CN110119399B - 基于机器学习的业务流程优化方法 - Google Patents
基于机器学习的业务流程优化方法 Download PDFInfo
- Publication number
- CN110119399B CN110119399B CN201910425690.8A CN201910425690A CN110119399B CN 110119399 B CN110119399 B CN 110119399B CN 201910425690 A CN201910425690 A CN 201910425690A CN 110119399 B CN110119399 B CN 110119399B
- Authority
- CN
- China
- Prior art keywords
- service
- web service
- manufacturing
- manufacturing process
- web
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于机器学习的业务流程优化方法,该方法包括:预先存储制造业务Web服务描述和实例,响应于用户Web服务请求,基于所述Web服务描述生成抽象Web服务,在所述Web服务实例中查找具体Web服务实例,将所述抽象Web服务替换为所述具体Web服务实例,形成工作流组合方案。本发明提出了一种基于机器学习的业务流程优化方法,易于确定全局最优解,节省了计算量,同时有助于提供更丰富的工作流服务组合方案,并能够从有限知识数据中训练得到制造过程模型,从而对新的数据进行预测和估计,得到更优的工作流服务结果,具有良好的泛化能力,更能适应动态多变的Web服务组合环境。
Description
技术领域
本发明涉及工作流,特别涉及一种基于机器学习的业务流程优化方法。
背景技术
Web服务组合将多个服务按照一定的规则,发现并组装成一个增值的整体服务,是工业界构建网络化制造环境中的业务流程,实现制造资源按需分配的有效途径。通过对企业应用***进行Web服务封装,建立面向服务的框架体系,将企业之间的应用***以Web服务的方式集成起来,实现跨企业的服务组合与协作,并通过跨企业工作流***实现业务流程的自动化。但是,组成复合服务的服务实例在复合服务的执行过程中可能动态变化,这使得服务实例很难在设计阶段或编译阶段确定下来,并且其QoS属性也可能随时变化。基于此,现有技术提出了基于MDP的工作流服务组合方法。但这些传统方法缺乏泛化能力,学习的结果也不够准确,受噪声影响较大。并且需要阈值状态转移概率和回报值函数的环境模型。而这在实际环境中通常是不可实现的。
发明内容
为解决上述现有技术所存在的问题,本发明提出了一种基于机器学习的业务流程优化方法,包括:
预先存储制造业务Web服务描述和实例,
响应于用户Web服务请求,基于所述Web服务描述生成抽象Web服务,
在所述Web服务实例中查找具体Web服务实例,将所述抽象Web服务替换为所述具体Web服务实例,形成工作流组合方案。
优选地,所述在Web服务实例中查找具体Web服务实例,进一步包括:
将用户请求描述分别与业务流程描述库中每一个业务流程描述的输入输出参数集合按照I/O概念的语义相似度进行匹配;若匹配成功,则对得到的业务流程描述中的每个业务模板根据QoS和用户偏好约束进行服务绑定,得到可执行的工作流组合服务的结果;否则,服务Agent在本地进行业务流程描述的动态构建。
优选地,所述在Web服务实例中查找具体Web服务实例,具体为:
查找与制造服务请求的制造流程状态参数集合适配,并且与制造服务请求的制造流程执行结果参数集合适配的待选Web服务。
优选地,进一步包括:对于服务的制造流程状态参数和制造流程执行结果参数分别建立索引,分别使用制造流程状态参数索引和制造流程执行结果参数索引进行适配查找,在经过适配之后,产生两个待选Web服务的集合:即经过制造流程状态参数适配之后找到的满足制造流程状态参数要求的集合,以及经过制造流程执行结果参数适配之后找到的满足制造流程执行结果参数要求的集合;
求得两个参数交集,得到同时满足制造流程状态参数和制造流程执行结果参数要求的待选Web服务。
本发明相比现有技术,具有以下优点:
本发明提出了一种基于机器学习的业务流程优化方法,易于确定全局最优解,节省了计算量,同时有助于提供更丰富的工作流服务组合方案,并能够从有限知识数据中训练得到制造过程模型,从而对新的数据进行预测和估计,得到更优的工作流服务结果,具有良好的泛化能力,更能适应动态多变的Web服务组合环境。
附图说明
图1是根据本发明实施例的基于机器学习的业务流程优化方法的流程图。
具体实施方式
下文与图示本发明原理的附图一起提供对本发明一个或者多个实施例的详细描述。结合这样的实施例描述本发明,但是本发明不限于任何实施例。本发明的范围仅由权利要求书限定,并且本发明涵盖诸多替代、修改和等同物。在下文描述中阐述诸多具体细节以便提供对本发明的透彻理解。出于示例的目的而提供这些细节,并且无这些具体细节中的一些或者所有细节也可以根据权利要求书实现本发明。
本发明的一方面提供了一种基于机器学习的业务流程优化方法。图1是根据本发明实施例的基于机器学习的业务流程优化方法流程图。
本发明的工作流优化***包括服务请求接收单元、服务组合产生单元、执行单元、适配单元、服务存储单元五个部件:服务存储单元存储具体的制造业务Web服务描述和实例;服务请求接收单元接受用户Web服务请求,将用户服务请求转换为机器能够识别的语义级制造流程描述,然后提交给服务组合产生单元;服务组合产生单元结合服务存储单元中的Web服务描述,基于人工智能(或机器学习/神经网)算法生成抽象的工作流组合方案,并且提交给执行单元;服务适配单元在服务存储单元中查找适合的Web服务实例索引返回给执行单元,执行单元利用服务适配单元中获得Web服务实例替换抽象Web服务并执行工作流。
当接收到用户Web服务请求req时,在服务存储单元中查找是否有待选Web服务s能满足其输入输出要求,如果找到,用户可使用已有服务完成自己的功能。只有当制造服务请求与待选Web服务的制造流程状态参数集合和制造流程执行结果参数集合均适配,才能认为服务请求和待选Web服务是适配的。对于服务请求req和组合服务(s1,s2,s3,…sn)适配需要满足两个约束条件:
其中,rin表示服务请求req的制造流程状态参数集合,rout表示服务请求req的制造流程执行结果参数集合,si in表示待选Web服务si的制造流程状态参数集合,si out表示si的制造流程执行结果参数集合。
在另一可选的实施例中,用户的Web服务请求由服务Agent来处理,服务Agent接收用户的服务请求描述,在业务流程描述库中查找能够满足服务请求的制造流程描述。该查找过程是将用户请求描述分别与业务流程描述库中每一个业务流程描述的输入输出参数集合按照I/O概念的语义相似度进行匹配。若匹配成功,则对得到的业务流程描述中的每个业务模板根据QoS和用户偏好等约束进行服务绑定,得到可执行的工作流组合服务结果;否则,服务Agent在本地进行业务流程描述的动态构建。若能够产生实现所需具体业务目标的业务流程描述,将该业务流程描述注册到业务流程描述库中,重新执行上述语义相似度匹配。若未产生实现所需具体业务目标的业务流程描述,则服务Agent通过与全局工作流Agent的协作进行全局业务流程描述动态构建;若成功构建出实现所需具体业务目标的业务流程描述,则将该业务流程描述注册到业务流程描述库中,然后重新执行上述语义相似度匹配的步骤,否则将组合失败的结果返回给用户。
由于服务存储单元中通常存在大量制造服务,从中找到合适的服务需要花费较长时间。本发明采用对服务参数建立索引的方式加快搜索过程。索引结构通过哈希表实现。对于服务的制造流程状态参数和制造流程执行结果参数分别建立索引,分别使用制造流程状态参数索引和制造流程执行结果参数索引进行适配查找,在经过适配之后,产生两个待选Web服务的集合。一个是经过制造流程状态参数适配之后找到的满足制造流程状态参数要求的集合,另一个是经过制造流程执行结果参数适配之后找到的满足制造流程执行结果参数要求的集合。最后求得两个参数交集,可以得到同时满足制造流程状态参数和制造流程执行结果参数要求的待选Web服务。
其中,对制造流程状态参数、制造流程执行结果参数分别建立索引,还包括,用s1,s2...表示服务存储单元中的待选Web服务。i1,i2,i3...in表示制造流程状态参数,o1,o2,o3...on表示制造流程执行结果参数。对于服务请求req,制造流程状态参数集合为rin={r1 in,r2 in,r3 in,…},制造流程执行结果参数集合为rout={r1 out,r2 out,r3 out,…}。在建立索引之前需要对参数集合的子集进行划分,得到多个索引的键值。
其中ri p_in表示制造流程状态参数的第i个划分子集,ri p_out表示制造流程执行结果参数的第i个划分子集,N=2n-1,n为制造流程状态参数的数量。在服务搜索过程中,采用树的遍历算法,每次向下一层建立节点时,都在组合服务集中添加一个新的服务,并从服务存储单元中删除一个制造服务,直到最后整棵树的输出能够满足rout。之后选出哪些单个制造服务能输出rout,哪些制造服务能够产生这些服务的制造流程状态,一直向上回滚。最后找到的服务就是整个业务流程必需的服务。
步骤1:初始化一个制造流程执行结果集合Q和制造流程Web服务集合S,并将S放入Q尾部。从Q的队头选取一个组合服务s,将s中的服务的制造流程状态参数和制造流程执行结果参数以及状态参数集合rin放入集合R;
步骤2:取R的子集R1,R2,R3...Rn。其中R1为R的全集,Rn参数为1个,Ri中参数随i值增大而减少(1≤i≤n);依次选取Ri,通过索引从制造流程Web服务集合中找到制造流程状态参数与Ri集合相同的待选Web服务,组成集合Rsad;
步骤3:依次取Rsad中的制造服务sad,用sad的制造流程状态参数与Ri的参数进行语义匹配;如果sad匹配成功且sad产生了不同于R的参数则进入步骤4;
步骤4:将sad和S的所有元素保存进一个新组合服务集Snew并删除sad;如果Snew中服务制造流程执行结果参数和rin组成的参数集Rnew等于或者包含rout,则进入步骤5,否则将Snew放入Q的队尾,进入步骤3;
步骤5:初始化一个空的参数集合Rpara,标记Snew中服务制造流程执行结果参数和与rout有交集的制造服务并将这些服务制造流程状态参数放入Rpara;
步骤6:标记Snew中制造流程执行结果参数与Rpara有交集的服务,清空Rpara并将新标记的服务制造流程状态参数放入Rpara;重复标记步骤直到Snew中制造流程执行结果参数与Rpara没有交集,输出Snew中被标记的服务;
步骤7:重复步骤2-6,直到集合Rsad、R和Q中元素均为空。
上述方法通过选取服务请求的状态参数集合的子集,找到能够使用划分后参数并且产生了不同于R参数的服务,从而扩大组合服务工作流执行结果参数的类型,直到能够满足rout的需求,采用自下而上回滚的方法排除掉多余服务。
为了更好地理解上述方法,通过以下例子加以说明。假设服务请求的制造流程状态参数集合rin={a,b,c},制造流程执行结果参数rout={x,y,z}。通过算法进行适配时,首先需要对参数集合进行划分。参数集合R中的元素为rin。对R进行划分,R的子集包括{a,b,c}、{a,b}、{b,c}、{a,c}、{a}、{b}、{c}。查询索引表时,依据参数集中的元素个数从多到少选择子集进行查询。因此,最开始使用{a,b,c}进行查询。如果通过索引表没有查到待选Web服务,则选择下一个子集进行查询,如{a,b}。如果找到了一个服务并且该服务产生了新参数,则将该服务加入到服务集中。例如,通过{a,b}查到待选Web服务S1。S1的制造流程执行结果参数集合S1 out={d,e},其元素并不在参数集合R={a,b,c}中,此时将S1加入到结果集中,同时R={a,b,c,d,e}。由于参数集合R并没有包含服务请求制造流程执行结果参数集合rout全部参数,则需要继续进行查询并对R重新进行划分。此时R={a,b,c,d,e}。R划分的的子集为{a,b,c,d,e}、{a,b,c,d}、{a,b,c,e}....,当R包含了rin中的全部元素时,正向搜索结束,此时,结果集为{S1,S2,S3,S4,S5}。这些服务中某些服务可能成为多余服务,对于多余服务需要进行自底向上的回滚去掉。在对结果集进行回滚时,首先标记包含服务请求制造流程执行结果参数集合中元素的待选Web服务。但是待选Web服务制造流程状态参数并非全部来自服务请求制造流程状态参数,有些还需要其它服务制造流程执行结果参数集合作为制造流程状态参数。因此继续回滚,标注能产生S2、S4、S5制造流程状态参数的待选Web服务S1。此时,S1、S2、S4、S5的制造流程状态参数全部来自服务请求的状态参数集合,并且能够产生服务请求的全部制造流程执行结果参数。而没有标记的待选Web服务S3则会被作为多余的待选Web服务被删除。
在完成服务请求与待选Web服务的适配之后,优选地,所述服务组合产生单元进一步针对待选Web服务的子集,以QoS属性最佳化为目标,将制造服务进行目标优化组合。如果工作流中有I个制造子业务,每个子业务对应J个待选服务,使用以下目标函数来表达:
式中:T,P,A分别表示Web服务的时间、代价和性能。kij是决策变量,取值0或1,kij为1时表示第i个子业务的第j个待选制造服务sij被选择,kij为0时表示第i个子业务的第j个待选制造服务sij不被选择。
Web服务组合的QoS属性由制造业务流程中子业务的组合结构以及选择的制造服务的QoS指标决定。业务流程中,子业务的逻辑关系决定Web服务的组合结构,逻辑关系包括顺序、并行和选择。当从第c个子业务起d个子业务是顺序或并行结构,每个子业务分别绑定一个具体服务,用以下公式表示顺序与并行结构的工作流约束;
当从第e个子业务起f个子业务是选择结构,只有唯一一个业务被允许绑定具体服务,用以下公式表示。
c+d≤I;e+f≤I:
在实际制造业务中,业务需求通常对工作流全局服务有特定需求,即关于组合服务的全局约束,也可能对某个具体业务有特定需求,即关于单个服务的局部约束,因此同时存在局部约束与全局约束:
式中:cons(Ti)、cons(Pi)、cons(Ai)分别表示对服务请求reqi的局部时间约束、代价约束以及性能约束,cons(T)、cons(P)、cons(A)分别表示对业务流程的全局时间约束、代价约束以及性能约束。将全局约束与局部约束同时作为优化问题的约束条件,可以有效避免组合服务重计划问题,提高算法的收敛性。
制造业服务提供方所提供的多个Web服务之间存在关联关系,因此需要建立矩阵riji’j’来表示不同服务sij与si’j’之间的关联关系,即具有关联关系的两个制造服务需要同时被选择:
上述Web服务组合的优化是各待选服务集中制造服务实例的选择,由每个待选服务集选出的一个服务实例组成的一组向量即为一组解;本发明基于增量式学习算法,使用针对Web服务组合优化模型的概率分布来选择服务实例,步骤如下:
步骤1:从各个待选服务集的服务实例中按均匀分布分别随机选取1个实例,重复选取N次,得到N个初始实体,将N个初始实体构成初始群集,记迭代系数g为1。
步骤2:将所选服务实例向量,代入适应度评价函数:
maxF(s)=ω1·min T+ω2·min P+ω3·max A
计算第g轮群集中各点的适应度。
步骤3:在第g轮群集中选取适应度最高的h个服务实例向量组成优化群集,其中h≤N。
步骤4:估计优化群集的离散概率分布函数。即每个服务实例的概率仅由其所在待选服务集中服务实例的个数决定。以步骤3中选出的优化群集为样本,对具体的概率分布P进行估计:
假设每一待选服务集中所有服务实例响应时间最大的分别为maxQoSrt i,i=1,2,…,n,则估计每个待选服务集中各个服务实例的自变量的值为:
Augments=(ω1·min T+ω2·min P+ω3·max A)/maxQoSrt i。
对序号为0的服务实例,其概率P0=0,经平滑后的待选服务集i(i=1,2,…,n),各实例的概率为:
按照以下规则对概率分布函数进行更新:
P″(s|i)=λP’(s|i)+(1-λ)Ps,其中λ表示学习比率。
步骤5:根据估计的概率分布进行采样,产生新实体。即在各待选服务集的服务实例组成的矩阵内,按概率分布P’采用轮盘赌算法产生h个服务实例,作为下一轮中的部分实体。
步骤6:将第g轮群集中适应度最高的h个实体,以及步骤5中产生的h个实体,组成新一轮群集,并将迭代系数增1。
步骤7:若g达到所设置的迭代次数,则算法结束,g轮群集中的最优实体作为优化的结果;否则算法转到步骤2继续执行。
通过上述多目标算法,优化了工作流中的Web服务组合问题,降低了计算的复杂性并且提高了优化结果的精确度。
对于每个制造服务s的概率分布Ps,还可记录对应的web服务的可用性qav(Ps)、代价qpr(Ps)、可靠性qre(Ps)和时延qde(Ps)多维属性,作为衡量业务流程性能优劣的指标,由此来构建业务流程的服务质量参数评价矩阵M=[qi,j](1≤i≤4,1≤j≤r),表达式为:
其中,矩阵中的每一行表示不同业务流程的同一种QoS属性,矩阵中的每一列对应可用业务流程集合Pr中的一个服务执行流程。
过滤掉不满足用户某条件限制的服务执行流程,如延时不能超过用户需求时长;然后进行二级筛选,通过比较工作流上服务提供节点与服务请求节点的相对距离来进行过滤,最终由分数大小确定组合服务执行流程的性能优劣,将最优业务流程作为用户请求的响应返回给用户。
其中,本发明的工作流优化***优选地在制造业务Web服务组合执行的过程中,监控并分析其运行上下文的变化信息,根据上下文的变化信息对Web服务组合进行调整。相应地,所述服务组合产生单元进一步包括三个模块,分别为组合器,上下文感知器以及修正器。
组合器完成对Web服务组合描述文件的解析,得到相应的抽象服务组合序列,发现满足功能需求的Web服务集,进行Web服务的组合与选取,送到所述执行单元中执行。上下文感知器监控相应的服务上下文信息以及用户上下文信息的变化,分析上下文信息的变化对Web服务组合执行过程的影响并且触发工作流调整事件。修正器针对运行时的Web服务组合的不同情况进行调整,以适应工作流环境的动态变化。
在接收到来自注册中心的Web服务集后,首先将这些Web服务集依次写入到备选库中。上下文监控器从上下文信息库中读取前次的上下文信息,将其与当前监控收集到的上下文信息进行对比,如果上下文信息发生改变,则将新的上下文信息写入上下文信息库中。判断该变化信息是否仍满足用户需求以及相关约束。如果上下文信息的变化对Web服务组合执行没有影响,则当前正在执行的Web服务仍然可以满足用户需求及相关约束。否则,向执行单元发出暂停执行的消息,并将分析结果以及用户给出的相应策略传递给修正器,运用上述Web服务组合方法重新进行制造服务组合与选择,得到服务组合质量最优的Web服务组合序列。
对于制造服务提供方的服务质量,针对网络组合服务中QoS属性可能随时动态变化的特点,本发明对Web服务的QoS属性进一步分析和描述,将其建模为包含可靠度、耦合度的属性集合。
所述可靠度是所确定的单个服务实例自身能够提供的可靠性保障能力,记为σi,在业务流程的维度组合得到单点对整个工作流的影响为:
所述耦合度定义在参与业务流程构建的服务实例时,基于组件开发信息所确定的服务实例i和j兼容程度,记为μij∈[0,1],在可靠业务流程上的组合方式为:
其中:w≥1为控制参数。
接下来,建立效用函数来衡量可靠业务流程的可靠性水平,基于QoS各属性的效用函数如下:
FP(s1,s2,…,sn)=ασP(s1,s2,…,sn)+βμP(s1,s2,…,sn)
其中:α+β=1,α、β分别为可靠度、耦合度的权重值。
鉴于云制造服务资源的高动态性,以下过程基于服务能力及路由有效期来选择后继服务实例的工作流生成策略,提取服务节点信息及服务路由当前状态来共同决策服务实例实例化进程,选择路由有效期较长且服务能力较大的服务实例来完成相应的功能,在增强业务流程稳定性的同时最大限度地提高制造服务组合的成功率。
路由有效期RE由相邻节点所构建的路由有效期的最小值确定,即RE=min{LET(θi,j)};其中:θi,j表示相邻两节点i,j之间的路由;LET(θi,j)为路由θi,j的预测有效期。当一个节点从另一个节点的通信范围内移出时,发生路由中断。
服务能力是对用户节点Ni获取服务节点Nj上的服务实例sj的稳定性表达,记为:
RbNi(sj)=α×Qj/rly(Ni,Nj)
其中:Qj是服务节点Nj提供服务sj的能力;rly(Ni,Nj)表示从用户节点Ni到服务Nj的中继次数;α为一个常数。
基于路由预测有效期及服务能力最优策略来进行服务实例选择算法具体步骤如下:
a)假定基于用户服务组合请求生成的服务组合方案的工作流拓扑图中含有m个服务实例:S={S1,S2,…,Sm},预定义生成具有相同功能的每个服务实例所属待选服务集:SA(Sj)={s1 j,s2 j,…,smj j},其中1≤j≤m,mj>0,smj j为具体的服务实例。其节点表示完成业务的待选服务集。
b)在业务流程拓扑图中,基于以下步骤判断当前节点Vi与前驱节点Vj的QoS是否保持一致:
(1)假定当前节点Vi与前驱节点Vj所属的待选服务集分别为SA(Si)、SA(Sj);
(2)对SA(Sj)中的每个服务sn j(1≤n≤mj),与SA(Si)中的所有服务sn i(1≤n≤mi)两两比较,若sn j输出的服务质量F(sn j)符合sn i提交的业务需求,将sn j标记为有效待选服务。
c)提取节点服务信息及网络路由状态,计算实现下一服务的服务实例在当前节点Vi处的服务能力RbNi(sj),以及服务实例的路由预测有效期ti,j,加权平均后排序。选择结果最优及次优的服务实例作为服务选择返回值,生成最终业务流程,构成子图G’(V’,E’),图的顶点V’为相应待选服务集中实例化后的服务实例sn j,边E’表示两个服务实例Vi与前驱节点Vj之间存在输入、输出关系,同时求解得到制造服务能力及路由连通时间加权平均最优值。
综上所述,本发明提出了一种基于机器学习的业务流程优化方法,易于确定全局最优解,节省了计算量,同时有助于提供更丰富的工作流服务组合方案,并能够从有限知识数据中训练得到制造过程模型,从而对新的数据进行预测和估计,得到更优的工作流服务结果,具有良好的泛化能力,更能适应动态多变的Web服务组合环境。
显然,本领域的技术人员应该理解,上述的本发明的各模块或各步骤可以用通用的计算***来实现,它们可以集中在单个的计算***上,或者分布在多个计算***所组成的网络上,可选地,它们可以用计算***可执行的程序代码来实现,从而,可以将它们存储在存储***中由计算***来执行。这样,本发明不限制于任何特定的硬件和软件结合。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (2)
1.一种基于机器学习的业务流程优化方法,其特征在于,包括:
预先存储制造业务Web服务描述和实例,
响应于用户Web服务请求,基于所述Web服务描述生成抽象Web服务,
在所述Web服务实例中查找具体Web服务实例,将所述抽象Web服务替换为所述具体Web服务实例,形成工作流组合方案;
所述在Web服务实例中查找具体Web服务实例,具体为:
查找与制造服务请求的制造流程状态参数集合适配,并且与制造服务请求的制造流程执行结果参数集合适配的待选Web服务;
对于服务的制造流程状态参数和制造流程执行结果参数分别建立索引,分别使用制造流程状态参数索引和制造流程执行结果参数索引进行适配查找,在经过适配之后,产生两个待选Web服务的集合:即经过制造流程状态参数适配之后找到的满足制造流程状态参数要求的集合,以及经过制造流程执行结果参数适配之后找到的满足制造流程执行结果参数要求的集合;
求得两个参数交集,得到同时满足制造流程状态参数和制造流程执行结果参数要求的待选Web服务;
在完成服务请求与待选Web服务的适配之后,所述方法进一步包括:
针对待选Web服务的子集,以QoS属性最佳化为目标,将制造服务进行目标优化组合;如果工作流中有I个制造子业务,每个子业务对应J个待选服务,使用以下目标函数来表达:
式中:T,P,A分别表示Web服务的时间、代价和性能;kij是决策变量,取值0或1,kij为1时表示第i个子业务的第j个待选制造服务sij被选择,kij为0时表示第i个子业务的第j个待选制造服务sij不被选择;
Web服务组合的QoS属性由制造业务流程中子业务的组合结构以及选择的制造服务的QoS指标决定;业务流程中,子业务的逻辑关系决定Web服务的组合结构,逻辑关系包括顺序、并行和选择;当从第c个子业务起d个子业务是顺序或并行结构,每个子业务分别绑定一个具体服务,将表示顺序与并行结构的工作流约束表示为:
当从第e个子业务起f个子业务是选择结构,只有唯一一个业务被允许绑定具体服务,表示为:
c+d≤I;e+f≤I:
将全局约束与局部约束同时作为优化问题的约束条件;所述全局约束表示业务需求对工作流全局服务存在特定需求,所述局部约束表示对某个具体业务有特定需求:
式中:cons(Ti)、cons(Pi)、cons(Ai)分别表示对服务请求reqi的局部时间约束、代价约束以及性能约束,cons(T)、cons(P)、cons(A)分别表示对业务流程的全局时间约束、代价约束以及性能约束。
2.根据权利要求1所述的方法,其特征在于,所述在Web服务实例中查找具体Web服务实例,进一步包括:
将用户请求描述分别与业务流程描述库中每一个业务流程描述的输入输出参数集合按照I/O概念的语义相似度进行匹配;若匹配成功,则对得到的业务流程描述中的每个业务模板根据QoS和用户偏好约束进行服务绑定,得到可执行的工作流组合服务的结果;否则,服务Agent在本地进行业务流程描述的动态构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910425690.8A CN110119399B (zh) | 2019-05-21 | 2019-05-21 | 基于机器学习的业务流程优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910425690.8A CN110119399B (zh) | 2019-05-21 | 2019-05-21 | 基于机器学习的业务流程优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110119399A CN110119399A (zh) | 2019-08-13 |
CN110119399B true CN110119399B (zh) | 2023-04-18 |
Family
ID=67523033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910425690.8A Active CN110119399B (zh) | 2019-05-21 | 2019-05-21 | 基于机器学习的业务流程优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110119399B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116330B (zh) * | 2020-09-28 | 2024-05-28 | 中国银行股份有限公司 | 一种工作流错误队列自动化处理方法和装置 |
CN113657844B (zh) * | 2021-06-15 | 2024-04-05 | 中国人民解放军63920部队 | 任务处理流程的确定方法及装置 |
CN113641977B (zh) * | 2021-10-18 | 2022-01-18 | 成都派沃特科技股份有限公司 | 发送运维答疑信息的方法及服务器 |
CN116431246B (zh) * | 2023-06-13 | 2023-08-11 | 建信金融科技有限责任公司 | 办公自动化软件配置方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166702A (zh) * | 2014-08-04 | 2014-11-26 | 浙江财经大学 | 一种面向服务供应链网络的服务推荐方法 |
CN109688056A (zh) * | 2018-12-07 | 2019-04-26 | 南京理工大学 | 智能网络控制***及方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7114146B2 (en) * | 2003-05-02 | 2006-09-26 | International Business Machines Corporation | System and method of dynamic service composition for business process outsourcing |
CN1870562A (zh) * | 2005-05-23 | 2006-11-29 | 国际商业机器公司 | 动态Web服务调用方法、***以及Web服务代理 |
US7707173B2 (en) * | 2005-07-15 | 2010-04-27 | International Business Machines Corporation | Selection of web services by service providers |
WO2008015417A1 (en) * | 2006-07-31 | 2008-02-07 | British Telecommunications Public Limited Company | Automatic composition of web services based on syntactiv and semantic rules |
CN101655943B (zh) * | 2009-09-14 | 2016-12-07 | 南京中兴软件有限责任公司 | 企业应用集成工作流管理方法及*** |
CN102004767A (zh) * | 2010-11-10 | 2011-04-06 | 北京航空航天大学 | 一种基于抽象业务逻辑的交互式语义Web服务动态组合方法 |
KR20120066116A (ko) * | 2010-12-14 | 2012-06-22 | 한국전자통신연구원 | 웹 서비스 정보 처리 방법과 이를 이용한 웹 서비스 조합 방법 및 장치 |
CN102123172B (zh) * | 2011-02-25 | 2014-09-10 | 南京邮电大学 | 一种基于神经网络聚类优化的Web服务发现的实现方法 |
CN102780580B (zh) * | 2012-06-21 | 2015-02-25 | 东南大学 | 一种基于信任的组合服务优化方法 |
US9020840B2 (en) * | 2012-10-19 | 2015-04-28 | International Business Machines Corporation | System and method for custom-fitting services to consumer requirements |
US10217053B2 (en) * | 2015-06-23 | 2019-02-26 | International Business Machines Corporation | Provisioning service requests in a computer system |
CN105046351A (zh) * | 2015-07-01 | 2015-11-11 | 内蒙古大学 | 在不确定环境中基于强化学习的服务组合方法及*** |
-
2019
- 2019-05-21 CN CN201910425690.8A patent/CN110119399B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166702A (zh) * | 2014-08-04 | 2014-11-26 | 浙江财经大学 | 一种面向服务供应链网络的服务推荐方法 |
CN109688056A (zh) * | 2018-12-07 | 2019-04-26 | 南京理工大学 | 智能网络控制***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110119399A (zh) | 2019-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119399B (zh) | 基于机器学习的业务流程优化方法 | |
CN109491790B (zh) | 基于容器的工业物联网边缘计算资源分配方法及*** | |
CN109818786B (zh) | 一种云数据中心应用可感知的分布式多资源组合路径最优选取方法 | |
CN113037877B (zh) | 云边端架构下时空数据及资源调度的优化方法 | |
CN102158417A (zh) | 实现多约束QoS路由选择的优化方法及装置 | |
CN106055395A (zh) | 一种基于蚁群优化算法的云环境中截止时间约束工作流调度方法 | |
CN114721833A (zh) | 一种基于平台业务类型的智能云端协调方法和装置 | |
CN104881581A (zh) | 物联网数据高效分析方法 | |
CN113098714A (zh) | 一种基于深度强化学习的低时延网络切片的方法 | |
CN111966495B (zh) | 数据处理方法和装置 | |
CN104834751A (zh) | 基于物联网的数据分析方法 | |
CN113157421B (zh) | 一种基于用户作业流程的分布式集群资源调度方法 | |
CN102945283A (zh) | 一种语义Web服务组合方法 | |
CN110119268B (zh) | 基于人工智能的工作流优化方法 | |
CN113596868A (zh) | 基于sdn和nfv的5g网络切片资源管理机制 | |
WO2022252694A1 (zh) | 神经网络优化方法及其装置 | |
Zhu et al. | A priority-aware scheduling framework for heterogeneous workloads in container-based cloud | |
CN113010296B (zh) | 基于形式化模型的任务解析与资源分配方法及*** | |
CN114154685A (zh) | 智能电网中电能数据调度方法 | |
CN110135747B (zh) | 基于神经网络的流程定制方法 | |
Beigrezaei et al. | Minimizing data access latency in data grids by neighborhood‐based data replication and job scheduling | |
CN112925964A (zh) | 基于云计算服务的大数据采集方法及大数据采集服务*** | |
CN116932198A (zh) | 资源调度方法、装置、电子设备及可读存储介质 | |
Elkael et al. | Improved monte carlo tree search for virtual network embedding | |
CN115001978A (zh) | 一种基于强化学习模型的云租户虚拟网络智能映射方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |