网络服务智能化的关键技术研究

论文摘要

网络服务智能化对于提高网络服务的业务能力、提升用户体验具有重要作用。从机器对服务的理解角度来增进网络服务智能化的研究还不成熟。现有研究采用本体等理论表示网络服务的语义,从而达到机器理解的目的。但是语义化网络服务发现、服务模型构建、服务之间的语义互操作等关键问题还没有得到很好解决。同时,网络服务的智能化不仅包括网络服务本身,还包括网络服务所涉及的数据。网络服务数据中的知识为网络服务的自动执行或决策提供依据,是智能化研究的关键问题。因此,论文重点探讨语义化网络服务的发现问题、语义互操作中的本体异构问题、语义化网络服务模型构建和模型转换方法,以及网络服务数据的知识发现问题。为了满足网络服务开放性的要求,语义化网络服务采用面向服务架构（SOA）模式。服务发现是SOA的核心环节,是服务执行的前提。因此,研究语义化网络服务的发现问题非常重要。一般来说,提高服务发现的准确性,需要增加服务匹配的要素,但是会增加运行时间,降低服务发现效率。为了兼顾服务发现的准确性和效率,本文提出一种基于迭代的启发式语义化网络服务发现方法。该方法首先将匹配空间按照重要性划分为三个子空间。本文考虑到前一个子空间的匹配程度会影响下一个子空间的匹配程度,因而提出基于迭代的启发函数。为了提高服务发现效率,本文在子空间之间加入启发函数。同时,为了提高服务发现的准确率,本文还提出加权的本体相似度算法。最后通过实验表明,该算法不仅可以提高语义化网络服务发现效率,服务发现的准确性也优于现有的服务发现方法。服务的语义互操作过程中,如果本体由不同组织构建,就可能出现本体异构问题,这将制约语义互操作的进行。为此,本文提出基于Bayesian学习的本体映射方法来解决本体异构问题。该方法将发现本体元素对等映射关系的问题转化为查找相似元素的问题。在查找过程中不仅考虑到本体元素本身,还考虑到元素的上下文（扩展集）。另外,算法采用String Kernel计算两个本体元素名称的相似度,以提高比较的准确性。该方法还考虑到如果源本体元素和目的本体元素的两个扩展集足够近似,则进行元素置换,目的是降低因元素字符序列的不同而导致的对语义的误判。与现有方法相比,该算法提高了本体映射的准确率。语义化网络服务的构建需要开发人员熟悉本体等理论知识,对开发人员来说难度较大。模型驱动（MDA）方法可以使开发人员利用熟悉的UML规范构建语义化网络服务。但是利用MDA构建语义化网络服务面临两个问题：UML模型如何表示网络服务本体；以及UML表示的网络服务模型如何转换为OWL/OWL-S表示的网络服务。为此,本文采用本体定义元模型（ODM）解决UML模型表示服务本体的问题,然后针对网络服务的动态特征扩展ODM,并提出从结构视点和过程视点两个角度构建语义化网络服务模型的方法。更重要的是,本文提出模型自动转换方法。该方法首先将UML模型转换为请求信息Profile本体,然后根据Profile本体并利用服务发现方法得到以OWL/OWL-S表示的语义化网络服务。该方法不需要人工制定转换规则,提高了模型转换的智能化程度。网络服务数据的知识发现是网络服务智能化的重要内容。针对网络服务数据具有多样性和时间敏感性的特点,本文提出了包括时间信息在内的多元数据知识发现方法。本文首先将多元数据看作高斯随机场中的随机变量,多元数据的相关性就转化为高斯随机场的结构学习问题。本文通过求解高斯随机场的精度矩阵（Precision Matrix）来估计高斯随机场的结构,从而获得多元数据之间的关系。该方法不仅可以获得不同类型数据之间的关系,而且还可以获得不同类型数据在不同时间时刻的关系。通过实验表明,该方法是可行的,可以有效地发现多元数据之间的相关性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 相关研究工作
• 1.3 研究内容和创新点
• 1.4 论文组织结构
• 1.5 课题资助
• 第二章 语义化网络服务概述
• 2.1 本体的概念
• 2.1.1 本体的定义
• 2.1.2 本体描述语言
• 2.2 Web服务简介
• 2.3 语义Web服务和OWL-S语言
• 2.3.1 语义Web服务的概念
• 2.3.2 语义Web服务描述语言OWL-S
• 2.4 语义化网络服务的定义
• 2.5 模型驱动架构及本体定义元模型
• 2.5.1 模型驱动架构
• 2.5.2 本体定义元模型
• 2.6 本章小结
• 第三章 基于迭代的启发式语义化网络服务发现方法
• 3.1 研究背景
• 3.2 相关定义和概念
• 3.3 加权的本体相似度算法
• 3.4 语义Web服务发现算法
• 3.4.1 服务类型空间匹配
• 3.4.2 功能属性空间匹配
• 3.4.3 非功能属性空间匹配
• 3.5 实验系统及算法性能评价
• 3.5.1 实验系统介绍
• 3.5.2 实验参数
• 3.5.3 实验方法
• 3.5.4 算法性能评价
• 3.6 本章小结
• 第四章 基于Bayesian学习的本体映射方法
• 4.1 研究背景
• 4.2 本体映射算法
• 4.2.1 问题的提出
• 4.2.2 基于String Kernel的本体元素相似度的衡量
• 4.2.3 映射算法
• 4.3 实验与原型系统
• 4.3.1 实验数据介绍
• 4.3.2 原型系统
• 4.3.3 实验过程
• 4.3.4 实验结果分析
• 4.4 本章小结
• 第五章 语义化网络服务模型构建以及模型转换方法
• 5.1 研究背景
• 5.2 语义化网络服务模型的构建方法
• 5.2.1 本体定义元模型ODM
• 5.2.2 本体元模型的扩展
• 5.2.3 模型构建方法
• 5.3 模型自动转换方法
• 5.3.1 网络服务模型到Profile本体的转换（第一阶段）
• 5.3.2 服务发现过程（第二阶段）
• 5.4 UML本体模型到OWL本体的转换方法
• 5.4.1 技术背景
• 5.4.2 问题定义
• 5.4.3 基于Bayesian学习的转换算法
• 5.4.4 UML本体模型到OWL本体的转换过程说明
• 5.4.5 实验与分析
• 5.5 原型系统介绍及实例描述
• 5.5.1 原型系统介绍
• 5.5.2 实例描述
• 5.5.3 对本文方法的分析
• 5.6 本章小结
• 第六章 基于高斯随机场的多元网络服务数据知识发现方法
• 6.1 研究背景
• 6.2 多元数据中的知识发现算法
• 6.2.1 问题定义
• 6.2.2 算法描述
• 6.3 实验验证与分析
• 6.3.1 数据集介绍
• 6.3.2 实验与分析
• 6.4 本章小结
• 第七章 总结以及进一步的研究展望
• 7.1 本论文研究总结
• 7.2 进一步的研究工作及研究问题思考
• 参考文献
• 致谢
• 攻读博士学位期间发表的学术论文以及发明专利