基于智能信息处理的Web服务可信性预测与评估技术研究

Web services have become the primary source for constructing software system over Internet. However, some features of Web service's trustworthiness, such as incomplete, dynamic and changeable, bring great challenge to service selection and invocation. In order to deal with the nonstationary time series of Web service's trustworthiness, this project attempts to adopt wavelet decomposition technique to convert the original series into several layers. Subsequently, the prediction about trustworthiness on each layer can be employed by BP neural network or logistic regression analysis. The final prediction value for the trustworthiness at the next time can be achieved through integrating the results in each layer. For predicting the empty records in user-service trustworthiness matrix, similar users or services are firstly filtered out according to location information or relationship network, and then the missed values can be recommended by means of a swarm intelligence search-based method, which is significantly different from the traditional collaborative filtering approach. Due to the lack and uncertain information for trustworthiness evaluation, grey system theory is suggested for data processing so as to provide a comprehensive evaluation for Web services. According to the probability distribution of trustworthiness indicators and their dependences, Markov Chain Monte Carlo (MCMC) method is used to randomly sample and simulate the trustworthiness vectors for each single Web service. Then, the trustworthiness of whole Web service system can be yield by means of aggregate functions or Petri-Net simulation. In a word, researches in this project will enrich the ways to predict and evaluate the trustworthiness of Web services, and also will provide some references for the practice on Web services selection and utilization.

Web服务在可信性指标上的不完整、动态多变性给用户的服务选择与利用带来重要挑战。本项目针对服务可信性时间序列常出现的非平稳特征，拟运用小波分解技术对原始序列进行分层处理，再集成各层的预测结果给出服务在后续时间的可信性预测值。在Web服务可信性空缺记录预测方面，运用位置或关系网络感知的方法筛选出相似用户或服务，再试图在传统的协同过滤方法之外建立一种基于群体智能搜索的预测新途径。针对所获取的Web服务评价信息量少、不确定性强等问题，拟采用灰色系统理论来实施数据处理，在此基础上给出Web服务可信性的综合评价。依据观测得到的可信性指标分布与依赖关系，运用马尔可夫链蒙特卡罗方法进行随机抽样模拟出服务的可信性指标值，再通过聚合函数计算或Petri网模拟来评估整个Web服务系统的可信性。总之，通过上述基于智能处理与优化方法的研究将有利于进一步丰富服务可信性预测与评估的手段，并为实际应用提供有益借鉴。

随着移动网络应用程序的广泛普及，Web服务已经成为构建软件系统的重要单元模块。在对服务请求用户开展服务推荐的过程中，可信性是用户重点关注的一个目标。另一方面，可信性信息往往不够充分完整且来自多个数据源，因此十分有必要在实际应用场景中对Web服务的可信性开展有效预测与综合评估。.本项目围绕Web服务可信性预测和评估这两个方面开展研究工作，取得的研究成果主要有：(1)针对Web服务可信性排序问题和空缺值预测问题，将它们分别建模转化为两种不同形式的序列优化问题，并运用群体智能搜索技术进行求解，从而设计出对应的智能搜索驱动的预测算法。(2)在对Web服务开展可信性等级评估时，将神经网络作为基本的分类器，通过对网络中神经元连接权重的智能优化设置、优化多学习器的选择性集成等途经，设计出两种Web服务可信性等级评估算法。(3)针对多属性条件下的服务可信性等级综合决策问题，在分析各属性优先关系的基础上，提出了一种基于随机游走的服务可信性综合排序方法。(4)Web服务通常是封装良好、接口规范的黑盒模块，从服务用户的角度保证其质量与可信性时，适应性随机测试(adaptive random testing, ART)方法是一个不错的选择。项目就ART方法应用于服务可信性测试的问题开展了探索，以提升ART效率、实现轻量级测试用例生成为目标，设计出了有效的Web服务ART测试算法。.总之，本项目就服务可信性预测与评估问题开展研究，采用智能信息处理技术来设计相关的服务可信性缺失值(或排序)预测算法、面向服务可信性的综合评估算法等。所形成的研究结果将有助于服务请求用户从服务注册中心选择出恰当的Web服务，从而构建出高可信的服务软件系统。