基于QoS綜合評價的服務選擇方法

何干志，劉茜萍

(南京郵電大學 計算機學院，江蘇 南京 210003)

基于QoS綜合評價的服務選擇方法

何干志，劉茜萍

(南京郵電大學 計算機學院，江蘇 南京 210003)

從海量服務中準確選擇出符合用戶真實需求的服務變得日益重要，而服務質量的評定在選擇服務的過程中至關重要。基于QoS的已有服務選擇方法，通常假定服務提供者和使用者給出的QoS數據都是真實可信的，但這一假設實際上很難得到保證。為此，提出了基于QoS綜合評價的服務選擇方法。該方法針對來自服務提供者的質量屬性，基于歷史數據的統計對當前QoS數據進行修正；而針對來自服務使用者的質量屬性，基于具有時間系數的歷史評價計算推薦用戶和目標用戶之間的相似程度，以權衡其歷史評價的可靠程度，進而得出針對該目標用戶的最終QoS參考評價。同時，采用熵值法計算用戶的主客觀合成權重，并基于提供者修正QoS發布信息和用戶可靠的QoS參考評價信息完成服務選擇。實例驗證結果表明，所提出的方法有效可行。

服務選擇；用戶相似度；熵值法；QoS綜合評價

1 概 述

網絡環境中服務技術的出現為組織間建立一種靈活多樣的協作關系創造了前所未有的機會[1]。目前，隨著服務的發展和廣泛應用，服務的大量出現，提供相同功能的服務越來越多，如何準確從龐大的服務集中選擇最符合要求的服務是服務技術面臨的巨大挑戰。因此，基于服務質量對服務進行選擇已成為熱點研究問題之一[2-3]。

目前提出的不少基于QoS的服務選擇方法大多假定服務提供者描述的QoS數據和用戶反饋的QoS評價都是真實可靠的，因而在對服務進行排序和選擇時，常常直接使用服務提供者發布的QoS數據，同時采用平均值的方法處理服務使用者反饋的QoS數據[4-5]。然而在實際應用中，對于QoS數據可靠性的假設往往很難保證：一方面，服務提供者可能出于利益考慮，發布高于服務實際水平的QoS數據以吸引更多的用戶[6-7]；另一方面，用戶反饋的QoS評價，常常受到自身因素的影響，甚至是一些惡意的虛假數據，而平均值的方法缺少能夠度量這些質量屬性數據有效性的標準。這些不可靠的QoS數據將直接影響QoS計算的準確性和可靠性，以及最終的服務選擇結果[8-10]。

隨著數據可靠性問題的日益突出，一些學者開始漸漸關注這類問題的研究。文獻[11]根據用戶反饋的QoS數據，從而得到可靠的QoS評價信息，當服務提供者描述不符合事實的QoS數據，該提供者這種不誠實的行為將受到處罰，但是該方法卻沒有提出服務使用者QoS可靠性問題的計算方法，忽略了其在服務選擇過程中的作用；文獻[12]同時考慮了來自服務使用者和服務提供者兩方面的QoS屬性，同時通過不同的計算方法來修正QoS屬性值，從而得到可靠的QoS質量屬性值參考信息，但是該方法卻忽略了QoS質量屬性值的動態變化，卻將其視為了常量；文獻[13]定性分析了直接經驗和間接經驗在服務可信性判斷中的作用，考慮了服務的時效性，并提出了QoS可靠性的評估函數，但片面強調了直接經驗的主導作用，忽略了當交往次數很少時間接經驗的重要性；文獻[14]提出了一種基于歷史經驗和可信概率的貝葉斯模型，給出了獎勵函數，但偏重于對用戶的未來行為進行約束。

然而，目前基于可靠QoS的服務選擇研究大多僅根據服務提供者描述或用戶反饋信息開展，難以為目標用戶提供全面可靠的QoS選擇依據。為此，提出了一種基于QoS綜合評價的服務選擇方法。對于來自服務提供者描述的QoS，基于歷史數據的統計對服務提供者當前描述的QoS數據加以修正，對于來自用戶反饋的QoS評價，基于用戶相似度計算得到各候選服務的可靠綜合QoS評價。此外，還采用了熵值法以計算得到用戶的主客觀合成權重?；谔峁┱叩男拚齉oS發布信息和用戶的可靠綜合QoS評價信息完成符合用戶權重的服務選擇。

2 基于歷史數據的服務提供者QoS信息修正

對于來自服務提供者描述的質量屬性數據，如服務的執行時間、價格等，這類屬性通常在服務注冊時會隨著功能屬性發布到注冊中心，但一些服務提供者為了吸引服務使用者會發布高于實際性能的數值，所以，在進行服務選擇時如果直接使用服務提供者發布的數據是不合適的。對于這方面數據的修正，主要通過在客戶端中加入采集機制的方式收集服務提供者描述的歷史數據。該機制基于歷史數據的統計定期對當前描述的QoS數據進行修正，此類質量屬性的修正是由提供者當前描述的數據和統計的歷史數據加權決定，并引入時間因子，從而保證QoS數據的可靠性。下面給出該過程的若干相關定義。

定義1(S,R,PT)：S表示所有用戶使用過的服務集合，有S={s1,s2,…,sm}；R表示服務描述的矩陣，有R={Ri,j|Ri,j表示服務si第j次發布的QoS數據，Ri,j=，其中i=1,2,…,m，k=1,2,…,n1，j=0,1,…,v，ri,j,k表示服務si第j次發布的QoS數據中屬性k的描述}；PT表示服務發布QoS數據時間的矩陣，有PT={pti,j|pti,j表示服務si第j次發布QoS的數據時間(i=1,2,…,m，j=0,1,…,v)}。

針對服務提供者當前發布的數據，使用式(1)對其進行修正。

q=wRi,v+(1-w)f(Ri,0,Ri,1,…,Ri,v-1)

(1)

其中，Ri,0,Ri,1,…,Ri,v是從服務提供者發布了多次數據后采集到的v+1次相關質量屬性向量值；w(0

另外需要說明地是，當服務無法收集歷史服務質量屬性數據時，則只有Ri,v這一當前發布信息，此時可設w=1，即服務提供者當前發布的數據為最終該質量屬性值，具體計算方法為：

q=Ri,v

(2)

假設某服務si發布了多次數據后，從中采集v+1次相關質量屬性向量值，分別為Ri,0,Ri,1,…,Ri,j,…,Ri,v(按時間先后)，其對應的時間分別是pti,0,pti,1,…,pti,j,…,pti,v，其中pti,0為服務si最初發布該服務的時間，故pti,j-pti,0為第j次服務與最初發布服務時間間隔。一般而言，時間越近值越可靠，所以發布服務質量屬性的時間距離最初發布服務的時間越長，所占的權重就越大。具體計算方法為：

(3)

3 可靠的用戶評價獲取

對于來自服務使用者反饋的服務質量屬性，如滿意度，由于受到服務使用者所處環境、主觀想法等各種因素的影響，對于同一種服務而言，不同的使用者在使用過該服務后都可能會有截然不同的評價結果，而且不排除惡意詆毀的情形，將所有評價平等對待是不合適的。因此在QoS計算中，對所有的用戶評價取平均是不合適的。為此，采用了“用戶相似度”作為衡量不同用戶評價所占的權重大小，以它們的加權平均求得最終評價。所謂“用戶相似度”是指兩個用戶對于使用過相同服務所反饋評價的相似程度，即相似程度越大，其用戶評價在計算中所占的權重就越大。下面給出該過程的若干相關定義。

定義2(U,EV)：U表示一組使用過相關服務的用戶構成的集合，有U={u1,u2,…,ul}；EV表示用戶對服務的評價矩陣，有EV={EVi|EVi是用戶評價集合，為一個四元組，有EVi=(Ei,Ti,Ci,STi)}。其中，Ei是用戶ui所訪問服務的有限集合，有Ei={sj|sj為ui用過的服務，sj∈S}；Ti表示用戶ui使用的服務次數矩陣，有Ti={ti,j|ti,j表示用戶ui使用服務sj的次數，i=1,2,…,l,j=1,2,…,m}；Ci是用戶ui對所訪問服務評價的有限集合，有Ci={Ci,j,p|Ci,j,p為用戶ui對服務sj第p次的評價向量，而Ci,j,p=，其中i=1,2,…,l,j=1,2,…,m，p=1,2,…,ti,j，k=1,2,…,n2，ci,j,p,k表示用戶ui對服務sj中屬性k第p次的評價值}；STi表示用戶ui使用服務的時長矩陣，有STi={sti,j,p|sti,j,p表示服務si第p次使用服務sj時長，其中i=1,2,…,l,j=1,2,…,m，p=1,2,…,ti,j}。

定義3(推薦用戶)：用戶ui'和ui的評價分別是Vj=(Ei',Ti',Ci',STi')和Vi=(Ei,Ti,Ci,STi)，也就是如果Ei∩Ej≠?，且存在Sj∈Ei'，Sj?Ei，同時用戶ui希望獲取服務Sj的評價信息，則稱用戶ui'為ui關于服務Sj的推薦用戶。

盡管目前有很多對用戶相似度計算的相關研究，但是均未考慮到多次使用服務和使用服務的時間長短對評價的影響。比如用戶住酒店的次數越多或者住的時間越長，則對酒店了解程度就越高，所以該評價的可靠性就越高。因此，在計算用戶相似度時，引入了用戶領域相關度和用戶時間系數進行修正。所謂的用戶領域相關度是指推薦用戶對服務領域的了解程度高低，一般情況下，推薦用戶使用某服務的次數占該服務總使用次數的比重越大，說明其對服務了解程度越高，那么推薦用戶評價的權重系數越高。為此，使用式(4)對其進行計算：

(4)

其中，α為推薦用戶ui在服務si的領域相關度；l為用戶總數。

所謂的用戶時間系數是指用戶對服務性能的熟知程度。一般情況下，用戶使用該服務的平均時長占所有用戶使用該服務平均時長之和的比重越大，說明其對服務了解程度越高，那么推薦用戶評價的權重系數越高；同理相反。為此，使用式(5)對其進行計算：

(5)

目前為止，計算服務相似度的公式有很多，例如皮爾遜相關系數、余弦相似度等。為了使服務的推薦方法更加準確，從而需要改進目前已有的相似度計算方法。因此引入了服務的個性化特征這一概念。例如，假設用戶a和用戶b以前都使用過服務1和服務2，給定的服務1和服務2分別為用戶不敏感服務和用戶敏感服務，不同用戶在使用過服務1后，給出的QoS評價值大體相同，因此所對應的方差比較小，通過目前已有的計算公式計算出用戶a和用戶b的相似程度偏高，然而這并不能代表真實的相似程度，因為服務1對于所有的用戶而言是沒有差別的，這樣的服務1用于用戶a和用戶b的相似度計算時應該貢獻程度越低。相反，不同用戶在使用過服務2后，給出的QoS評價值所對應方差比較大，表明服務2對不同的用戶來說所產生的評價差別很大，此時，如果兩個用戶在使用過服務2后給出的QoS評價值相似，這兩個用戶才能算是真正意義上的相似。這樣的服務2用于用戶a和用戶b的相似度計算應該貢獻程度越高。

總而言之，在計算兩個用戶的相似度時，不能忽略這兩個用戶共同調用的服務個性化特征。為此，使用式(6)進行計算：

(6)

因此，使用結合服務個性化特征的距離向量法來計算目標用戶服務評價和參考用戶服務評價的偏離大小，服務的QoS屬性可以使用向量形式表達，將用戶共同使用過的服務集合視為一個多維空間，用戶對這些服務反饋的質量屬性數據視為該空間的一個點。則兩用戶之間的反饋相似度可以通過它們之間的幾何距離來衡量，距離越小，說明目標用戶和參考用戶反饋的服務評價相似度越大，則該用戶的評價信息所占的權重值越大。距離越大，說明目標用戶和參考用戶反饋的服務評價相似度越小，則該用戶的評價信息所占的權重值越小。

結合服務個性化特征的距離向量法為：

dist(ui,ui')j,k=

(7)

通過式(8)可以將用戶ui和ui'之間的距離進行歸一化，將其限制到[0，1]這個區間內，即可得到相似度?？梢圆捎貌煌臍w一化標準，這里采用的是分數歸一化，具體的形式為：

(8)

其中，ri-i',j,k為用戶ui和ui'在服務sj屬性k上的評價相似度；dist(ui,ui')為ui，ui'在服務sj屬性k上的幾何距離。

如果兩個用戶之間共同評分項目少，比如只有一個共同評分，而且兩個用戶的評分相同，用距離向量法算出的值為0，但僅僅因為兩個用戶對某個服務的看法相同，就認為兩用戶的興趣高度一致，顯然不符合現實，所以需要在用戶推薦度上加上加權因子β。

則得到：

(9)

采用這種方法，兩個用戶之間共同評分項目少會降低用戶推薦度，而兩個用戶之間共同評分項目多會增大用戶推薦度。給定用戶ui'為ui關于服務sj的推薦用戶。則用戶ui'針對用戶ui關于服務sj在屬性k上的用戶推薦度為：

Ri-i',j,k=β×ri-i',j,k×(1+α+η)

(10)

為此，引入“用戶推薦度”作為不同反饋數據的權重，以它們的加權平均作為最終的質量屬性值。則：

(11)

其中，ei,j,k為所有推薦用戶向ui推薦服務sj時第k個屬性的參考值。

4 基于綜合QoS評價的加權服務選擇

在應用上述方法得出可靠的服務提供者QoS值和服務使用者評價的QoS值后，可基于綜合QoS評價進行服務選擇。由于在進行服務選擇時，需要綜合全面考慮服務的QoS屬性值。

通常采用加權平均的方法，權重的設置可以采用如下幾種方式：一是由用戶完全給出每個屬性的權重，即主觀權重；二是根據服務的屬性值，通過一定的算法求出權重，即客觀權重；三是既考慮服務的主觀權重又考慮服務的客觀權重，通過主觀權重和客觀權重再加權求得。

以上三種方式均有各自的優點。對于第一種加權方式來說，用戶可以根據自己真實的需求對不同QoS屬性做出正確判斷，從而對相應的屬性賦予滿足真實需求的權重；對于第二種加權方式來說，由于服務對于用戶而言有可能是一種全新的服務，在使用服務時對于不同QoS屬性并不知道如何關注。如果用戶在不了解服務的情況下隨意賦予權重值，由此選擇出的服務很可能并不是最優的，針對此問題，此時就可以采用客觀權重；對于第三種加權方式來說，用戶對某些服務并不熟悉，雖然對某些QoS屬性有要求，但是并不能確定用自己的方式設置的權重選擇出來的服務是最優的，所以需要參考下屬性的客觀權重，使主觀權重和客觀權重各占一定的比例，用戶自己完全可以根據個人需求設置該比例大小。如果希望用戶自己設置的權重大，即將主觀權重的比例調大一點，如果希望客觀權重大些，即將客觀權重的比例調大。綜合上述可知，采用第三種方式更具優勢。

服務質量矩陣可以表示為：

X=(xij)m×(n1+n2)

(12)

其中，m為可選服務的數量；n1+n2為服務的屬性個數。

對于客觀權重，即cw=(cw1,cw2,…,cwn1+n2)T，采用熵值法進行計算。由熵值法可知，某個屬性信息的價值取決于1和該屬性熵的差，該差影響屬性權重大小，信息的價值越大，對評價結果的影響就越大，屬性權重值也得到相應增大，因此，熵值法確定某個屬性的權重是利用該指標屬性的價值系數來計算，該值越高對評價的影響就越大，則權重越大。熵的計算方法如下：

(13)

其中，τ為常數τ=1/lnm；ej為QoS矩陣Y的屬性j的熵值。

因此，計算屬性j客觀權重cw的方法為：

(14)

由于所采用的權重是主客觀合成的權重，假定用戶給出的主觀權重為zw=(zw1,zw2,…,zwn1+n2)T，通過以上方法求得客觀權重為cw=(cw1,cw2,…,cwn1+n2)T，則合成的權重，即sw=(sw1,sw2,…,swn1+n2)T，swj的計算方法為：

swj=a×zwj+(1-a)cwj

(15)

最終將矩陣X=(xij)m×(n1+n2)和合成權重sw=(sw1,sw2,…,swn1+n2)T相乘得到的矩陣表示為Z=(zij)m×1，通過式(16)求得：

zij=swj×xij

(16)

同時根據最終矩陣Z選擇最優服務。

5 實例分析

下面將給出一個具體實例以演示上述方法的有效性。以旅游服務為例，生成10個用戶集合U={u1,u2,…,u10}和10個旅游商家集合S={s1,s2,…,s10}，并選取旅游商家的服務費用、服務時間、服務滿意度、服務可靠性4個指標作為服務的QoS屬性。其中旅游商家的服務費用和服務時間這兩個屬性數據主要來源于服務提供者，服務滿意度和服務可靠性這兩個屬性數據主要來源于服務使用者。所采用的是10分制。

表1中Ri,11表示服務提供者當前發布的QoS屬性數據，Ri,0,Ri,1,…,Ri,10表示利用采集機制收集的11次歷史數據(其中Ri,0是服務最初發布的數據，采集的數據時間間隔為1天)。

表2為用戶評價矩陣，由于用戶可以多次使用服務，所以每個單元格對應每次使用服務的評價信息，在單元格中前兩個數字表示用戶的評價值而后一個數字表示服務的使用時間(由于用戶評價數據較多，所以只抽取了u1，u2，u10的數據)。

5.1 獲取可靠的服務提供者發布的屬性值

Step1：基于采集到的Ri,0,Ri,1,…,Ri,10數據，通過式(3)計算綜合歷史的QoS值。以s2中服務費用屬性

表1 10個服務對各屬性12次歷史描述信息表

表2 3個用戶對10個服務各屬性的歷史評價信息表

為例，有：

f(Ri,0,Ri,1,…,Ri,10)=

Step2：通過式(1)對服務s2發布的數據進行修正，設w=0.5。計算結果為<3.836 36，5.218 18>。同理求得s6,s9分別為<5.481 81，5.790 91>，<4.681 81，6.518 18>。

5.2 獲取可靠的服務使用者反饋值

表3 10個用戶對10個服務各屬性的平均評價信息表

表4 用戶使用服務次數和服務使用平均時長信息表

Step5：假設β=1；以服務s2為例，通過式(10)求得u2，u4，u7，u9的關于第一個屬性推薦度分別為0.571 81，0.254 37，0.660 93，1.127 59；關于第二個屬性推薦度為0.263 92，0.736 61，0.521 59，0.594 75。同理求得服務s6中u3，u6，u8，u9關于第一個屬性推薦度分別為0.324 43，0.335 90，0.173 03，0.561 48；關于第二個屬性推薦度分別為0.394 89，0.361 37，0.358 93，0.592 31。服務s9中u3，u6，u9，u10關于第一個屬性推薦度分別為0.283 87，0.289 81，0.630 12，0.349 07；關于第二個屬性推薦度分別為0.345 53，0.311 78，0.664 72，0.296 32。

5.3 基于QoS綜合評價的服務選擇

Step1：通過前兩個過程得出的初始矩陣為：

Step2：通過式(13)，可以求得e1,e2,e3,e4分別為0.990 47，0.996 22，0.991 78，0.991 01。

Step3：通過式(14)，有：

cw1=(1-0.990 47)/((1-0.990 47)+(1-0.996 22)+(1-0.991 78)+(1-0.981 01))≈0.312 25，同理cw2，cw3，cw4分別為0.123 85，0.269 33，0.294 56。即cw=(0.312 25,0.123 85,0.269 33,0.294 56)T。

Step4：假設目標用戶的主觀權重值為zw=(zw1,zw2,…,zw4)T=(0.3,0.2,0.4,0.1)T，設a=0.5，通過式(15)，有sw1=0.5×0.3+(1-0.5)×0.312 25=0.306 13，同理求得sw2=0.161 92，sw3=0.334 67，sw4=0.197 28；即sw=(0.306 13,0.161 92,0.334 67,0.197 28)T。

Step5：根據式(16)，有：

(0.306 13,0.161 92,0.334 67,0.197 28)T=

Step6：由于5.339 28>5.175 30>4.542 79，所以服務s9最適合目標用戶u1。

6 結束語

為了向目標用戶提供全面可靠的QoS選擇依據，提出了一種基于QoS綜合評價的服務選擇方法。對于來自服務提供者描述的QoS，基于歷史數據的統計對服務提供者描述的QoS數據加以修正；對于來自用戶反饋的QoS評價，通過計算用戶之間以往反饋的相似程度，同時引入用戶領域相關度，時間系數和服務個性化等概念對用戶相似程度進行修正，得到最終推薦度，然后由用戶推薦度所占的比重作為權重計算出最終評價值；在計算出所有的結果后，針對目標用戶對主觀給出的各QoS屬性權重值可能不太確定的現狀，采用熵值法計算客觀權重并結合用戶的主觀權重加權進行整合，從而進行服務選擇。通過實例驗證了該方法的有效性，提高了服務選擇的準確性。下一步工作中，將結合數理統計理論對相似度計算公式進行深入研究。

[1] 王海艷,楊文彬,王隨昌,等.基于可信聯盟的服務推薦方法[J].計算機學報,2014,37(2):301-311.

[2] 曹利培,李愛玲,劉 靜.基于QoS的兩階段Web服務選擇方法[J].計算機工程與設計,2009,30(3):747-751.

[3] Zheng Z,Ma H,Lyu M R,et al.Wsrec:a collaborative filtering based web service recommender system[C]//IEEE international conference on web services.[s.l.]:IEEE,2009:437-444.

[4] 邵凌霜,李 田,趙俊峰,等.一種可擴展的Web Service QoS管理框架[J].計算機學報,2008,31(8):1458-1470.

[5] 郭得科,任 彥,陳洪輝,等.一種基于QoS約束的Web服務選擇和排序模型[J].上海交通大學學報,2007,41(6):870-875.

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

[7] 巫 茜,周 慶.基于QoS與可信度融合的Web服務選擇機制研究[J].計算機科學,2012,39(7):108-111.

[8] Mehdi M,Bouguila N,Bentahar J.A QoS-based trust approach for service selection and composition via Bayesian networks[C]//Proceedings of ICWS’13.[s.l.]:[s.n.],2013:211-218.

[9] 馬 友,王尚廣,孫其博,等.一種綜合考慮主客觀權重的Web服務QoS度量算法[J].軟件學報,2014,25(11):2473-2485.

[10] 宋海霞,嚴 馨,余正濤,等.基于自適應聚類的虛假評論檢測[J].南京大學學報：自然科學版,2013,49(4):433-438.

[11] Bellare M,Namprempre C,Pointcheval D,et al.The power of RSA inversion oracles and the security of Chaum’s RSA-based blind signature scheme[C]//Lecture notes in computer science.Berlin:Springer,2002:319-338.

[12] Okamoto T.Efficient blind and partially blind signatures without random oracles[C]//Lecture notes in computer science.Berlin:Springer,2006:80-99.

[13] Camenisch J,Koprowski M,Warinschi B.Efficient blind signatures without random oracles[C]//Lecture notes in computer science.Berlin:Springer,2005:134-148.

[14] Boneh D, Boyen X. Efficient selective-ID secure identity based encryption without random oracles [C]//Lecture notes in computer science.Berlin:Springer,2004:223-238.

A Service Selection Method with QoS Synthetic Evaluation

HE Gan-zhi，LIU Xi-ping

(College of Computer Science & Technology,Nanjing University of Posts and Telecommunications,Nanjing 210003,China)

It is increasingly important for users to exactly select a service meeting their requirements from the mass services.Assessment on the quality of service is crucial in the process of service selection.Existed QoS-based service selection methods generally assume that QoS data from service providers and users are trustable.However,it is not realistic.Therefore,a service selection method based on comprehensive evaluation of QoS is proposed,by which the values of quality attributes provided have been adjusted based on historical statistical data and that from user reviews have been integrated into a comprehensive QoS evaluation for a target user based on the user similarity computed through reviews on time factors.Moreover,entropy method is adopted to calculate the user’s subjective and objective synthesis weights with further operation of service selection based on the adjusted publishing QoS from providers and the reliable reviewing QoS from users.The experimental results show that it is effective and feasible.

service selection;user similarity;entropy method;QoS synthetic evaluation

2016-09-30

2017-01-04 網絡出版時間：2017-07-05

國家自然科學基金資助項目(61402241)

何干志(1992-)，男，碩士研究生，研究方向為服務計算；劉茜萍，副教授，碩士生導師，研究方向為服務計算、工作流。

http://kns.cnki.net/kcms/detail/61.1450.TP.20170705.1652.074.html

TP301

A

1673-629X(2017)08-0164-07

10.3969/j.issn.1673-629X.2017.08.035