基于NEI的免疫自學習Web服務突現方法研究＊

郭蘭蘭，王 輝，陳翔濤

（河南科技大學電子信息工程學院，河南 洛陽 471023)

基于NEI的免疫自學習Web服務突現方法研究＊

郭蘭蘭，王 輝，陳翔濤

（河南科技大學電子信息工程學院，河南 洛陽 471023)

針對復雜任務的Web服務組合問題，借鑒生物神經內分泌免疫（NEI)系統的突現和自學習機制，提出了一種免疫自學習服務突現方法。移動Agent設計為具有免疫行為的生物實體，并代理Web服務。突現的服務組合是生物實體Agent通過親合力匹配算法形成的突現實體網絡提供的，并且能夠動態地調整其內部的服務。采用免疫原理和自學習機制，將親和力匹配形成的服務組合視為抗體進行記憶。當再次遇到相同或相似服務請求時，將直接進行二次應答或對抗體庫中的抗體進行修正組合，形成新的中間抗體，從而更加快速且節省能量地完成服務響應。實驗表明，該方法能夠自組織地完成服務的動態組合、自主學習和管理等工作，而且可以提高響應速度和服務效率。

Web服務組合；語義Web服務；突現；親和力匹配；免疫學習

1 引言

Internet技術的飛速發展，使得面向服務的體系結構SOA（Service-Oriented Architecture)正逐漸成為一種新的應用開發模式。近年來，國內外研究者紛紛參與到SOA技術的研究中并達成共識：將服務作為向用戶所提供的基本單位，通過匹配用戶需求與服務本身的功能，對服務資源池中合適的服務進行重用、組合和驗證，構成“按需服務”的松耦合網絡應用，是SOA從概念走向應用的關鍵。

服務組合的理論、方法和技術作為實現SOA的核心技術，受到軟件理論、軟件工程、人工智能以及中間件與應用集成等多個領域研究工作的影響和推動，目前己取得了一些有價值的研究成果。文獻［1］針對普及計算環境，提出了基于接口語義描述的動態服務組合方法；文獻［2］提出了一種基于AI規劃的采用分層分解的服務組合方法；文獻［3］針對開放環境對大規模服務組合的可伸縮性及自治性的需求，提出基于角色的分布式動態服務組合方法；文獻［4］利用已有的業務流程技術和服務技術匹配的思想，提出了一種基于匹配策略的動態Web服務組合方法；文獻［5］提出了一種基于領域本體的服務動態組合方法；文獻［6］為服務請求的每個輸出參數構造一棵完備回溯樹，提出了基于回溯樹的 Web服務組合方法；文獻［7］采用啟發式搜索策略，提出了一種基于圖的服務自動組合方法。但是，作為一項新興的研究課題，動態服務組合的理論體系、工程方法以及實現技術仍不夠完善，在開放Internet環境中實施服務組合面臨諸多技術挑戰。

根據生物界近年來的系統研究表明，神經系統、內分泌系統和免疫系統三者之間存在著相互的控制協調關系，已經證實神經內分泌系統與免疫系統之間是一個有機的智能生物網絡管理系統，并存在細胞因子和受體構成交互的生物網絡通用語言，通過雙向信息傳遞機制和相互作用，從而使整體生物系統體現出了突現、自組織、自適應、自擴展、協同等重要特征。每個個體遵循一組簡單的行為規則，而一群個體則展示復雜的突現行為［8］。本文針對復雜任務的Web服務組合問題，借鑒生物神經內分泌免疫 NEI（Neuro＿Endocrine Immune)系統的突現和自學習機制，提出了一種免疫自學習服務突現方法。實驗表明，該方法能夠自組織地完成服務的動態組合、自主學習和管理等工作，而且可以提高響應速度和服務效率。

2 研究基礎

2.1 Web服務及組合和免疫自學習機制

（1)Web服務：Web服務是指由企業發布的完成其特別商務需求的在線應用服務，其他公司或軟件能夠通過Internet來訪問并使用這項在線服務。它允許在 Web站點上放置可編元素，進行基于Web的分布式計算和處理。

（2)Web服務組合：Web服務組合是指自動組合已有的Web服務從而獲得新的功能。Web服務組合以兩種方式進行：靜態方式和動態方式。

（3)免疫學習：免疫學習機制，如圖1所示，具有兩種類型的免疫應答：初次免疫應答和二次免疫應答。當抗原第一次侵入生物體就會引發初次應答，淋巴細胞實現對抗原的識別后，B細胞被激活并增殖復制產生B細胞克隆，隨后克隆細胞經過變異過程，產生對抗原具有特異性的抗體，使免疫系統產生抗體消滅抗原。在這個過程中，免疫系統通過學習抗原，一些B細胞變成了長期存活的記憶細胞。當相同類型的抗原再次入侵時，二次免疫應答被觸發，免疫系統通過喚醒記憶細胞，在比初次免疫應答短的時間周期內產生大量的抗體消滅抗原。免疫學習一般有以下幾種途徑：增強式學習、親和度學習、低度的重復感染和聯想學習［9］。

Figure 1 Immune learning mechanism圖1 免疫學習機制

本文正是采用親和力匹配算法形成Web服務動態組合，并利用免疫學習機制來實現系統響應速度和服務效率的優化［9～13］。

2.2 面向Web服務突現的整體智能平臺

Web服務突現平臺分為Web服務智能調節層（神經內分泌調節系統)、Web服務控制層（免疫系統)和Web服務層三個層次，如圖2所示，通過Agent實現的生物服務實體代理Web服務。

（1)Web服務智能管理調節層：主要作用是對Web服務控制層進行動態管理，調節生物服務實體操作優化，引導實體的自治行為和自主決策，形成群體智能的同時保持系統穩定。

Figure 2 Web service emergence platform structure圖2 Web服務突現平臺結構

（2)Web服務控制層：在 Web服務智能管理調節層的動態調節下實現服務發現、選擇、突現的管理工作。

基于該平臺的Web服務突現不僅完成了傳統的Web合成服務，并能實現分布式、自適應的動態管理。下面設計的免疫學習服務突現模型，正是在該平臺形成的服務突現基礎上，采用免疫自學習機理構建而成。

3 免疫學習服務突現方法設計

3.1 免疫學習服務突現模型

本文結合Web服實體Agent的實現原理，采用親和力算法和免疫學習算法，設計了免疫自學習服務實現模型，如圖3所示。

3.1.1 免疫學習服務突現模型各功能部分的免疫描述

（1)抗原：將用戶請求的網絡任務作為免疫系統的抗原；

（2)抗體：將網絡中單一功能的Agent服務實體，通過親和力匹配算法，動態地形成實體Agent網絡，即突現服務組合，從而提供更強大的服務功能。將這樣的突現服務組合視作免疫系統中的抗體；

（3)抗原錄入：將得到的網絡任務轉化為可供識別的抗原數據，即按照既定的數據格式將網絡任務進行編碼錄入；

（4)記憶單元：把與該抗原（網絡任務)有最強親和度的抗體（Web服務組合)加入記憶細胞，記憶細胞是有限的，所以較低親和力的抗體會被新產生的與抗原更高親和度的抗體所替換，這樣形成抗體庫，記作cA，抗體庫中的抗體記為cA（i)，其中i＝1，2，…，n（n為抗體庫中抗體總數目)，利用抗體庫對抗原產生二次應答；

（5)抗體庫：記錄了已有的最佳服務匹配的、可以提供服務的聚類本地系統數據庫，針對具體的請求服務存儲不同的服務匹配記錄信息；

（6)抗體規則庫：保存著進行抗原－抗體匹配的相關算法或約束條件；

（7)親和力匹配算法：在初次免疫時，依據該算法將生物實體（移動Agent設計為具有親和力的免疫行為單元)組成生物實體網絡（突現服務組合)，從而提供突現服務，即產生抗體；

（8)抗體庫的免疫學習算法：在任務復雜度與匹配抗體不完全匹配的情況下，利用該算法對抗體的輸出自動修正，形成新的中間抗體。

Figure 3 Immune learning service emergence model圖3 免疫學習服務突現模型

3.1.2 免疫學習服務突現模型各功能模塊的描述

（1)決策處理模塊：依據抗體知識庫中決策約束條件、規則和相關算法，提供決策支持；

（2)執行模塊：依據約定好的系統消息格式，負責消息的封裝并發送給通信模塊；

（3)通信模塊：負責實體Agent之間以及實體Agent與用戶之間的交互；

（4)網絡服務環境模塊：感知外界服務請求信息，通過它感知的外界狀態及信息進行交互。

3.2 服務突現的免疫自學習體制

3.2.1 特征值初始設置

系統接收用戶請求后，首先判斷是否需要將不同種類、不同數量的已有單一Web服務進行重組來為用戶提供服務。Web服務組合復雜度是指針對用戶請求自動選擇出的、用來組合的單一 Web服務種類所占服務個數的比例。

（1)提取特征值：突現服務cA（i)形成時的設定值v（t0)及其 Web服務組合復雜度c（t0)；

（2)記憶調整輸出值Δui：

其中，ui（t)和ui（t0)分別是在抗體cA（i)突現服務形成過程中的最終和形成時的輸出值；

（3)抗原特征值：用戶請求提出時設定值v（t)和為用戶提供服務的Web服務組合復雜度c（t)。

3.2.2 Web服務組合復雜度識別過程

抗原（用戶請求)被識別時的實際輸出值可能與修正后的中間抗體生成過程中的最終輸出值存在著一定程度的誤差，影響Web服務組合復雜度的識別精確度。為了更加準確地識別Web服務組合復雜度，引入了比例增益系數kp：

其中，u（t)是最終動態調節輸出值；u（t0)是 Web服務組合復雜度的初始值；Δu（t)是修正后的中間抗體cA（n＋1)的輸出變化值。

通常，比例增益系數kp值越大，用戶等待服務的時間就越短，但也不能無限制地增大，否則Web服務組合容易出現雜亂，會對Web服務組合整體控制性能造成不良影響；相反，則容易使用戶等待時間過長。因此，kp值應該針對不同的用戶請求進行適當的選擇，以便提高服務響應速度。

3.2.3 初次應答

起初Web服務組合系統中并沒有存儲突現服務（抗體)，在用戶請求（抗原)第一次出現時得不到及時響應。在傳統防御識別過程中，通過親和力匹配選擇免疫學習突現過程產生Web服務組合系統的第一例抗體cA（1)。具體產生過程描述如下：

（1)提取特征值：當所需的Web服務組合復雜度超過閾值ε時，記錄設定值v（t0)、Web服務組合復雜度c（t0)、輸出值ui（t0)。閾值ε的取值應該適當，因為當c（t0)＞ε時，用戶請求將需要大量的Web服務進行重組，而ε太小，將會有大量的用戶請求需要大量的Web服務重組，從而導致抗體大量產生；相反，形成的抗體將會不足，以致二次免疫應答受到影響。這些都會影響用戶得到服務的效率和質量。

（2)記錄和計算：識別 Web服務組合復雜度c（t0)，并記錄最終的輸出ui（t)，最后根據公式（1)計算動態調整輸出Δui。

（3)基于親和力算法形成突現服務（抗體)：借鑒生物突現機理，由親和力算法選擇出親和力值Aff最大的一些實體組成的實體網絡提供突現服務。這種方法可以針對用戶不同的服務請求分步、自治地選擇組合的實體服務 wS1，wS2，wS3，…，wSn，并及時動態地調整實體，產生抗體，為用戶提供相應的服務。

親和力匹配算法綜合實體Agent的匹配強度（代表服務匹配能力)M（ws1，ws2)和服務質量相對值（評定質量各因素的綜合度量值)S s（)i以及信任值（實體間信任關系的度量)Tij三方面的參數因素，計算兩個實體間的親和力：

本文取權重系數λ＝0.5（λ∈ ［0 ，1］)。根據公 式 Affinity ＝ Max｛Affinity（wsi，wsj)，i ∈（1，n)，j∈ （1，n)｝動態選擇最佳實體，完成服務組合，為用戶提供突現服務。最終突現服務親和力值為：

設定α且α∈（0，1)為系統服務突現閾值，如果突現服務親和力值Aff不大于α值，則突現成功，形成抗體，并儲存到抗體庫cA中。

3.2.4 二次應答

當用戶再次提出類似的請求時，Web服務組合系統利用免疫機制的自學習、自適應能力就可以進行免疫二次應答。具體過程：

（1)預設置：抗體庫cA（i)，其中i＝n。

（2)提取抗原特征值：當用戶請求出現且c（t0)＞ε時，提取當前設定值v（t0)、Web服務組合復雜度c（t0)和輸出值ui（t0)。

（3)聯想記憶匹配過程：將當前用戶請求（抗原)和待匹配突現服務（抗體)的特征值vi（t0)和ci（t0)進行比較，根據公式（5)計算所有抗體相應的匹配度ψi（i＝1，2，…，n)。

本文設?＝0.5，其中?∈ （0，1)。ψi值最大的為抗體（最佳 Web服務組合)cA（k)（k≤n)。通過抗體的聯想記憶過程，如果匹配成功將直接交給執行模塊進行二次應答；否則，轉入遺傳自進化過程。

（4)遺傳自進化過程：利用公式（6)完成抗體cA（k)自進化修正，輸出最佳 Web服務組合cA（n＋1)的變化值Δu（t)：

（5)提供服務：利用最佳Web服務組合為用戶提供相應的服務。

（6)抗體存儲和繁殖過程：當用戶得到相應的服務時，將中間抗體cA（n＋1)的特征值計算出來并作為新抗體儲存起來。

4 仿真實驗

免疫自學習服務突現方法的仿真是采用Java語言編程實現的。仿真平臺所增加的軟件接口、公用結構體、仿真器等整個系統構建在Java虛擬機上。這樣整個仿真平臺就支持“即插即用”和靈活的API操作。本仿真實驗將親和力匹配和免疫學習兩種算法結合，實現免疫學習服務突現的模型仿真，其拓撲結構如圖4所示。

Figure 4 Topological graph圖4 拓撲結構

仿真實驗采用AMD Athlon2處理器（3.0GHz和3GB RAM)的計算機，實驗設置具有768個（32×24)節點的網絡結構，假設每個虛擬機的網絡節點上都運行仿真平臺，網絡平臺上資源花費能量相同。訪問的服務請求頻率不隨時間變化。為了形成對比，實現了在沒有任何機制控制下的Web服務組合，即采用隨機控制；還實現了只有親和力匹配算法的服務突現模型。評定服務質量的一個重要指標是服務響應時間。

仿真結果如圖5所示，隨機條件下，Web服務響應開始時最快，但是之后趨勢變化不大。在親和力匹配服務突現算法的控制下，Web服務響應剛開始較慢之后較快，這是因為生物實體在開始階段要建立相應的親和力關系，許多的時間浪費在盲目的尋找上，且開始時生物操作要存儲能量，進行遷移、變異和交叉操作等生物操作以完成突現服務，隨著時間的推移，生物實體形成了關系聚類，較快響應提供服務。在本文提出的服務突現的免疫學習機制控制下，剛開始沒有形成Web服務組合（抗體)，因此為用戶提供服務速度較慢，之后大幅加快，這是因為時間越久，形成的 Web服務組合（抗體)越多，通過突現組合和免疫學習等策略快速識別用戶請求（抗原)，迅速進行 Web服務組合而很快響應提供服務。總之，本文提出的免疫學習服務突現模型能在無中心控制的條件下為用戶提供動態服務。

從圖6可以看出，在免疫學習服務突現模型中，為用戶提供服務的有效性（包括服務的效率和質量)開始時可能不夠好，時間越久，Web服務的有效性就越高。

Figure 5 Web service response time圖5 Web服務響應時間

Figure 6 Web service response efficiency圖6 Web服務響應效率

以上實驗驗證了免疫學習服務突現模型在響應時間和服務效率方面有一定優勢，能夠很好地適應Web服務組合需求，滿足未來Internet無中心控制、動態自學習的服務突現組合的需求。

5 結束語

由于在服務的組合和管理方面，生物神經內分泌免疫系統的一些特點正是Web服務動態組合所要實現的目標。所以，本文從神經內分泌免疫網絡的特點出發，探究其突現機理和免疫學習機制，并結合Agent親和力匹配算法、Web服務組合、語義等有關知識，設計了免疫自學習服務突現模型，仿真結果證實了該模型能夠動態學習適應提高服務響應速度，可以為基于NEI的突現Web服務組合的進一步研究提供參考。當然系統的并行效率和語義匹配效率還有待進一步提高，仿真實驗也有待進一步完善，并且需要進一步探究使其能更好地投入實際應用。

［1］ Li Jing-shan，Liao Hua-ming，Hou Zi-feng，et al.A dynamic service composition method based on semantic interface description in pervasive computing［J］.Journal of Computer Research and Development，2004，41（7)：1124-1134.（in Chinese)

［2］ Sirin E，Parsia B，Wu D，et al.HTN planning for web service composition using SHOP2［J］.Journal of Web Semantics，2004，1（4)：377-396.

［3］ Liu Bi-xin，Wang Yu-feng，Jia Yan，et al.A role-based approach for decentralized dynamic service composition［J］.Journal of Software，2005，16（11)：1659-1687.（in Chinese)

［4］ Zheng Yong－qing，Liang Wei.A matching strategy-based web service composition method［J］.Computer Science，2005，32（9)：127-130.（in Chinese)

［5］ Li Man，Wang Da-zhi，Du Xiao-yong，et al.Dynamic composition of web services based on domain ontology［J］.Chinese Journal of Computers，2005，28（4)：644-650.（in Chinese)

［6］ Deng Shui-guang，Wu Jian，Li Ying，et al.Automatic web service composition based on backward tree［J］.Journal of Software，2007，18（8)：1896-1910.（in Chinese)

［7］ Zou Jin-an，Yang Yan-ping.Study on automatic web services composition based on graph［J］.Journal of Chinese Computer Systems，2008，29（11)：2020-2026.（in Chinese)

［8］ Ding Yong-sheng.Natural computation and network intelligence［M］.Shanghai：Shanghai Jiao Tong University Press，2008.（in Chinese)

［9］ Sun Hong-bin，Ding Yong-sheng.Study and simulation of emergent method based on bio-network in pervasive service environment［J］.Journal of System Simulation，2008，20（1)：228-232.（in Chinese)

［10］ Tang Xin-ting，Zhang Xiao-feng，Yang Hong－yong.Model of web service emergence based on immune-learning［J］.Computer Engineering，2010，36（9)：173-175.（in Chinese)

［11］ Mo Hong-wei.Research of immune system response based on partial differential equation［J］.Computer Engineering and Applications，2009，45（11)：1-4.（in Chinese)

［12］ Rao Jing-hai，Kuengas P，Matskin M，et al.Composition of semantic web services using linear logic theorem proving［J］.Information Systems，2006，31（4/5)：340-360.

［13］ Mcllralth S A，Tran C S，Zeng Hong-lei.Semantic web services［J］.IEEE Intelligent Systems，2001，1（2)：46-53.

附中文參考文獻：

［1］ 李景山，廖華明，侯紫峰，等.普及計算中基于接口語義描述的動態服務組合方法［J］.計算機研究與發展，2004，41（7)：1124-1134.

［3］ 劉必欣，王玉峰，賈焰，等.一種基于角色的分布式動態服務組合方法［J］.軟件學報，2005，16（11)：1859-1867.

［4］ 鄭永清，梁偉.一種基于匹配策略的 Web服務組合方法［J］.計算機科學，2005，32（9)：127-130.

［5］ 李曼，王大治，杜小勇，等.基于領域本體的 Web服務動態組合［J］.計算機學報，2005，28（4)：644-650.

［6］ 鄧水光，吳健，李瑩，等.基于回溯樹的 Web服務自動組合［J］.軟件學報，2007，18（8)：1896-1910.

［7］ 鄒金安，楊艷萍.圖在自動 Web服務組合中的應用研究［J］.小型微型計算機系統，2008，29（11)：2020-2026.

［8］ 丁永生.自然計算與網絡智能［M］.上海：上海交通大學出版社，2008.

［9］ 孫宏彬，丁永生.基于生物網絡的普適服務突現的方法與仿真［J］.系統仿真學報，2008，20（1)：228-232.

［10］ 唐新亭，張小峰，楊洪勇.基于免疫學習的 Web服務突現模型［J］.計算機工程，2010，36（9)：173-175.

［11］ 莫宏偉.免疫系統應答仿真研究［J］.計算機工程與應用，2009，45（11)：1-4.

Research of immune self-learning Web service emergence method based on biological neuro-endocrine immune system

GUO Lan-lan，WANG Hui，CHEN Xiang-tao
（School of Electronic Information Engineering，Henan University of Science and Technology，Luoyang 471023，China)

In order to resolve the combination problems of Web service for complicated tasks，inspired by the characteristics of system emergence and self-learning in biological neuroendocrine and immune system，a method of immune learning Web service emergence is proposed.Mobile agent is designed as a biological entity with immune behaviors and acts for Web services.Emergent bio-entity network is constructed through bio-entities affinity matching and provides emergent services composition，in the process，service can be added or removed dynamically in service emergence.Based on immune principle and self-learning mechanism，affinity matching service combination is viewed as antibody for memory.When system encounters the same or similar service requests，it directly forms the new secondary response or updates antibody library to form the new intermediate antibody，and completes the response in a more rapid and energy-serving way.Through experiment verification，the method can complete self-organizing dynamic combination，independent learning and management，and improve the response speed and efficiency of services.

web services composition；semantic web service；emergence；affinity matching；immune learning

1007-130X（2014)04-0713-06

TP183

A

10.3969/j.issn.1007-130X.2014.04.024

2012-08-29；

2013-01-15

河南省教育廳自然科學研究項目（2010A520017)；河南省教育廳科學技術研究重點項目（2012B520019)

通訊地址：471023河南省洛陽市河南科技大學電子信息工程學院

Address：School of Electronic Information Engineering，Henan University of Science and Technology，Luoyang 471023，Henan，P.R.China

郭蘭蘭（1986-)，女，河南孟津人，碩士生，研究方向為數據集成。E-mail：lanlanshilanwang＠163.com

GUO Lan-lan，born in 1986，MS candidate，her research interest includes data integration.

王輝（1966-)，女，河南洛陽人，碩士，教授，研究方向為網絡性能改善和數據挖掘。E-mail：wh＠mail.haust.edu.cn

WANG Hui，born in 1966，MS，professor，her research interests include network performance improvement，and data mining.

陳祥濤（1978-)，男，河南商丘人，碩士生，研究方向為服務計算。E-mail：cxt＠mail.haust.edu.cn

CHEN Xiang-tao，born in 1978，MS candidate，his research interest includes service computing.