一种新的基于直觉模糊集的制造云服务优选方法

蔡 坦 刘卫宁 刘 波

重庆大学信息物理社会可信服务计算教育部重点实验室，重庆，400030

0 引言

云制造是近年来兴起的一种面向服务、高效低耗、基于知识的智能性网络化制造模式［1］。它是计算领域最新研究成果（云计算、物联网、虚拟化、信息物理系统等新技术）同先进制造的理论与技术（虚拟制造、全球制造、网络化制造等制造模式）深度交叉融合而成的［2］。云制造的核心思想是“制造即服务”［3］，因此如何从规模巨大的制造云池中选取合适的服务成为云制造研究领域的一个重点。服务质量（quality of service，QoS）是用来评估服务能力水平的指标体系，人们一般用QoS来表示服务质量的优劣［4］。文献［5］提出了一种可扩展的数学模型，对各种QoS指标加权综合后，得出反映服务各项QoS指标的综合值，根据服务综合值的大小来决定最优服务。文献［6］针对于网格制造的环境，提出了一个综合性的QoS信息矩阵，通过对时间、价格、可信赖度、可维护性、满意度、可信度等因素综合评估得到一个加权值，来作为服务优选的依据。受制于应用领域或发展阶段的各种限制，上述方法无法满足云制造平台中用户更加个性化的需求，未考虑用户对服务质量的反馈信息及服务质量动态变化的特点，因此，基于直觉模糊集的表述方式［7］，本文提出了一种新的基于直觉模糊集的制造云服务最优选择方法。

1 问题提出

云制造平台中的用户分为云制造服务提供者（cloud service provider，CSP）和云制造服务需求者（cloud service demander，CSD）［8］。CSP 通过云制造平台发布自己的制造资源、生产能力等制造服务，在云制造平台上进行制造应用和业务运行。云制造平台提供了规模巨大的制造云池［9］，针对云制造服务使用者的单资源需求，系统从大量的待选云服务中选择最佳的云服务来执行该任务；针对多资源服务需求，系统从搜索到的符合各子任务的待选云服务中，各选一个云服务组装成组合云服务来协同完成任务［1］，如图1所示。

图1 云制造平台

对云服务的选择过程可分为两个阶段［10］。首先，根据用户具体的制造功能需求（制造物品数量、加工规格、精度要求等），搜索一个能够提供相应的制造规格、功能、生产能力的云制造服务候选集合。然后，根据候选服务集中制造服务QoS优劣与否，从这个服务候选集合中优选出一个最适合用户的制造服务。针对前一阶段，已有大量的研究予以探讨，并可归结为两种技术路线：①基于关键字的服务发现技术，如文献［11］提出的一种基于内容关键字搜索服务的方法；②基于语义的服务发现技术，如文献［12］提出的建立制造资源本体来搜索相应功能的制造服务。

本文主要研究在满足用户功能性需求的前提下，如何从候选服务集中优选出最适合用户的制造云服务。

服务质量指标中，一些指标是可以被直观地量化表示的，如价格、成本、时间等，通过不同的数值，用户可以很直接、客观地感受到服务质量的优劣；另一些特征，如服务的稳定性、安全性、可行性等却不能被简单地用数值来直观地表示。基于对各种服务特征的分析，本文做出的创新工作如下：

（1）云制造平台在根据用户的实际需求为其选择制造云服务时，既不能单纯地全部依赖可量化的QoS指标，如只根据价格、时间等可量化指标而不考虑可靠性、可维护性等主观特征，又不能完全依赖可靠性、安全性等主观特征而不考虑时间、成本等可量化指标。为了综合、直观地考虑各种类型QoS指标对制造服务结果的影响，本文采用全面的评价方法，对于可量化的QoS指标，采用改进的综合加权方法，对于不可量化的QoS指标，采用改进的基于直觉模糊集的评估方法。

（2）针对制造服务性能随时间变化的特性，提出了一个服务质量特征性能指标——制造服务有效期Tvalidate。在制造服务的有效期内，制造云服务具有可信的服务质量，随着时间的推移、成本的变化，服务不可量化特征的不确定性逐渐增加，可信度逐渐降低。

（3）为了满足用户对服务选择更加个性化、更加具体的需求，提出一种交互式方法来获取用户对QoS特征的关注程度。根据这个方法为每个QoS特征分配相应的权重，并由此来优选出体现用户个性化需求的制造云服务。

2 基于直觉模糊集的制造云服务优选方法

2.1 直觉模糊集介绍和制造服务性能衰减特性

直觉模糊集（intuitionistic fuzzy set，IFS）是Atanassov提出的一种表达模糊性和不确定性事物的有效方式［13］，具体的表示方式如下。

设Z是一个给定结论域，那么Z上的直觉模糊集可表达为

式中，μ（x）、υ（x）分别为Z的隶属函数和非隶属函数。

若对于Z上的所有x∈Z有0≤μ（x）＋υ（x）≤1，0≤μ（x）≤1，0≤υ（x）≤1成立，那么（μ（x），υ（x））就称为一个直觉模糊数［14］。

针对于直觉模糊数的运算，有如下的计算公式：

若λ∈ ［0，1］，A 为一个直觉模糊数（μA（x），υA（x）），那么

若 A、B 分 别 为 直 觉 模 糊 数 （μA（x），υA（x））和（μB（x），υB（x）），那么直觉模糊数A、B 的综合值为

云制造服务应用环境中，用户对能提供同样功能、加工标准的制造服务优劣与否可能持不同的意见，如肯定、否定或无关，如果肯定意见的数目与意见总数（肯定、否定和无关的意见之和）的比值设为μ（x），否定意见的数目与意见总数的比值设为υ（x），那么就可以得到一个云制造服务特定服务质量指标的一个直觉模糊数（μ（x），υ（x））。

实际环境中，制造服务质量具有动态变化的特点，基于已有对服务质量动态变化的研究成果［7］，提出制造服务性能衰减函数：

式中，Δt为每次制造云服务被调用的时间距离CSP发布该制造服务所间隔的时间。

云制造环境中，从CSP通过云制造平台发布制造服务开始，直到云服务提供者不能提供可信的制造服务为止，这个过程所持续的时间就是该制造云服务的有效期Tvalidate。

2.2 对不可量化指标的直觉模糊数评估方法

基于以上的理论，由用直觉模糊数来表示制造服务的各项非可量化服务质量指标，可得表1所示的信息矩阵，其中，Cj（j＝1，2，…，n）为各项制造服务特征指标，n为非可量化服务质量指标个数，k为服务有效期内制造服务被调用的次数。Fi，j（i＝1，2，…，k）为非可量化服务特征Cj在第i次被调用时非可量化服务质量指标的直觉模糊数，即（μFi，j，υFi，j）。

表1 用户对制造服务的反馈信息

首先，分析、运算制造服务的不可量化服务特征指标每次调用所产生的直觉模糊数，得到对于一个不可量化服务特征指标的综合直觉模糊集。在此运算过程中，需要考虑的因素如下：①制造云服务的有效期；②在此有效期之内，制造服务每次被调用时距离该服务发布间隔的时间；③每次制造服务被调用时，用户对这个制造云服务的每个不可量化特征的评价（直觉模糊数）。

考虑以上的因素，一个不可量化特征指标的综合直觉模糊数的计算表达式为

其中，f（Δt1）.（F1，j）为考虑了服务质量衰减的直觉模糊数；N为制造服务的QoS特征指标数目。结合式（1）、式（2），将式（4）化简，可得到：

综合用户对制造服务每次调用后的评价，得到一个对制造服务候选集中每个服务非量化指标的综合直觉模糊集，如表2所示，CMSi表示候选服务集中的一个制造服务，L为候选服务集中制造服务的个数，CFi，j为制造服务CMSi非可量化制造服务特征Cj的综合直觉模糊数，即（μCFi，j，υCFi，j）。

表2 云制造候选集不可量化特征的直觉模糊数

对制造云服务候选集中的非可量化服务特征指标Cj，选出所有其对应直觉模糊数中μ的最大值μmax和υ的最小值υmin（即 CF1，j、CF2，j、…、CFL，j中μCF 的最大值和υCF 的最小值），那么（μmax，υmin）即 为 最 优 理 想 直 觉 模 糊 数 （记 为CFmax）。同理，选取这些直觉模糊数中μ的最小值μmin和υ的最大值υmax，那么（μmin，υmax）即为最差理想直觉模糊数（记为CFmin）。

根据直觉模糊数相似度计算公式：

可得出每个直觉模糊数跟最优理想值的相似度Sim＋（即Sim（CFi，j，CFmax））和跟最差理想值的相似度Sim－（即Sim（CFi，j，CFmin）），最终得到一个制造云服务不可量化特征的综合值：

2.3 引入综合加权方法

上文主要分析了对非可量化服务质量特征的分析计算，本节主要讨论如何计算可量化的服务质量特征。

首先，用一个矩阵表示一个制造云服务的候选集（每行对应一个制造云服务，每列对应一个服务质量特征），那么根据每个制造云服务的各个可量化的服务质量特征可以得到

其中，M为候选集中制造服务的个数；N′为服务质量特征中可量化指标的数目。

在可量化服务指标中，不同的服务指标对服务优选的结果有不同的影响。一部分可量化的服务质量特征（执行时间、价格等），其取值越小，表明服务质量越好，反之表明服务质量越差，即这些可量化特征值的增大会给优选结果产生负作用。另外一部分可量化的服务特征（信誉度等），它们的值越大，就代表着服务质量越好，对用户也就越有利，它们的值越小，就预示着服务质量越差，对用户来说就越不利，即这些可量化的特征值的增大会给优选结果带来正作用。

因此，在计算可量化的服务质量特征时，需要对于以上的两种情况区别对待。如果某个服务质量特征的数值越大，服务质量越好，就采用正作用计算方法：

如果特征的数值越小，服务质量越好，就采用负作用计算方法［5］：

通过综合计算，就可以得到一个综合值来表示可量化服务指标优劣。

2.4 服务质量特征权重确定与综合计算

不同的用户对不同QoS特征的关注程度不同，如资金实力较为雄厚的用户关注制造云服务的执行时间特征会多一些，资金相对薄弱的用户对制造云服务的价格特征关注会相对多一点。因此，为了满足用户更加个性化的需求，优选出真正符合用户实际情况的制造云服务，需要一种交互的方法，得到用户对每个服务质量特征关注程度的信息，以获得每个服务质量特征的权重信息。

基于上述的考虑，由用户为不同指标设置不同的关注值。关注值大表示用户更重视该服务质量指标，反之则表示用户对该服务质量指标的关注度较低，得到一个用户对每个QoS特征所期望的关注值序列：

其中，ICi为特征指标Ci（i＝1，2，…，N）的关注度。服务质量指标的权重值为

在综合了可以量化的服务质量特征、不可量化的服务质量特征，并引入用户的关注值之后，制造云服务j的QoS综合值为

式中，Wci为一个QoS特征指标的权重值；Vi为该制造服务的第i个QoS特征指标的综合值。

综合值越大说明制造云服务的服务质量越高，综合值最大的那个制造云服务就是用户所期望的最优服务，即制造云服务候选集当中的最优服务。

3 实例分析

为了说明如何使用本文所提出的优选方法，从制造云服务候选集中选择最适合用户的服务，选用执行时间、执行费用、可靠性、安全性、可用性等服务质量特征来说明本文方法的计算过程，其中，执行时间、执行费用是可量化的服务质量特征，可靠性、安全性、可用性是不可量化的服务质量特征。

针对于不同服务的特定服务质量指标，随机产生出的2个制造云服务（制造云服务1、制造云服务2），数据如表3、表4所示。表3中，制造云服务1的有效期是90，在22、47、75时间点分别被调用执行；表4中，制造云服务2的有效期是120，在75、83、109时间点分别被调用执行。

表3 制造云服务1数据

表4 制造云服务2数据

首先，经过数个Δt调用之后，由式（5）可得到制造服务不可量化服务特征指标的综合直觉模糊集，如可靠性的综合直觉模糊集CFtrust（同CFsecurity、CFavail）。

对于制造云服务1而言，Tvalidate＝90，可得CFtrust＝ （1－（1－0.79）f（22）× （1－0.76）f（47）×（1－0.89）f（75），0.09f（22）×0.12f（47）×0.09f（75））＝ （0.84，0.07）。同 理 可 得 CFsecurity＝ （0.89，0.07），CFavail＝ （0.90，0.03）。

对于制造云服务2而言，Tvalidate＝120，可得CFtrust＝ （1－（1－0.56）f（75）× （1－0.69）f（83）×（1－0.71）f（109），0.20f（75）×0.18f（83）×0.22f（109））＝（0.51，0.33）。同理可得CFsecurity＝ （0.65，0.28），CFavail＝ （0.49，0.39）。

至此得到2个制造云服务中每个不可量化特征指标的综合直觉模糊数，针对于这2个直觉模糊数集，算出它们针对于不同评价指标的最差理想直觉模糊数（μmin，υmax）和最优理想直觉模糊数（μmax，υmin），如表5所示。根据最优、最差的理想直觉模糊数，用式（6）、式（7）计算出不可量化特征的综合值。

表5 制造云服务质量特征最优、最差理想直觉模糊数

由式（10）得到可量化特征值的权重，在综合所有的服务质量特征之后，就可以得到表6所示结果。

表6 制造云服务质量特征值

若用户对于每个质量指标的关注值Itrust＝3，Isecurity＝1，Iavail＝3，则2个服务的综合评价值CMS1＝0.58×3／19＋0.56×3／19＋0.62×3／19≈0.278，CMS2＝ 0.42×3／19＋0.44×3／19＋0.38×3／19＋1／19＋3／19≈0.406。于是有制造云服务2的综合性能优于制造云服务1。

4 结论

（1）为了更加直观、更加清晰地描述制造服务质量指标体系，将制造服务质量指标分为可量化的服务质量指标和不可量化服务质量指标。对于可量化的服务质量指标，采用综合加权表示法予以表述；对于不可量化服务质量指标，运用直觉模糊集的表述方式予以描述。进而通过综合分析与计算判断一个制造服务质量的优劣与否。

（2）为了更加直观地反映制造服务质量动态变化的特点，提出了“制造服务有效期”的概念，在已有研究的基础上，通过综合制造服务有效期内每次制造服务被调用所得到的QoS值，得出制造服务质量指标的综合值，将服务质量动态变化的规律纳入服务质量评估的过程。

（3）结合实验室既有的研究成果，下一步的工作是把基于直觉模糊集的评价方法用于云制造服务组合的优选评价，更加深入地分析制造服务优选中更加复杂的应用场景。

［1］陶飞，张霖，郭华，等.云制造特征及云服务组合关键问题研究［J］.计算机集成制造系统，2011，17（3）：477－486.Tao Fei，Zhang Lin，Guo Hua，et al.Typical Characteristics of Cloud Manufacturing and Several Key Issues of Cloud Service Composition［J］.Computer Integrated Manufacturing Systems，2011，17（3）：477－486.

［2］李伯虎，张霖，王时龙，等.云制造——面向服务的网络化制造新模式［J］.计算机集成制造系，2010，16（1）：1－16.Li Bohu，Zhang Lin，Wang Shilong，et al.Cloud Manufacturing：a New Service－oriented Networked Manufacturing Model［J］.Computer Integrated Manufacturing Systems，2010，16（1）：1－16.

［3］杨海成.云制造是一种制造服务［J］.中国制造业信息化，2010（3）：22－23.Yang Haicheng.Cloud Manufacturing is a Pattern of Manufacturing Service［J］.Manufacturing Information Engineering of China，2010（3）：22－23.

［4］朱红宁，张斌.基于SPA的Web服务选取方法［J］.计算机科学，2009，36（11）：32－35.Zhu Hongning，Zhang Bin.Method of Web Service Selection Based on SPA［J］.Computer Science，2009，36（11）：32－35.

［5］Liu Yutu，Ngu A H，Zeng Liangzhao.QoS Computation and Policing in Dynamic Web Service Selection［C］／／13th International World Wide Web Conference on Alternate Track Papers ＆Posters.New York，2004：66－73.

［6］Tao Fei，Hu Yefa，Zhou Zude.Study on Manufacturing Grid ＆Its Resource Service Optimal－selection System［J］.International Journal of Advanced Manufacturing Technology，2008，37（9／10）：1022－1041.

［7］Tao Fei，Zhao Dongming，Zhang Lin.Resource Service Optimal－selection Based on Intuitionistic Fuzzy Set and Non－functionality QoS in Manufacturing Grid System［J］.Knowledge and Information Systems，2010，25（1）：185－208.

［8］李伯虎，张霖，任磊，等.再论云制造［J］.计算机集成制造系统，2011，17（3）：449－457.Li Bohu，Zhang Lin，Ren Lei，et al.Further Discussion on Cloud Manufacturing［J］.Computer Integrated Manufacturing Systems，2011，17（3）：449－457.

［9］Huang Shuangxi，Zeng Sen，Fan Yushun，et al.Optimal Service Selection and Composition for Service－oriented Manufacturing Network［J］.International Journal of Advanced Manufacturing Technology，2011，24（5）：416－430.

［10］Xu Xun.From Cloud Computing to Cloud Manufacturing［J］.Robotics and Computer－integrated Manufacturing，2012，28（1）：75－86.

［11］Lee C，Helal S.Context Attributes：An Approach to Enable Context－awareness for Service Discovery［C］／／Proceedings of the 2003Symposium on Application and the Internet.Orlando，2003：22－30.

［12］尹胜，尹超，刘飞，等.云制造环境下外协加工资源集成服务模式及语义描述［J］.计算机集成制造系统，2011，17（3）：525－532.Yin Sheng，Yin Chao，Liu Fei，et al.Out Sourcing Resources Integration Service Mode and Semantic Description in Cloud Manufacturing Environment［J］.Computer Integrated Manufacturing Systems，2011，17（3）：525－532.

［13］王毅，雷英杰，路艳丽.基于直觉模糊集的多属性模糊决策方法［J］.系统工程与电子技术，2007，29（12）：2060－2063.Wang Yi，Lei Yingjie，Lu Yanli.Multiple Attribute Decision Making Method Based on Intuitionistic Fuzzy Sets［J］.Systems Engineering and Electronics，2007，29（12）：2060－2063.

［14］Xu Zeshui，Cai Xiaoqiang.Recent Advances in Intuitionistic Fuzzy Information Aggregation［J］.Fuzzy Optimization and Decision Making，2010，9（4）：359－381.