代表模块度，weii代表两个端点都位于社区i的边，其边权与总边权的比例，wai代表一个或一个以上端点位于社区i的边，其边权与总边权的比例。 　　1.2 服务自动分类分析 　　应当根据用户使用和应用情境来决定服务的类别，通过使用的SOS类别进行服务分类，在此之前，需要对服务相对于社区权值进行定义，将第j个服务区相对于SOS第k个类别权值定义为Wkj，公式如下： 　　LHF方法以SCA算法为基础来进行API服务的分类，用O（N2s）来表示其时间复杂度。 　　2服务推荐 　　2.1 SOS2S结构特征分析 　　为了更好的推荐服务和构建SOS，需要对SOS使用服务的使用模式进行分析。本节主要采用度数中心度（DC）指标来分析SOS2S基本结构特征，为后续工作提供指导。 　　首先需要对二部图中点的度数中心度和事件的度数中心度进行定义，前者指的是该节点所隶属事件数，后者指的是该事件拥有行动者数。而对于服务来说，其度数中心度能够描述服务参与的SOS数，反过来SOS度数中心度能够描述使用的服务数。从而对SOS及其使用服务模式进行反映。通过SOS度数中心度则能够知道推荐服务及SOS的构建。 　　具体来说，先分析SOS度数中心度数值的分布，确定大多数SOS度数中心度的范围，定义为[A，B]，以100个SOS为例，如果有90个以上的SOS使用的服务数都比10小，那么我们可以将[A，B]设定为[1，10]，形成构成SOS服务数的范围，对于新开发的SOS来说，其使用的服务数很可能在这个范围之内。 　　2.2 服务推荐实现 　　上文中提到，研究SOS服务使用模式至关重要，从SOS2S中能够得到服务-服务网络中也包含了服务使用模式，其中任意路径都是潜在的SOS，因此只需要以一定规则为基础对服务-服务网络进行遍历就能够实现新SOS的构建。度数中心度最大的一个或多个服务即平台服务也是许多SOS重要的构成单元。进行SOS2S的投影操作，这就能够得到相应的服务-服务网络，以此为基础，为SOS构建的用户实现服务推荐。在开发SOS的过程中，对服务使用场景进行划分： 　　（1）用户为选择任何服务； 　　（2）用户选择单个服务； 　　（3）用户选择两个或两个以上服务，选择服务个数记为n。不同服务使用场景提出不同的推荐方法，采用服务推荐算法来实现。 　　3 应用与工具开发的实例分析 　　武汉大学研发了一个软件服务注册管理平台S2R2，其有着语义互操作性特点，对互联网软件服务理论、方法和技术标准进行研究，以此为基础，对软件服务资源管理、基础设施平台和相关技术进行开发，能