服务计算环境中收益优化的客户选择策略

刘蓉¹，李红艳¹，杨长兴²

(1. 长沙医学院 计算机系，湖南 长沙，410219；

2. 中南大学 信息科学与工程学院，湖南 长沙，410083)

摘要：提出一种综合考虑长期收益的客户选择策略，即在选择客户时，依据与客户的交互情况，依据客户的潜在长期价值作为其选择的标准。而客户的潜在价值是依据其交互的历史情况、可信程度和活跃程度进行计算。将这些参数作为客户长期价值的评价参数，综合给出接纳客户服务请求的收益计算方法以及不接纳客户可能造成的损失方法，从而给出综合优化的客户选择方法。研究结果表明：与传统的仅以当前收益最大化的优化方法相比，本文的策略在长期收益要高30%以上，而且考察的时间越长，策略的效果越明显，证明了本文策略的优越性。

关键词：服务计算；服务代理；收益最大化；客户选择

中图分类号：TP393          文献标志码：A         文章编号：1672-7207(2012)06-2202-08

Client selection strategy of service profit optimization

LIU Rong¹, LI Hong-yan¹, YANG Chang-xing²

(1. Department of Computer, Changsha Medical College, Changsha 410219, China;

2. School of Information Science and Engineering, Central South University, Changsha 410083, China)

Abstract: A customer selection strategy with comprehensive long-term gains was put forward. The procedures are as follows. The selection criteria is based on the interaction and potential long-term value of the customer. The potential value of the customer is calculated according to his interaction history, credibility and active level. These parameters are selected as evaluation parameters for customer’s long-term value calculation, and then the profit calculation method accepting the customer service requests as well as the loss calculation method of rejecting service requests are given. The results show that, compared with traditional methods which only focus on current profit maximization, this strategy is better in the long-term profit by more than 30%, and the longer inspection, the more obvious effects can be obtained, which indicates the superiority of the strategy.

Key words: service profit evaluation, service broker, profit maximization, customer selection

在服务计算环境中(或者云计算中)服务提供者将自身业务功能包装为服务并对外发布，通常是服务代理(Service broker)将现有服务进行组合，并将组合后的整体提供服务给客户(或称服务消费者，Services consumption)，以实现服务价值的增值^[1-3]。服务代理的一个最重要目标是如何实现效益的最大化，即通过提供增值服务来获得最大的经济效益。人们对服务选择问题^[4-10]进行了大量研究。早期的研究主要关注如何从可选的服务集合中选取QoS高的服务，其思想是：若选择的服务QoS高，则服务组合后整体的QoS也较高^[11-13]。Zeng等^[14-15]通过把可选择服务的QoS束参数线性加权转化为1个单目标函数，转化为1个值，从而避免了多维QoS间的比较问题。刘书雷等^[6]提出了一种基于多目标遗传算法的QoS全局最优服务动态选择(Global optimal of dynamic Web services selection, GODSS)算法^[6]。相关的研究工作还有动态规则算法、线性规则的方法^[9]、基因算法^[7]、PSO算法、启发式算法^[8-10]等。在最近的研究中，可信服务组合的研究工作较多^[3-7]。在对服务可信性的基础上，对服务的QoS进行重新计算是一种较好的方法。为此，李研等^[5]提出了一种考虑QoS数据可信性的服务选择方法。刘书雷等^[6]采用模拟退火算法实现了如何从多个客户中选择使得系统收益最大的客户提供服务。但是，这些研究往往是采用某一种优化方法从当前的服务中选取一些能够当前收益最大化的客户来提供服务。但是，这种方法存在的关键问题是：

(1) 由于服务能力的限制，服务代理难以对所有服务提供服务，因而只能选择对服务代理来说能够创造收益最大的客户。但是，如果一味地选择对当前来说能够带来最大收益的客户并不一定是一种“好”的策略。因为这可能引起潜在的有价值的客户得不到应有的接纳率，导致这些潜在的有价值的客户流失。

(2) 由于网络的复杂性，客户往往只需要匿名就可以，因而，虚假的甚至恶意的客户也很多，若不加以区别，往往会陷入对手或者攻击者设计的圈套，从而不但不能得到较好的收益，反而会受到攻击与损害。

为此，本文作者提出一种新的使收益最大化的客户选择策略。策略的目标是使得服务代理能够获得长期的收益最大化，而不仅仅使当前的收益最大化。其基本思想是：首先建立服务代理与客户之间的交互行为模型，依据交互的历史情况来描述与判断客户的潜在价值，从更长远的角度来考察客户是否能够带来长远的价值。如何判断客户的长久价值是一个重要的问题。为此，采用一种新颖的方法，即：依据客户的交互记录来判断客户的潜在价值。客户的潜在价值的判断是依据客户在过去一段时间内交互行为产生的价值来判断的，然后，在很长一段时间内，来判断接纳此服务能够带来的效益，以及失去此客户而减少的收益，从而综合评价与选择真正能够带来长远收益的客户。

此外，服务的可信性是服务代理能够获得稳定收益的重要前提，为此，对每一个客户依据交互情况给出１个风险评估值，依据风险评估值对客户的价值进行修正。修正的原则是；对于可信度高的客户，风险评估的修正值与1接近；对于可信度低的客户，风险评估的修正值与0接近。客户修正后的价值为风险评估修正值与服务协商中标定的收益的乘积。

1  系统模型与问题描述

1.1  服务模型

本文所采用的服务体系结构与文献[6]中所采用的服务体系结构相同。在这样的服务架构中，来自互联网中的客户向服务代理申请服务组合，服务代理收到客户的请求后，依据自己的资源情况，从互联网中选择合适的服务进行服务组合后提供给客户，并以此来获得收益，如图1所示。

图1  服务体系结构

Fig.1  Services architecture

在服务代理对客户提供服务时，服务代理需要与客户进行服务级别协商(Service level agreements, SLA)。将SLA具体化为一系列的服务级别, 每个级别规定服务质量、价格等方面的参数^[7,9]，并给出其收益规则(包括定价与罚金规则)，以支持基于SLA的服务组合。设服务代理A共有k个服务级别，定义为：

        (1)

    其中，第i个服务级别表示为：

；i=1，2，…，k     (2)

其中：为服务级别相应的服务质量标准的集合；(j=1，2，…，u)表示服务代理A第i个服务级别下第j个服务质量的值；u为服务质量的维数，表示不同维的质量信息，如可用性、响应时间、计算能力等。不同质量指标具有不同意义，如可靠性应不低于中规定的指标值；而响应时间则应小于等于规定值；为达到实体A提供服务水平级别i时支付的服务价格；为未达到实体A提供服务水平级别i时赔付的价格；集合C={c₁，c₂，…，c_n}表示系统中的n个客户(Client)实体，称为客户实体域。

与文献[26]中的研究类似，服务代理记录与每一个客户交互过程中的信息如表1所示。在表1中，服务交互的结果共有n行代表n个客户，m列代表最近的m次服务交互过程的行为。

表1  服务代理记录的交互信息

Table 1  Interaction information of broker

在表1中，设服务代理A在时间t_i时对客户w进行服务交互后的信息为={，，}。记录的交互信息实际上包括如下几方面内容：(1) 交互前的服务协商的服务级别；(2) 交互后实际的服务级别；(3) 其他信息，记录其他对客户的一些评价信息。

1.2  问题描述

在服务计算环境中，客户不断地向服务代理提交服务请求。服务请求信息包含的内容为某一服务级别SLAⁱ。因为在较短时间内，可能有多个客户的请求同时到达，由于资源有限，服务代理可能可以同时满足有多个服务级别的多个需求，但是，可能难以在此段时间内满足所有客户的需求。因此，在这种情况下，服务代理就需要对多个客户进行择优选择，选择的目标是使broker在较长时期内获取尽可能多的服务收益。这样，问题就转化为１个多目标优化问题，即在有限的服务资源下, 组合服务的收益优化问题转化为基于SLA 的以收益最大化为目标的客户动态选择。

综上所述，收益优化的问题即对于网络中任意服务代理A满足下式：

  (3)

要使服务收益最大化就是使服务代理在一段时期内获得的收益最大，其中一段时间在式(3)中用T表示。T越大，表示服务代理在长时间内获得的收益最大，而当前的大多数研究没有考虑较长时期有收益情况。从长远的角度来看，服务代理获得长期的收益才是其根本目标，仅获得当前的收益最大化往往不具有现实意义。收益的计算是提供服务收取的获利与提供服务失败时罚款的差值。式(3)中的限定条件是服务代理的资源有限，因此，服务代理接纳的客户对服务代理的QoS需求的量不能大于服务代理拥有的量。

2  服务选择函数构造方法

2.1  总体概略

服务级别协议(SLA)作为服务双方关于服务内容、质量等方面的约定，是服务计算中保障服务质量和顾客满意度的有效途径^[2]。但是，一般来说，由服务代理提供的SLA仅是作为一种竞争依据，客户一般是根据服务代理提供的协议挑选服务，而很难要求服务代理提供商协商SLA的细节^[3]。因此，在服务组合时，服务代理需要“智能”地选择客户以求达到收益最大化的目标。针对以往研究中仅仅依据客户当前的收益情况来决定是否接纳客户的不足，本文提出以下几点：(1) 判断客户的价值不仅仅依据客户的当前收益报价，而要考虑客户长期表现出来的收益。而长期收益在本文中是依据客户在较长时间内表现出来的收益来确定的。同时，由于不同的客户活路程度不相同，对于价值较大而活跃程度不高的客户，若服务代理接收到其服务请求，则代表这次请求具有更重要的意义，应该接纳其请求。因而，在本文中，给出了依据客户活跃程度的长期价值计算方法。(2) 对于客户即时提交的请求，不能完全相信其请求所能够带来的收益，在本文中依据其信任度对其进行修正，以使其更符合实际。最后，依据长期与当前收益给出公正的收益判断再进行优化选择。

2.2  客户长期价值量的估算

客户能够给服务提供者带来的收益实际上包括2部分：第1部分是客户的服务请求到达后，当次服务请求能够带来的收益；第2部分是客户在未来一段时间内预期能够给服务代理带来的收益。在以往的研究中，往往只考察了第1部分能够给服务代理带来的即时收益，因而可能会拒绝某次重要的有价值的客户带来小额收益的服务请求，从而失去一些重要的客户。而客户请求的即时收益是在服务级别协商中被标明，因此，现在的关键问题是如何计算客户的长期价值。

客户的长期价值是指从服务代理的角度出发计算的客户在未来一段时间内可能带来的收益，作为是否接纳此客户的重要依据。

设服务代理A与客户B在时间ti进行了1次服务交互，此次产生的收益为：

=         (4)

若服务代理A与客户B进行了多次服务交互，则服务代理A对客户B下一次交互的预期收益U_A,B为：

       (5)

式中：为衰减函数，用于对发生在不同时刻的收益进行合理加权，根据实际的社会交互行为习惯，对于新发生的交互行为应该给予更多的权重^[4]。衰减函数定义为:

     (6)

式(5)给出了客户在下一次交互中的预期收益计算。服务代理是否接纳客户的请求在很大程度上取决于客户是否能够为服务代理带来长期的收益，换句话说，若客户不能够为服务带来长期的收益，则仅仅本次收益高而接纳此客户会造成长期价值高的客户流失；反之，若客户的未来长期收益大，则服务代理也不应该仅因为当前的收益小而拒绝提供服务。

客户的长期价值的计算思想是依据客户在时间维度上的表现来刻画的，其思想是：若需要预测未来时间长度为T的潜在价值，则依据客户的历史反映未来的思想，依据从当前时间起反向T时间内交互情况的收益来反映，计算式如下：

       (7)

式中：t表示从当前时刻向后推T的时间内服务代理得到的收益，若向后推的时间小于T，则包括所有的交互行为；本身的意义是客户在未来的时间T内的潜在收益(价值)，它实际上也包括了若不接纳此客户，则在未来的时间T内，服务代理从客户B中损失的收益。

前面给出了客户的潜在价值的计算方法，但还存在1个问题：对于B与C 2个客户，在时间T内的收益相同，即=，但是，若交互的次数不相同，其中客户B的交互次数远大于客户C的交互次数，则同时有客户B与客户C的服务请求到达，由于资源的有限性，只能提供1个客户的服务。此时存在选择哪个客户对服务代理更有利的问题。显然，客户B与服务代理A交互次数非常多，但是，其产生的收益与客户C的相等，这说明客户B每次的收益远小于客户C每次的收益。因而，在这种情况下，应该选择C才能带来更大的收益。而客户B由于交互次数多，也不会因为偶然的1次拒绝而使其流失。但对客户C来说，交互次数较小，每次的收益大，可能因仅有的1次拒绝便会使其流失。这说明：即使按前面论述的方法考虑客户的潜在价值，也要考虑客户的活跃度，若客户越活跃(交互次数越多)，则反映其每次收益小。为此，采取如下方法。

客户活跃度反映了客户在网络中的活跃程度与稳定程度，若客户交互的次数越多，则表示客户会在较小的时间内有多次的服务请求，因而，在总收益相同的情况下应该降低其重要程度，而接纳活跃度小的重要客户，从而能够带来更多的收益。定义活跃因子为：

        (8)

其中：；L为服务代理A与客户B的交互次数；n_total为服务代理A与所有客户的交互次数；Φ(x)的调节常数δ为1个大于0的任意常数，用于控制Φ(x)趋于1的速度，δ越大，则Φ(x)趋于1的速度越快。从式(8)可以看出：客户活跃度φ(A，B)由2个变量L和n_total共同决定，与服务代理交互的其他客户次数越多，φ(A，B)越大。变量L和n_total反映了客户在网络中的活跃程度。

客户的潜在价值(收益)为：

            (9)

2.3  服务代理对客户信任值的度量方法

前面论述了客户的潜在价值，但是，在很多种情况下，单以客户带来的收益来进行客户选择会带来一些问题，其中客户的可信度是一个重要的因素。这里给出对客户可信度的计算方法。设每次服务代理与交互的记录如下：

={，，}     (10)

则服务代理A依据信任判断函数可得到对客户B的信任度，即

=   (11)

式中：f₁函数为抽象化的函数，是服务代理依据服务协商的结果对客户的信任评价值。例如：对于服务价格这个指标，当业务代理A与客户B在达成SLA后，若客户严格按照约定的服务级别使用服务资源，则其可信度较高，f₁函数则给出较高值；反之，若客户滥用服务资源，不遵守服务级别约定，则服务代理给出的可信度就低。f₂是服务代理在考察其他指标上制定的信任转换函数。例如，服务代理A规定若客户B对服务代理A进行攻击或者滥用服务，则直接给出其信任度为最差级。需要指出的是：每个服务代理A制定的转换函数可以不同，但每个服务代理A依据自己的f₁和f₂函数进行信任度的评测，这样，每个服务代理都能够依据自己的信任转化函数建立自己的信任空间，这样，既符合社会网络，也符合实际分布式网络。在这样的网络中，不可能存在一个统一的信任度评价标准，每个实体都是唯一的和个性化的，都依据自己的信任评价函数在互联网络上进行信任演化与交互，以使自己能够获得较大的利益。

因此，在1次评价结果上，对多次相互交互的客户信任评价计算如下：设是服务代理A对客户B的所有交互行为的可信评价，

      (12)

，为衰减函数，与式(6)中的相同。服务代理A得到了对客户B的信任度的评价，但对客户B的评价还不够全面。例如，2个服务代理对同一客户B的信任度的评价值都为3，但是，服务代理A是在与客户B进行了5次交互后得到的评价结果，而服务代理Y只是在与客户B进行了1次交互后得到的评价结果。显然，在现实社会交往中，两者进行交互的次数越多，对得到的评价结果更有可信性，而少量的交互次数更具有随机性。由于服务代理A是进行了多次交互得到的评价结果，具有更高的可信性。设服务代理与客户的交互次数为x，则定义最终的信任度为：

               (13)

其中：T_A,B表示服务代理A对客户B的信任度。

2.4  基于信任度对收益的校正

潜在价值实际上是对未来的一种预值，是一种长期的走势。因此，当1个客户有具体的服务请求到达时，这个客户的请求会提出1个具体的服务级别，其中服务级别包括了收益情况。而当前的收益情况是本次交互行为的重要体现。但服务协商的收益并不一定能够实现，还需要进行适当修正。其原因如下。

如与服务代理A长期交互的某客户B在原来的交互历史中每次的交易量较小，产生的收益是1个较小的值如ζ。但是，也不能排除在当前的交互中客户B申请较高级别的服务，并给出较大的远大于ζ的收益。显然，因为客户B是可信的，因而，有理由相信客户B承诺的收益远大于收益ζ是可能的。

但是，对于另一个客户C，若在前期的交互过程中存在很小的信用度，则由前期计算得到的预期收益也非常低，在这种情况下，若客户在当前的申请中提出很高的收益，显然这难以让人相信，其收益也难以得到实现。因此，仅依据当前的收益接纳这样的客户有可能会不但得不到较好的收益，反而会使其收益最小。

为此，这里采用服务的可信度对当前服务协商定的收益进行修正的结果，其计算方法如下：

                (14)

其中：，表示当前服务级别下的收益。

2.5  收益优化的客户选择方法

对于服务代理A，有众多客户的服务请求到达，服务代理从中选择那些客户以使得系统的收益最大。下面给出收益优化的客户选择方法。

与以往研究不同的是，本文的策略不仅仅以当前客户的服务协商级别下的收益为标准，还综合考虑了如下3个方面的情况：(1) 客户的潜在收益情况；    (2) 客户的当前收益情况；(3) 客户的信任度。然后，综合这3个方面，综合客户当前收益与潜在收益情况，采用线性转化函数，将其转化为1个较高的综合收益。然后，依据综合收益情况来选择综合收益最大的客户，从而给出一种较为适合实际的客户选择方法。详细分析如下。

对于1个到达的客户B，其综合收益计算表达式为：

       (15)

式中：，为依据式(9)计算的客户的长期价值。反映了如何不接纳此客户的请求可能在将来一段时间内损失的收益，而接纳此客户预期在将来的一段时间内带来的收益。由于考虑了客户每次交互的收益，也考虑了较长时间的收益，因而是1个较综合、全面考虑了客户未来收益的结果。，表示客户当前请求能够带来的收益。ε是[0,1]间的1个系数，ε越大，表示服务代理注重于客户的长远收益，因而对前期收益较小的客户计算的综合收益会小；而ε越大，则表示服务代理看重当前的收益，对长远的收益不太看重。

式(15)的计算综合了客户的信任度、潜在收益和当前的收益，因而客户选择算法很容易给出。算法如下：

//多个客户的服务请求到达时，确定选择哪些客户以使得系//统的收益最化。

3  实验结果分析

下面通过模拟实验来验证。实验的硬件环境如下：CPU 为Intel Pentium IV2.56GHz，内存为4G，操作系统为Windows XP；算法实现语言为JAVA。

设置服务代理的QoS资源维数为5，每个QoS的容量为1 000元；服务级别(SLA)共10级，最低的服务价格为200元，每个服务级别级差价格为80元。共产生客户数量为500个，其中：

(1) 20%的客户为恶意的客户。这些恶意的客户分为2种：第1种为纯粹的恶意攻击者，每次都只对服务代理产生攻击，在实验中简称为A(1)类客户；第2种为善于伪装的攻击者，这种攻击者可能在前期的活动中积累一定的信任值后，再进行攻击。如在前进行多次小额度的服务请求，并严格按服务协商的结果执行，以取得服务代理的一定信任。然后，提出较大额的服务请求，但在这次大额请求中仅占用资源，而不付出相应的费用，从而达到欺骗的目的，在实验中简称为A(2)类客户。

(2) 有20%的为小客户，信任度较高，但是，每次交互的收益不大，收益在最低的几级中选择，在实验中简称为B类客户。

(3) 有40%的客户为中等的客户，信任度也较高，每次交互的服务级别为5左右，处于中等的级别，在实验中简称为C类客户。

(4) 20%的客户是大客户，信任度较高，其服务协商级别通常大于8 级，在实验中简称为D类客户。

采用本文提出的策略，让各类客户不断按前述所给的比例向服务代理提交服务请求，服务代理接纳不同类客户的比例如图2所示。从图2可以看出：A类(恶意客户)随着交互行为的进行其被服务代理接纳的比例逐步下降，而可信的客户B，C和D类的比例逐渐上升。这说明本文的策略能够较好地维护可信客户的交互，而将不可信客户排除，有利于服务代理获得较好的收益。而且价值大的客户接纳率越高。

图2  随时间变化接纳不同类型客户的比例

Fig.2  Relationship between accepted ratio of different type clients and time

图3所示为不同策略下服务代理的收益。图3中，以当前收益最大化的策略标记为策略Ⅰ(Policy Ⅰ)，本文的以长期收益最大化的策略标记为策略Ⅱ(Policy Ⅱ)。从图3可以看出：本文的策略随着时间的推移，其收益越来越大，而仅以当前收益最大化为目标的策略由于对潜在的客户接纳率不高，因而流失(在实验设置中，设置了1个与价值成反比的容忍拒绝率，价值越高，则容忍拒绝的次数越少，反之，容忍拒绝的次数越多)，从而造成高价值的客户减少而使收益减少。这说明本文的策略具有较好的作用。

图4所示为本文策略下不同类型的客户信任度随时间的变化情况。从图4可以看出：在开始阶段，A类的不可信客户可信度较低，而且随着交互的进行，其可信度下降很快；而可信的客户随着交互的进行，其可信度一直上升。

图5所示为不同类客户自己宣称的收益与系统评价的收益。从图5可以看出：对于不可信的客户，其宣称的收益远远大于其实际收益，因而系统的评价值远小于它自己宣称的值。而对于可信的客户，其宣称值与系统评价值基本一致，说明本文的策略对不可信客户，具有较好的效果。

图3  不同策略下随时间变化的收益对比

Fig.3  Relationship between gains in different policies and time

图4  本文策略下随时间变化各类客户的信任度变化情况

Fig.4  Relationship between trust of different type clients and time

图5  客户宣称的值与系统平价的值的对比

Fig.5  Comparison of client declared value and system evaluating value

4  结论

(1) 提出了1种基于长期收益的客户选择策略。该策略既考虑了客户的可信度，又合理地依据客户的可信度对客户提出的收益进行修正，并依据客户的历史交互情况判断其潜在的价值，从而做出收益优化的服务选择。

(2) 依据策略的思想提出了相应的服务选择   算法。

(3) 与传统的仅以当前收益最大化的优化方法相比，本文策略在长期收益方面要高30%以上，而且考察的时间越长，策略的效果越明显，说明了本文策略的优越性。

参考文献：

[1] Armbrust M, Fox A. A view of cloud computing[J]. Magazine Communications of the ACM, 2010, 53(4): 50-58.

[2] Zulkernine F, Martin P, Craddock C. A policy-based middleware for Web services SLA negotiation[C]//Proceedings of the IEEE International Conference on Web Services (ICWS/09). Los Angeles, CA, 2009: 1043-1050.

[3] Jameel H, Hung L X,Kalim U. A trust model for ubiquitous systems based on vectors of trust values[C]//Proceedings of the7th IEEE Int’1Sympon Multimedia.Washington:IEEE Computer Society Press, 2005: 674-679.

[4] 王显志, 徐晓飞, 王忠杰. 面向组合服务收益优化的动态服务选择方法[J]. 计算机学报, 2010, 33(11): 2104-2115.
WANG Xian-zhi, XU Xiao-fei, WANG Zhong-jie. A profit optimization oriented service selection method for dynamic service composition[J]. Chinese Journal of Computers, 2010, 33(11): 2104-2115.

[5] 李研, 周明辉, 李瑞超, 等. 一种考虑QoS 数据可信性的服务选择方法[J]. 软件学报, 2008, 19(10): 2620-2627.
LI Yan, ZHOU Ming-hui, LI Rui-chao, et al. Service selection approach considering the trustworthiness of QoS data[J]. Journal of Software, 2008, 19(10): 2620-2627.

[6] 刘书雷, 刘云翔, 张帆, 等.一种服务聚合中QoS 全局最优服务动态选择算法[J]. 软件学报, 2007, 18(3): 646-656.
LIU Shu-lei, LIU Yun-xiang, ZHANG Fan, et al. A dynamic Web services selection algorithm with QoS global optimal in Web services composition[J].Journal of Software, 2007, 18(3): 646-656.

[7] Wang X, Huang S, Zhou A. QoS-aware composite services retrieval[J]. Journal of Computer Science and Technology, 2006, 21(4): 547-558.

[8] 代钰, 杨雷, 张斌, 等.支持组合服务选取的QoS 模型及优化求解[J]. 计算机学报, 2006, 29(7): 1167-1178.
DAI Yu, YANG Lei, ZHANG Bin. QoS for composite Web services and optimization[J]. Chinese Journal of Computers, 2006, 29(7): 1167-1178.

[9] 岳昆, 刘惟一, 王晓玲, 等. 一种基于不确定性因素叠加的Web 服务质量度量方法[J]. 计算机研究与发展, 2009, 46(5): 841-849.
YUE Kun, LIU Wei-yi, WANG Xiao-ling, et al. An approach for measuring quality of Web services based on the superposition of uncertain factors[J]. Journal of Computer Research and Development, 2009, 46(5): 841-849.

[10] 蒋哲远, 韩江洪, 王钊. 动态的QoS感知Web服务选择和组合优化模型[J]. 计算机学报, 2009, 32(5): 1014-1025.
JIANG Zhe-yuan, HAN Jiang-hong, WANG Zhao. An optimization model for dynamic QoS-aware web services selection and composition[J]. Chinese Journal of Computers, 2009, 32(5): 1014-1025.

[11] Benatallah B, Dumas M, Sheng Q Z, et al. Declarative composition and peer-to-peer provisioning of dynamic Web services[C]//Proc of the 18th Intel Conf on Data Engineering. San Jose: IEEE Computer Society, 2002: 297-308.

[12] Casati F, Ilnicki S, Jin L J. eFlow: A platform for developing and managing composition e-services[R]. Palo Alto: HP Laboratories, 2000: 1-20.

[13] Liu Y T, Anne H H, Zeng L Z. QoS computation and policing in dynamic Web service selection[C]//Proc of the WWW 2004. New York: ACM, 2004: 66-73.

[14] Zeng L Z, Benatallah B, Dumas M. Quality driven Web service composition[C]//Proc of the WWW 2003. Budapest: ACM, 2003: 411-421.

[15] 赵俊峰, 谢兵, 张路, 等. 一种支持领域特性的Web 服务组装方法[J]. 计算机学报, 2005, 28(4): 731-738.
ZHAO Jun-feng, XIE Bing, ZHANG Lu et al. A Web services composition method supporting domain feature[J]. Chinese Journal of Computers, 2005, 28(4): 731-738.

(编辑 陈灿华)

收稿日期：2011-08-15；修回日期：2011-10-24

基金项目：国家高技术研究发展计划(“863计划”)项目(2009AA010314)；湖南教育厅科研项目(11C0127, 10C0447)

通信作者：刘蓉(1979-)，女，湖南祁东人，讲师，从事服务计算、项目管理研究；电话：13574139846；E-mail：hnliurong@163.com