制造云服务组合异常自适应调整方法

马文龙　赵燕伟　王万良

1.衢州职业技术学院，衢州，324000　　2.浙江工业大学,杭州,3100233.浙江工业大学特种装备制造与先进加工技术教育部重点实验室,杭州,310014



制造云服务组合异常自适应调整方法

马文龙1,2赵燕伟3王万良2

1.衢州职业技术学院，衢州，3240002.浙江工业大学,杭州,3100233.浙江工业大学特种装备制造与先进加工技术教育部重点实验室,杭州,310014

摘要：为解决云制造环境下服务组合过程中出现的异常问题，提出了一种制造云服务组合异常自适应调整方法。通过建立异常处理模型对异常信息进行捕获、分类和抽象，并给出了一系列相应的异常调整策略，利用异常处理评测机制和异常自适应调整算法，实现服务组合对异常情况的自适应调整。实验结果表明，该方法能有效地解决异常问题，提高制造云服务组合的柔性。

关键词：制造云;异常处理模型;调整策略;自适应算法

0引言

云制造是一种利用网络和云制造服务平台,按用户需求组织网上制造资源(制造云),为用户提供各类按需制造服务的一种网络化制造新模式[1]。它利用公共服务平台将各种制造资源和制造能力进行虚拟化封装，用户可根据自身需求选择单个服务或进行若干个服务的组合，实现“集中资源分散服务”[2]。事实上制造企业业务环境复杂多变，服务调用过程中自然存在着诸多不可预知的异常情况，如用户需求更改、机器故障、服务的退出、任务的取消、服务提供方QoS发生变化等。因此在制造云服务组合过程中需建立服务异常处理机制，以保证服务组合顺利运行。

目前人们对制造云服务组合研究主要集中在组合优化方法上，对于组合异常处理涉及甚少。文献[3]提出了一种制造设备云服务异常处理模型，该模型在对制造设备云服务可能产生的异常进行分类和抽象的基础上，通过监控逻辑监控和捕获产生的异常，并通过处理逻辑对异常进行处理，给出了7种异常的处理流程。文献[4]提出了一种基于QoS的制造云服务组合自适应调整机制，将可靠性、可用性、时间、价格和柔性度作为云服务的QoS特征，并对云制造环境下服务可能产生的异常进行了分类和抽象，将自适应调整逻辑引入组合云服务。文献[5]针对Web服务提出了一种基于多Agent系统的异常处理模型，该模型利用Agent的协作性、推理和自学习的特性，使异常得到有效的捕获和处理。文献[6] 针对Web服务提出一种基于补偿业务生成图的组合服务异常处理方法，基于业务流程中任务间补偿依赖关系,讨论了补偿业务生成图的自动生成问题，设计了补偿依赖关系、补偿业务生成图的自动生成及组合服务执行过程中异常处理算法。文献[7]针对面向服务软件中异常处理机制的特点，提出一种基于着色Petri网的异常处理模型，利用该模型可以精确描述面向服务软件中异常处理总体方案，便于辅助设计人员检测异常处理设计方案中的缺陷。文献[8]提出了一种Web服务组合动态调整机制，建立服务异常模型来描述服务运行过程中所面临的异常情况的类别、产生原因以及外在表现，在该模型的基础上给出了异常监控策略，并提出了组合服务替换范围确定算法和调整方案生成启发式算法。

上述文献从多个角度对服务组合异常处理进行了研究，部分文献虽然研究对象是Web服务，但其方法对制造云服务异常有一定的借鉴意义。相比于Web服务，制造云服务的组合还需考虑硬件云服务会出现的特定问题，如制造设备故障、设备任务过载等问题。事实上在制造云服务组合过程中有些异常情况是随机的、不可预测的，这种不确定性使得服务平台难以事先制定固定的异常处理应对策略，从而需要对制造云服务和组合执行路径进行动态调整，以保证服务组合对复杂执行环境的自适应性。为此，本文提出了一种制造云服务组合异常自适应调整模型。

1问题描述

1.1异常处理模型

云制造服务平台中存在着海量的云服务，根据制造专家的描述，制造资源涵盖了设计资源、仿真资源、生产资源、试验资源以及管理资源等。云制造环境下用户的需求往往需要多个云服务进行组合协同完成，在组合执行的过程中存在诸多影响云服务动态组合和执行的异常因素。文献[2]将影响云服务组合的异常因素分为3种：①与任务相关的异常，主要包括任务需求改变、任务挂起和任务取消；②与资源服务相关的异常，主要包括服务过载、服务退出、服务动态加入、服务故障；③与服务QoS相关的异常，主要包括执行时间改变、成本改变、可用性改变、可靠性改变和信誉度改变。因此必须研究当这些不确定性因素发生时，制造云服务平台如何动态进行云服务调整以适应这些变化，提高云服务组合的柔性。为此本文提出如图1所示的异常处理模型。

图1　异常处理自适应调整模型

异常处理自适应调整机制如下：先由异常监测器感知异常信息，一旦出现异常信息，监测器负责收集，并将异常信息送往分析器进行处理；异常分析器根据捕获的异常信息，分析异常产生的信息源和类型，并将分析结果传递给处理器；异常处理器根据异常产生类型结合异常处理策略，生成异常处理方案，在处理时需要调用各子任务候选云服务集及相关信息。异常处理评测器负责对处理方案进行性能评估，如果方案可行，则继续执行调整后的服务流程，如果方案不通过，则交给异常分析器重新定位分析。

1.2相关定义

为了更清楚地描述制造云服务组合异常自适应调整的策略，给出相关定义如下。

定义1制造云服务。各类制造资源经过虚拟化后封装为云服务，单个候选制造云服务可抽象为一个五元组S=(SID,properties,Status,QoS,TaskList)。其中SID为制造云服务的标识；properties为云服务的重要属性信息，包括云服务的名称，提供者，最大负载(Load)等；Status表示云服务的状态，取值为空闲、忙、维修、失效和暂停；QoS={c,t,r,a,h}表示制造云服务质量的描述，c表示服务的价格，t表示服务的时间，r表示服务的可靠性，a表示服务的可用性，h表示服务的诚信度，上述值可根据文献[9]计算得到；TaskList={Task1,Task2, …,Taskn}表示候选云服务所对应的子任务列表。

定义2子任务。一个制造任务按照一定的业务逻辑可分解为若干个不可再分且能被单一云服务完成执行的子任务，形式上可描述为T=(Taskid,Attribute,num,num_finished,max_c,max_t,TaskStart,TaskEnd,state)。Taskid表示子任务的标识，对应于制造云服务TaskList中的序号；Attribute表示任务的重要属性，包括任务物料、零件名称、工艺要求等；num表示加工零件的数量；num_finished表示已经完成的零件数量；max_c表示制造子任务价格最高阈值；max_t表示制造子任务最长时间阈值；TaskStart表示任务开工时间；TaskEnd表示任务结束时间；state表示任务的状态，有完成(Finish)、等待(Wait)和进行中(Active)。

定义3异常。制造云服务执行过程中遇到的错误条件或者不可预测的行为称为异常，可抽象为一个四元组Exception=(EID,Type,Source,Reason)。EID是异常事件的标识；Type是异常的类型，为整型值 ，1表示任务异常，2表示服务异常，3表示QoS异常；Source表示异常的来源，如任务需求性变化、任务取消、服务机器故障、服务过载等；Reason表示发生异常的具体原因，如时间需求变化、数量变化等。

定义4云服务的替换。设针对一个制造子任务Taski，存在一个候选的制造云服务集CS={cs1,cs2,…,csm}, 上述候选云服务都能满足Taski的功能需求,若一个候选服务csj发生异常，存在一个csk，满足：

(1)csk.QoS.c*Taski.num≤Taski.max_c;

(2)TaskStart+csk.QoS.t*Taski.num≤Taski.max_t;

(3)csk. properties≠“超载”；

(4)Qcsk=max(Qcs1,Qcs2,…,Qcsj-1,Qcsj+1,…,Qcsm);

则称csk可替换csj。其中Qcsk表示服务csk的QoS的综合性能。

2异常调整策略

策略1任务需求变化调整策略。

(1)将异常处理器获取发生需求改变的任务Taskid设为任务Ti，若Ti.state=Wait,则根据定义4重新进行选择；若Ti.state=Finish,则给出错误提示。

(2)若Ti.state=Active,则根据Taskid的关联信息找到执行当前任务的SID,悬挂服务号为SID的服务Sj及相关的后续组合服务流程。

a.若Exception.reason=数量改变，判断Sj及后续服务流程负载和时间能否满足，若能满足，修改服务协议数量和服务任务列表中后任务的计划开工和结束时间；若不能满足，则将数量增量部分生成一个单独任务，由异常处理器根据定义4选择一个云服务执行。

b.若Exception.reason=时间改变，判断Sj及后续服务流程能否满足，若能满足，修改服务协议时间；若不能满足，则将待加工零件生成一个单独任务，由异常处理器根据定义4选择一个云服务并行执行。

策略2任务挂起调整策略。

(1)异常处理器获取发生挂起的任务Taskid,设为任务Ti，若Ti.state=Active, 则根据Taskid的关联信息找到执行当前任务的SID,悬挂服务号为SID的服务Sj及相关的后续组合服务流程，置Ti.state=Wait；

(2)对后续服务流程中所有状态为Wait的任务Tj修改任务结束计划开工时间和结束时间，Tj.TaskStart=Tj.TaskStart-Ti.TaskEnd+now(),now()表示当前日期时间；Tj.TaskEnd=Tj.TaskEnd-Ti.TaskEnd+now()。

(3)当挂起操作结束后，判断服务Sj及相关的后续组合服务能否满足制造子任务最长时间阈值max_t，若满足调整结束；若不满足，按定义4选择一个云服务执行。

策略3服务过载调整策略。

(1)异常处理器获取发生服务过载的云服务Sj,设置Sj.Status=“暂停”。

(2)悬挂Sj中所有未执行完成的任务TaskList={Task1,Task2, …,Taskm}，对TaskList中任一任务Ti修改剩余num值，将未完成的产品单独生成一个任务按定义4到候选云服务集中选择一个QoS的综合性能最大的云服务替换执行，并在TaskList中删除该任务。

(3)修改云服务QoS历史记录中发生服务过载的次数，并调整该云服务QoS中可用性a的值。

策略4服务故障调整策略。

(1)异常处理器获取发生服务故障的云服务Sj,设置Sj.Status=“维修”。

(2)若Sj所对应的TaskList中所有任务都已执行完毕，则调整结束，否则悬挂Sj中所有未执行完成的任务TaskList={Task1,Task2, …,Taskm}。

a.若TaskList中任一任务Ti,满足Sj.QoS.T*(Ti.num-Ti.num_finished)+TA≤Ti.max_t,则维修等待，TA为故障修复时间。

b.若不满足条件a，则将未完成的任务按定义4到候选云服务集中选择一个QoS的综合性能最大的云服务替换执行，并在TaskList中删除该任务。

(3)修改云服务QoS历史记录中发生服务故障的次数，并调整该云服务QoS中可用性a的值。

策略5服务退出调整策略。

(1)异常处理器获取退出的服务Sj，设置Sj.Status=“失效”。

(2)若Sj所对应的TaskList中所有任务都已执行完毕，则调整结束，否则悬挂Sj中所有未执行完成的任务TaskList={Task1,Task2, …,Taskm}。

(3)对TaskList中任一任务Ti,将未完成的产品生成一个单独任务按定义4选择一个QoS综合性能最优的云服务替换执行，并在TaskList中删除该任务。

(4)修改云服务QoS历史记录中异常退出的次数，并调整该云服务QoS中诚信度h的值。

策略6QoS异常调整策略。

(1)异常处理器获取发生QoS异常的云服务Sj,设置Sj.Status=“暂停”。

(2)若Sj所对应的TaskList中所有任务都已执行完毕，则调整结束，否则悬挂Sj中所有未执行完成的任务TaskList={Task1,Task2, …,Taskm}。

(3)对TaskList中任一任务Ti,计算未完成产品生成新任务，按文献[9]的选择算法，重新计算该云服务的QoS综合性能，若重新计算的值在候选云服务集中依旧最优，在云服务中保留该任务。否则，选取新的最优服务替换该服务，并在服务TaskList删除该任务。

(4)修改云服务QoS历史记录中发生QoS异常的次数，并调整该云服务QoS中可靠性r的值。

3制造云服务组合异常自适应调整算法

3.1异常处理评测

异常处理器根据异常源生成异常调整策略过程中，替换和迁移云服务解决方案主要是从子任务云服务QoS优选角度出发，未考虑调整后服务组合整体QoS的性能。异常处理评测器主要负责对调整后服务组合整体QoS性能进行评估。WS-BPEL是典型的Web服务工作流描述语言，同样适用于制造云服务的组合，其中定义的主要流程控制活动主要有顺序、并行、选择和循环结构[10]。根据制造专家的建议和实际情况，本文分析顺序和并行两种主要结构，通过两种结构可将各子任务组合形成一条云服务组合执行路径pj。本文针对上述两种结构，给出了异常处理评测组合服务整体QoS性能方法。

顺序结构下云组合服务执行路径pj的服务质量各参数评测：

(1)

并行结构下云组合服务执行路径pj的服务质量各参数评测：

(2)

其中，n为组合服务中子任务云服务的个数，k为并行控制中的分支数，ci代表第i 个子任务优选出的云服务价格参数值，其余类似。组合服务路径pj整体的服务质量Q(pj)的计算式如下：

Q(pj)=w1Cseq(pj)+w2Tseq(pj)+

w3Rseq(pj)+w4Aseq(pj)+w5Hseq(pj)

(3)

3.2异常自适应调整算法

云制造环境下当云服务或任务出现异常，有些异常情况是随机的、不可预测的，这种不确定性使得服务平台难以事先制定固定的异常处理应对策略，从而需要动态地对制造云服务和组合执行路径进行调整，从而保证服务组合对复杂执行环境的自适应性。监测器会首先感知和捕获异常信息，通过分析器处理，确定异常源和类型建立相应的调整策略来协调服务的执行，最后通过异常处理评测对调整方案进行进一步评估，经多次迭代调整，生成相应的解决方案。异常自适应调整算法如下：

(1)初始化设定调整的次数count=0，最大调整次数max_count，Q(pj)的阈值；

(2)执行异常监测，自动感知和捕获异常信息，数据传送分析器。

(3)分析器分析处理，确定异常类型(Type)、异常源(Source)和异常原因(Reason)。

(4)定位与异常任务或服务相关的云服务S，悬挂相应的业务流程，根据异常类型和异常源，调用相应的调整策略:

a.IF Exception.Type=1 and Exception.Source=“需求改变” Then 执行策略1

b.IF Exception.Type=1 and Exception. Source=“任务挂起” Then 执行策略2

c.IF Exception.Type=1 and Exception. Source=“任务取消” Then 在与该任务相关的所有云服务TaskList中删除该任务

d.IF Exception.Type=2 and Exception.Source=“服务过载” Then执行策略3

e.IF Exception.Type=2 and Exception.Source=“服务故障” Then执行策略4

f.IF Exception.Type=2 and Exception.Source=“服务退出” Then执行策略5

g.IF Exception.Type=2 and Exception.Source=“服务动态加入” Then暂停相关的子任务，按参考文献[9]的选择算法，重新计算候选云服务集中QoS综合性能，选取新的最优服务，并在需修改的服务TaskList删除该任务。

h.IF Exception.Type=3 and Exception.Source=“QoS异常” Then执行策略6

(5)更新云服务QoS参数的值，调用异常处理评测模型，计算组合服务综合质量Q(pj)的值，若Q(pj)值大于或等于设定的阈值，则执行步骤(6)。若小于设定的阈值，判断调整次数count是否大于max_count，若是则输出调整失败，调整算法结束；否则count=count+1，转步骤(4)重新调整。

(6)解除业务流程悬挂，按调整后云服务执行路径继续运行，调整算法结束。

4实验与结果分析

4.1可行性实验

为了验证本文提出的制造云服务组合异常自适应调整方法，本文借助电信云计算平台，设计了云制造服务组合试验平台的原型，利用jdk+MyEclipse开发环境，以分布式应用软件mpiBLAST仿真计算机节点对云制造服务平台的调用。实验以某阀门制造厂的阀门生产过程来构造应用场景。由于制造云服务的描述和定义具有较强的自主性和多样性，使得当前缺乏一个公共的且被大多数学者所认可的服务基准库作为标准测试集，因而当前的制造云服务组合测试大多使用自动生成的测试数据进行仿真测试[11-12]。本文搭建的云制造服务试验平台包含了100个用于测试的阀门制造云服务，制造云池中有3000余条制造资源的历史记录。为了演示推理过程，我们选择了5个候选服务作为推理样本，对任务需求变化、服务过载、服务故障、服务退出、QoS异常等情况进行了模拟：设置任务Task1临时增加500件产品加工任务；Task3临时要求任务提前，时间阈值为50，价格阈值为0.7；服务S5发生故障，并造成负载超载；服务S5发生QoS异常，时间调整为0.08 h/件等情况。数据如表1所示。

表1中价格为单件产品加工费用与单件产品每公里的运输成本之和。时间为单件产品的加工时间。QoS其他指标含义及QoS综合值计算见文献[9]中的描述。表1中各云服务任务列表中所对应的子任务参数情况如表2所示，其中开工时间为负值表示任务当前已用的小时数。

表1　阀体喷漆子任务候选服务

表2　任务项参数

Task1的任务需求追加500件，修改后的任务总数量为1500件，小于负载阈值，任务总体需要时间为1500×0.04<80(h)，能满足时间要求，价格未变，故需修改Task1.num=1500,500件任务额外增加时间500×0.04=20(h)，故Task1.TaskEnd=40，Task4和Task6的计划开工和计划结束时间都增加20,云服务和流程其余保持不变，调整结束。

Task3临时任务提前，时间阈值要求更改为50，价格阈值为0.7，故Task3不能满足时间要求，S1和S5已有任务排队，不能满足时间要求，50小时内Task3只能完成1000件产品，因而另外400件产品需单独生成任务，S3和S4符合生产条件，S4因QoS值更高，任务则由S4完成，S4任务列表中增加Task3转移任务，修改Task3.TaskEnd=50,S2.Status=“忙”,S2和S4并行执行任务Task3,调整结束。

S5发生故障，如果故障能在max_t-TaskEnd-TaskStart时间段内恢复，Task2任务保持不变，否则按定义4替换。而Task5任务如要按期完成，必然会造成负载超载。S1不能满足Task5的时间要求，S2完成Task3任务后刚好能满足Task5时间要求，S3和S4服务价格不符合条件，故Task5任务由S2服务替换，修改服务S5和S2任务列表项内容，调整结束。

S2服务退出，Task3还有800件产品未完成，因此需生成一个任务。S1和S5不能满足时间要求，S3和S4符合条件，而S4的QoS值更大，故Task3剩余任务由S4服务替换，修改服务S2和S4任务列表项内容，调整结束。

S5出现QoS异常，服务时间调整为0.08 h/件，Task2任务符合条件0.08*(num-num_finished)-Task2.TaskStart

仿真实验表明，本文提出的制造云组合异常自适应调整算法是可行的，当有异常发生时，能快速调整服务组合方案，保证制造活动的正常运行。

4.2有效性实验

实验采用服务组合执行成功率来分析方法的有效性，本文设计了不调整、功能匹配调整和自适应调整三种方法进行对比实验。不调整方法在异常发生时，不采取任何调整动作，流程执行如果不符合条件，任务即执行失败。功能匹配调整在异常发生时，按功能匹配原则，如果能满足功能上的需求，即随机选取候选服务替代，也不进行异常处理评测。实验中对QoS各参数的权值根据制造专家的建议分别取0.3、0.3、0.2、0.1、0.1,生成随机值模拟任务需求变化、服务过载、服务故障、服务退出、QoS异常等情况，对100个服务过程中设置了20次的异常情况，对比结果如图2所示。

图2　三种调整策略任务执行成功率对比

由图2可知，不调整方法服务组合执行成功率较低，当有异常发生时，因没有调整措施，导致服务执行失败。功能匹配调整方法在异常发生时由于有服务替代策略，因而服务执行成功率相对不调整方法明显提高，但由于替代时采用随机选取候选服务，因而执行成功率的波动性较大，加上替代方案未经过进一步的评估，有些服务功能上能满足要求，但整体服务质量欠佳，造成用户放弃服务而执行失败。自适应调整方法在执行成功率上明显优于前两种方法，由于在异常发生时该方法能自适应快速调整，且在调整后有相应的异常处理评测，对调整后的服务组合整体质量进行评估，因而用户执行成功率保持在一个较高的水平上，且具有较好的稳定性。

5结束语

开放、动态网络环境下的制造云服务具有海量和不确定性等特点，在云服务组合的全生命周期中，可能会因为云服务节点及其所运行的任务环境的动态变化发生异常，如何在异常发生时，制造云服务组合流程快速调整，保证制造活动正常执行，是一个必须考虑的问题。为此本文在分析制造活动全生命周期各种异常的动态变化基础上，提出了一种制造云服务组合异常自适应调整模型。模型能自动检测出各种异常变化，然后对这些异常进行分析并建立相应的调整策略来协调服务的执行，并且通过异常处理评测对调整方案进行进一步评估，经多次迭代调整，实现服务平台对出现的异常自适应调整，保证服务组合执行的成功率。实验结果表明，本文提出的自适应调整方法在异常发生时，能快速调整服务组合方案，有效地解决异常问题，保证制造活动的正常运行，提高制造云服务组合的柔性。下一步的工作将集中于云服务间关联关系的改变导致异常等问题的研究。

参考文献：

[1]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].计算机集成制造系统,2010,16(1):1-7.

Li Bohu, Zhang Lin, Wang Shilong, et al. Cloud Manufacturing:a New Service-oriented Manufacturing Model[J].Computer Integrated Manufacturing Systems,2010,16(1):1-7.

[2]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.

[3]赵秋云,魏乐,舒红平,等. 云制造环境下制造设备云服务异常处理模型[J].图学学报, 2014,35(6):840-846.

Zhao Qiuyun,Wei Le,Shu Hongping,et al. Exception Handling Model of Manufacturing Equipment Cloud Service for Cloud Manufacturing Environment[J]. Journal of Graphics,2014,35(6):840-846.

[4]魏乐,赵秋云, 舒红平,等.云制造环境下基于QoS的组合云自适应调整[J].兰州大学学报(自然科学版), 2012,48(4):98-104.

Wei Le,Zhao Qiuyun,Shu Hongping,et al. Adaptive Adjustment of Composite Cloud Service Base on QoS for Cloud Manufacturing Environment[J].Journal of Lanzhou University(Natural Sciences),2012,48(4):98-104.

[5]赵红侠,姜淑娟,牟春雷. 基于多Agent的Web服务异常处理模型[J].计算机应用与软件, 2010,27(1):61-64.

Zhao Hongxia,Jiang Shujuan,Mou Chunlei. Exception Handling Model for Web Services Based on Multi-agent[J]. Computer Applications and Software,2010,27(1):61-64.

[6]尚宗敏,崔立真,王海洋,等. 基于补偿业务生成图的组合服务异常处理方法研究[J].计算机学报, 2008,31(8):1478-1490.

Shang Zongmin,Cui Lizhen,Wang Haiyang,et al. Research on Exception Handling of Composite Services Based onCompensation Business Process Graph[J]. Chinese Journal of Computers, 2008,31(8):1478-1490.

[7]吴青,应时,贾向阳,等. 面向服务软件中基于着色Petri网的异常处理模型[J].计算机科学, 2011,38(4):170-174.

Wu Qing, Ying Shi, Jia Xiangyang,et al. Exception Handling Model Based on Colored Petri Net in Service-oriented Software[J]. Computer Science, 2011,38(4):170-174.

[8]杨雷,代 钰,刘福凯,等. 面向自适应的组合服务动态调整方法[J].东南大学学报, 2011,41(3):453-457.

Yang Lei,Dai Yu,Liu Fukai,et al. Self-adaptation Oriented Dynamic Adjustment Method for Composite Services[J]. Journal of Southeast University,2011,41(3):453-457.

[9]马文龙,朱李楠,王万良. 云制造环境下基于QoS感知的云服务选择模型[J].计算机集成制造系统, 2014,20(5):1246-1254.

Ma Wenlong,Zhu Linan,Wang Wanliang. Cloud Service Selection Model Based on QoS-aware in Cloud Manufacturing Environment[J]. Computer Integrated Manufacturing Systems, 2014,20(5):1246-1254.

[10]Hen S, Yau Y Y. QoS-based Service Ranking and Selection for Service-based System[C]//Proceedings of IEEE International Conference on Services Computing. Washington D.C., 2011:56-63.

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

[12]王正成,谢先文. 基于FAHP和改进蚁群算法的网络化制造资源链构建研究[J].中国机械工程, 2012,23(12):1287-1492.

Wang Zhengcheng, Xie Xianwen. Resource Service Chain Construction for Networked Manufacturing Based on FAHP and Improved Ant Colony Algorithm[J]. China Mechanical Engineering, 2012,23(12):1287-1492.

(编辑王旻玥)

An Adaptive Adjustment Method of Composition Exception for Manufacturing Cloud Service

Ma Wenlong1,2Zhao Yanwei3Wang Wanliang2

1.Quzhou College of Technology,Quzhou,Zhejiang, 324000 2.Zhejiang University of Technology,Hangzhou,310023 3.Key Laboratory of Special Purpose Equipment and Advanced Processing Technology,Ministry of Education,Zhejiang University of Technology,Hangzhou,310014

Abstract:In order to solve the problems of service composition exception in cloud manufacturing environment,an adaptive adjustment method of composition exception for manufacturing cloud service was presented herein.The service exception handling model was established to capture, classify and abstract the exception information. Based on this model, a series of adjustment strategies were proposed to handle corresponding exceptions.By using exception evaluation mechanism and adaptive adjustment algorithm, the adaptation of service composition was realized.The experimental results show that the method can solve exception problems effectively and improve the flexibility of cloud service composition.

Key words:manufacturing cloud;exception handling model;adjustment strategy;adaptive algorithm

作者简介：马文龙，男，1974年生。浙江衢州职业技术学院信息工程学院副教授，浙江工业大学计算机科学与技术学院访问学者。主要研究方向为云制造技术、Web服务和智能推荐技术。发表论文20余篇。赵燕伟，女，1959年生。浙江工业大学机械工程学院教授、博士研究生导师。王万良，男，1957年生。浙江工业大学计算机科学与技术学院教授、博士研究生导师。

中图分类号：TP311.52

DOI：10.3969/j.issn.1004-132X.2016.06.013

基金项目：国家自然科学基金资助项目(51275477)；浙江省自然科学基金资助项目(LY15E050007)；衢州市科技局指导性科技项目(2014047)

收稿日期：2015-09-10