利用優先級雙重深度強化學習的自適應Web服務組合方法

張鑫雯

(新疆工程學院 工程技能實訓學院，烏魯木齊 830023)

0 引言

隨著Web服務數量的急劇增加，網絡數據請求日益增多，且呈現出復雜化的趨勢，Web服務組合的優化難度越來越大，要求也越來越高。如何從眾多的候選服務中快速地選擇出滿足用戶要求的可靠服務，在服務計算機方面帶來了一定的技術障礙。面向服務計算(SOC,service-oriented computing)的應用主要是用來解決多款軟件在多個平臺中的相互協作，在不同服務提供商以及消費者能夠合作的系統上，才可以更好的將SOC的作用發揮出來。由于單一服務無法確保符合人們對實際要求，多個服務開展合作就成了必然需求。服務組合的目的就是未來能夠進一步制定面向服務架構(SOA,service-oriented architecture)。在該過程中，最大的挑戰是，如何從一組功能等效的服務組合中選擇滿足服務質量(QoS,quality of service)約束的最佳集合。雖然滿足QoS的服務組合在SOC和SOA領域得到了廣泛研究，但大多數現有的服務組合方法都建立于確定性環境中，當面對動態服務環境時，這些方法大多會失效。因為SOC本就具有動態特征，并且十分復雜，所以服務組合方法就要確保能夠更好地滿足服務環境將會發生變化的可能。除此之外，功能等效服務數量呈現幾何倍數遞增，所以這就要求要設計更加高效的算法，以便能夠快速在候選服務組合中進行選擇的問題。

強化學習(RL,reinforcement learning)通過一系列順序決策來達到特定目標，在該策略過程中，智能體與環境進行交互，通過反復試驗來獲得最佳學習方案，目前，RL已經成為處理自適應服務組合的強大工具，通過與動態服務環境的交互進行反復學習，RL可以動態地選擇最佳服務集，無需對服務環境的完整性和充分性進行了解。……