支持跨组织工作流应用的可靠服务计算模型及其优化算法

发布时间：2018-11-24 13:10

【摘要】：随着云计算、服务计算以及社会计算等新技术不断应用于企业信息领域,越来越多的业务过程跨越了企业组织边界,构成了不同组织间松散耦合的服务工作流。跨组织工作流的广泛应用将传统的封闭、静态、可控的企业计算环境迁移到以开放、动态、不确定为特征的面向大规模服务计算的分布式系统。然而,支持跨组织工作流应用的可靠服务评估模型正面临着协同作弊和虚假评价等各种恶意攻击,严重影响了企业之间的协同工作效率。而且,传统的服务评估模型只适用于小规模企业信息系统,难以满足大数据环境下跨组织工作流可靠性评估和实时计算的要求。因此,本文从跨组织工作流的可靠性、服务性能、服务组织关系以及服务可信性等多个角度出发,采用基于超平面划分的Skyline计算、多子群协同优化、小批量学习预测与综合分析、社会协同计算以及在线聚类推荐等理论和方法,建立支持跨组织工作流应用的可靠服务计算模型,并提出面向大规模服务计算的工作流自动优化算法,解决跨组织复杂业务过程的动态优化与异构系统集成等可靠服务计算问题。论文的主要工作和创新性贡献归纳如下:1)提出一种面向大规模服务计算的跨组织工作流调度优化算法,针对大规模服务的选择和组合优化问题,设计一种跨组织工作流调度优化的算法集成框架,通过集成Skyline过滤技术、逆向分层调度、以及权值迭代优化等模型方法,解决了已有工作流调度优化模型存在的效率问题。首先,通过引入超平面投影划分模型,过滤冗余候选服务,建立Skyline服务数据集,提高了服务选择的效率,并运用理论证明分析了Skyline模型算法的可行性,发现了Skyline服务数据数量远小于所有候选服务数量的重要原因;然后,采用逆向分层的优化算法,确定初始工作流调度方案;最后,在初始方案的基础上,围绕工作流截止期,提出权值迭代优化计算方法,通过逐步优化工作流调度模型,从而获得最优方案。仿真实验结果表明,提出的跨组织工作流调度优化算法具有良好的效率与正确性,为解决大规模服务的选择和组合优化问题,提供了一种新的实用解决方案,具有重要的应用价值。2)提出一种求解工作流可靠性计算问题的多子群协同进化算法,为解决传统优化约束模型的惩罚系数难以设置问题,将跨组织工作流可靠性计算问题转化为双目标优化问题,把工作流约束条件作为其中一个优化目标,而工作流可靠性优化作为另外一个目标;在可靠性计算模型和混合离散粒子群算法的基础上,设计出相应的粒子编码和带扰动的位置更新算子;综合考虑双目标优化问题的特点,定义了一种新颖实用的均匀多样性适应度函数,将进化群体分解为若干子群,让各进化子群在不同方向上协同搜索目标解;最后根据适应度进行排序,构造出基于非支配集合的全局最优解。仿真实验结果表明,提出的跨组织工作流可靠性优化算法具有良好的效率,求得的最优解集全部满足约束条件,且分布和质量均优于基于非支配档案的混合离散粒子群算法。3)在动态不确定的大规模服务计算环境下,单一服务性能评估值难以全面解释跨组织工作流的服务性能状态问题。因此,采用了综合的服务性能预测与分析方法,从不同阶段和不同角度分析服务的性能状态,通过计算服务过去某段时间的历史性能、当前性能、将来性能以及趋势等多个性能值,合理地评价跨组织工作流的服务性能。而且,针对大规模服务性能预测算法的时间效率问题,在综合权衡了批量学习法和随机梯度下降法的基础上,提出一种基于小批量学习的服务性能预测方法,改善了服务性能预测与分析方法的时效性;并且,理论分析了基于在线学习的服务性能预测算法的收敛性。仿真实验结果表明,所提算法有效地提升了工作流服务预测算法的时间效率,解决了大规模服务预测算法的时效性问题。4)针对跨组织协同计算带来的不可靠性和社会网络所固有的大规模性问题,引入社会计算的理论与方法,提出支持跨组织工作流应用的社会协同计算模型及其优化算法,首先,采用基于工作流任务子网的分层优化模型,有效地划分复杂社会网络图,从而简化社会网络成员的关系评估问题;然后,根据划分后网络的拓扑特征,改进了快速介数中性算法,创新性地设计了一种基于工作流任务子网连接点的快速介数中心性计算方法,以高效地选取跨组织业务项目的领导者;最后,采用基于任务子网划分的最短路径近似算法,实现了快速查找跨组织业务过程的协作成员;并且,理论证明了社会协同计算模型及其优化算法的可行性。仿真实验结果表明,所提算法大幅降低了社会协同计算的复杂性,保证了较高的准确性,解决了工作流任务成员之间的关系评价和人工服务组合优化的时效性问题,为社会工作流的任务分派提供了一种新的思路,具备很高的实际应用价值。5)针对大规模服务计算环境中聚集反馈、协同作弊和虚假评价等问题,通过融合在线聚类推荐、共谋欺骗检测、个体恶意识别等技术,提出了一种支持跨组织工作流集成应用的可信服务推荐方法,首先,根据跨组织工作流日志中企业服务用户反馈评分信息,综合考虑大规模服务计算的大数据特性问题,提出基于改进更新规则的在线k-均值聚类算法,通过自动修正权重的聚类分组方差计算,并进行递减增量优化,提高了在线k-均值算法的聚类质量;然后,建立一套复合检测机制识别出不同性质的虚假行为,充分考虑团体的同谋行为特征和协同攻击现象,利用聚类的性质和同谋团体异常性的特征,检测出协同作弊团体;并对已通过评估认定的聚类分组,进一步检测分组中个体不诚实行为,引入偏离率和声望值,通过迭代计算,综合分析反馈评价的真实性和可信度;最后,采用协同过滤技术度量用户行为的偏好相似性,实现了快速的可信服务推荐。仿真实验结果表明,本文提出的支持跨组织工作流应用的可信服务推荐算法具有良好时间性能,有效地解决了大规模服务推荐中虚假反馈的问题。
[Abstract]:......
【学位授予单位】：南京航空航天大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：TP393.09

【相似文献】