基于多层次属性建模的云制造服务优选方法

鲁城华 鲁县华 钱升华

1(天津财经大学珠江学院数据工程学院 天津 301811) 2(中国科学院自动化研究所复杂系统管理与控制国家重点实验室 北京 100190)

0 引 言

云制造是面向服务的网络化和智能化制造新模式，它将云计算技术、互联网技术、大数据技术等新兴技术结合到一起，把云制造资源的各项制造能力通过虚拟化打包和封装发布到云制造服务平台上，用户可以使用这种服务，即云制造服务(Cloud Manufacturing Services)[1-3]。这种制造模式充分体现出“分散的资源集中化使用、集中的资源分散化服务”的思想，使制造企业由生产型向服务型转化。

制造资源是指在产品制造周期中涉及到的各种要素。目前，对云制造资源的分类并没有统一的标准和定义[4-5]。本文根据以往专家的经验从不同角度对云制造资源的种类进行了详细分析和定义，为服务属性描述和建模打好基础。

云制造服务匹配和优选是根据需求方所提交的请求在云制造平台中查询与其最相关的服务，该问题吸引了大量学者的研究[5-9]。为了提高服务优选的计算效率及准确度，提出一种基于多层次属性建模的云制造服务匹配和优选方法。首先对云制造服务属性进行了详细描述和划分，构建多层次属性描述模型。然后从基本属性匹配、功能属性匹配、非功能属性匹配、综合匹配四个层次对候选服务和请求服务进行匹配。对文本描述类型属性之间的匹配将采用文献[10]提出的基于语义的句子相似度计算方法，该方法已被验证具有较好的相似度计算效果；对于服务类型和前提效果等以集合和逻辑方式描述的属性匹配采用基于集合理论的匹配方法[11]；对于数值型属性的匹配则采用欧氏距离方法来衡量其相似度。经过综合匹配得到一组服务集合，用户可以根据自身需求选出最终承担其制造任务的服务。

1 研究问题及现状

在制造生产过程中，涉及不同类型的资源，服务需求者通过云制造平台对服务进行搜索和匹配从而完成调度和使用[12]。

目前，关于云制造资源的种类划分有很多形式，例如文献[13]根据制造任务属性将制造资源分为产品设计类、制造加工类、检测类、物料零件类、维修类、物流仓储类、方案咨询类和其他类型。文献[14]把云制造资源划分为设备资源、物料资源、人力资源、技术资源、计算资源、服务资源等十大类。

服务资源描述是服务选择和匹配的基础，但目前尚缺乏一种规范统一的描述方式。比如文献[6]提出将云制造资源属性描述为五个方面，分别为表征属性、功能属性、商务属性、资源属性、技术属性。文献[9]考虑了云模式下的机械加工服务，将其描述为五部分：服务编号、基本信息、服务加工能力、服务质量和服务状态。文献[15]将云制造服务定义为六元组：服务提供者、服务类别、制造能力、负荷状态、输入输出、服务质量。以上研究均是从不同角度出发对云制造服务的属性进行了划分，本文将根据云制造服务的特征和分类，结合用户搜索习惯，分别从静态和动态角度对云制造服务属性进行划分，对其进行多层次描述，进一步提高云制造服务的匹配和优选效果。

如何将云平台内的候选服务与用户请求进行完备准确地匹配和优选是云制造服务平台的关键技术之一。文献[8]从运营、产品、组织多维角度对云制造服务进行评价，建立基于模糊AHP与模糊综合评价的云制作服务优选模型，并通过实例验证了方法的有效性。文献[16]提出了一种基于服务属性匹配的云制造服务查询方法，通过构造关键词算法和参数化的属性匹配算法进行服务资源的匹配。文献[17]针对服务优选问题，将服务质量划分成可量化和不可量化两种类型，对可量化类型采用综合加权计算方法进行分析，对不可量化类型则采用直觉模糊集的计算方法进行分析。

目前，云制造服务的匹配和优选研究已经取得了一定成果，但是仍然存在各种问题需要解决。云制造资源种类非常多、分布广泛且性能复杂，大多数只是针对单一资源的描述，缺乏对服务资源和属性的统一描述和建模。传统的匹配方法包括基于关键词的匹配和部分基于语义的匹配方法，前者只重视服务功能的关键词语法匹配，缺乏灵活性；后者对于服务属性的语义提取不够全面，通常只考虑了语义概念之间的简单继承关系，影响了服务的查准率和查全率。为了提高服务优选的效率和匹配的准确性，本文提出一种基于多层次属性建模的云制造服务优选方法。从基本属性匹配、功能属性匹配、非功能属性匹配、综合匹配四个层次对候选服务和请求服务进行计算，对每个匹配层次设定相应的阈值进行服务过滤和筛选，从而提高匹配效率，最终得到一组服务集合以供用户根据自身需求进行选择。

2 云制造系统架构

在云制造系统中，包含三个主要的用户角色：云制造服务平台、服务提供方、服务需求方[18]。云制造系统中的角色类型及运行原理如图1所示。

图1 云制造系统架构

云制造服务平台主要负责各类虚拟化服务资源的发布、管理和维护，实现服务的高效整合与利用。当接到服务需求方的任务请求时，可以动态灵活地为其提供合适便捷的服务资源，为云制造服务的供需双方做好衔接和匹配；服务提供方是云制造服务的提供者，其将自身所拥有的制造资源和能力等进行虚拟化封装成为服务发布到云制造服务平台中；服务需求方是搜索和使用云制造服务的单位或者个人，其根据自身需求，在云制造服务平台的支持下，按需获取和使用各类服务资源。需要注意的是，服务的提供方和需求方角色并不唯一，可以相互转换，可以同时由一个单位或个人扮演。也就是说，服务提供方也可以作为需求方来使用平台中的资源，服务需求方也可以向平台提供其拥有的服务资源供他人使用。

3 云制造服务多层次属性建模

在云制造环境下，制造资源被规范化成为标准的制造服务模式，对外提供制造服务的属性和功能，实现资源共享，在一定程度上隐藏了资源内部的实现细节。为了更好地帮助用户成功匹配所需要的云制造服务和资源，需要建立云制造服务的描述模型，从而能够将异构的云制造资源和服务进行统一的形式化描述，便于服务管理和调度。

由于云制造服务具有多样性、广域性和异构性的特征，资源类型多样，一种描述模板通常无法更好地描述所有云制造服务的特征。因此，云制造服务平台通常采取三阶段描述机制[19]：模板建立、模板获取、服务描述。首先，针对不同类型服务分别建立对应的描述模板，描述其属性特征；然后，平台根据提供者所提供的服务类型为其分配对应的描述模板；最后，提供者根据描述模板对其制造服务进行描述并注册到云制造平台中。下面将对云制造资源进行分类，然后对资源服务属性进行描述和建模。

3.1 云制造资源分类

目前，很多研究人员对云制造资源的分类都不相同，也没有统一的定义和标准划分。本文根据以往专家的经验以及在制造活动中每个阶段的不同需求对云制造资源进行分类，结果如表1所示。

表1 云制造资源分类表

续表1

从以上制造资源的分类来看，不同类型的资源在某些属性上具有共同点，但也存在不同的属性。为了使服务供求双方在制造资源的匹配和调度上具有较高的准确性，就需要对不同类型的资源服务进行统一的属性描述和建模，既可以提炼出一些共同的属性，又可以体现不同资源类型的差异性。

3.2 云制造服务属性描述及建模

属性是云制造服务的核心表现形式，针对服务属性构建相应的描述模型，能够更加清晰地反映云制造服务的特征，对服务的匹配和优选起着至关重要的作用。本文根据云制造服务的特征和分类，结合用户搜索习惯，提出云制造服务多层次属性描述模型，如图2所示，将云制造服务形式化描述为CloudMS=。

图2 云制造服务多层次属性描述模型

(1)SBasicAttr表示云制造服务的基本属性，可形式化描述为SBasicAttr=，分别表示云制造服务的编号、名称、类型、提供者、服务简介。其中ID是云制造服务在云平台上的唯一标识，用于实现服务的定位和检索；服务类型是指服务所属的类型，可以用于服务的初选，提高服务匹配效率。

(2)SResourceAttr是服务的资源属性，包括云制造服务的资源集合，根据表1中对云制造资源的分类，可形式化描述为SResourceAttr=。

(3)SFunAttr表示云制造服务的功能属性，是用户最重视的部分。可形式化描述为SFunAttr=，分别代表服务的输入、输出、前提效果、功能描述，不同类型服务的功能描述有所不同。

(4)SAppliAttr表示云制造服务的应用属性，包括服务提供方式(在线或者离线)、获取方式(免费、租赁或者购买)、部署方式(在提供者本地部署或者服务平台部署)，可形式化描述为SAppliAttr=。

(5)SStatusAttr表示云制造服务状态属性，是对服务当前状态的描述，是服务选择、调度和监控的重要参考因素。可形式化描述为SStatusAttr=，分别表示为服务空闲、满负荷运行、有富余的服务能力、硬件的折旧率、软件版本。其中Free、FullRun、Spare三个属性可以分别用0、100%，以及介于两者的中间值表示。

(6)SPerforAttr表示云制造服务性能属性，描述服务性能所能达到的边界条件及服务能满足用户所要求的精度等，可形式化描述为SPerforAttr=，分别代表服务最小批量数目、极限尺寸大小、最大稳定性、最高精度、最高准确度。

(7)SQualityAttr表示云制造服务的质量属性，可形式化描述为SQualityAttr=，分别代表服务价格、响应时间、可靠性、可用性、柔性。

(8)SAssessAttr表示云制造服务的评价属性，主要是对服务提供者、服务需求者、云制造服务的相关评价信息，可形式化描述为SAssessAttr=，分别代表提供商评价、用户评价、功能评价、性能评价、用户满意度。其中：提供商评价是用户对服务提供商的信誉度、组织管理能力、服务业绩等方面的评价情况；用户评价是提供商对与其合作的用户的期望要求信息。

从以上属性描述模型来看，云制造服务的基本属性、资源属性、功能属性、应用属性和性能属性是相对比较稳定的信息，属于静态属性；状态属性、质量属性和评价属性在服务运行过程中受主客观因素影响会不断发生变化，因此属于动态属性。将云制造服务按照上述描述模型进行描述和发布，便于服务的选择和调用。

4 基于多层次属性建模的云制造服务优选方法设计

4.1 云制造服务的优选框架及流程

当用户需要获得云制造服务时，首先需要对其需求进行描述并提交，然后与云服务进行匹配和交易。本文将云制造服务的属性描述为八类，其中：资源属性描述了完成该服务所需要的资源和工具，可不参与匹配；应用属性是服务提供、获取和部署方式，也不参与匹配；状态属性描述了服务当前的使用状态，受服务提供方和平台运营方授权管理，也不参与匹配。参与服务匹配和选择的属性主要有基本属性、功能属性、性能属性、质量属性、评价属性。因此，本文将云制造需求相应地描述为CloudMR=，每个属性的含义和云制造服务的属性描述相同。

2.3 两组患者围手术期并发症发生率比较 观察组围手术期总并发症发生率显著低于对照组，差异有统计学意义(χ2=4.659，P=0.031)。观察组随访2年，未见网片侵蚀、感染现象发生。见表3。

为了提高云制造服务匹配和优选的精确度，本文从四个层次进行服务的匹配和计算，分别为基本属性的匹配、功能属性的匹配、非功能属性的匹配、综合匹配。其中在非功能属性匹配的计算中主要包括服务的性能属性、质量属性和评价属性三个方面的匹配。本文所提出的云制造服务优选流程如图3所示。

图3 云制造服务优选流程

当云制造服务的需求方提出服务请求时，云制造平台将服务集合中的候选服务和用户请求服务进行匹配。为了提高计算效率，每个层次的匹配均设定一个匹配阈值，只有大于匹配阈值的服务才可以进入下一阶段的匹配。最后，经过综合匹配得到一组服务集合，用户根据自身需求和偏好选出最终承担其制造任务的服务。

4.2 基本属性匹配

在云制造服务的基本属性匹配中，候选服务编号和请求服务编号是服务和需求在云平台上的唯一标识号，生成后不再改变，不需要参加匹配。为了提高匹配效率，首先提取基本属性中的服务类型匹配，进行服务初次筛选。

服务类型通常是代码表示的方式，SBasicAttr.Type和RBasicAttr.Type分别代表候选服务和请求服务的类型代码，本文将采用基于集合理论的匹配方法。当SBasicAttr.Type⊇RBasicAttr.Type，即候选服务类型代码中涵盖了请求服务类型代码，则匹配值为1；当SBasicAttr.Type∩RBasicAttr.Type=!∅，即候选服务与请求服务的类型代码存在交集，但也存在差异，则匹配值为δT<1，δT取值与交集中代码个数有关，交集代码越多则δT取值越大；当SBasicAttr.Type∩RBasicAttr.Type=∅时，说明候选服务与请求服务的类型代码没有任何交集，则匹配值为0。为了提高匹配效率，本文对服务类型匹配设定一个阈值，当类型匹配值大于阈值时，则该候选服务通过筛选，否则将该服务过滤掉。

进行服务初次筛选之后，将进行服务基本属性中的其他属性信息的匹配计算。由于其他属性信息是关于服务名称、提供者信息、服务简介情况的介绍，均是以文本描述的形式出现。因此，对这部分信息的匹配计算将采用文献[10]中的基于本体语义的句子相似度计算方法。为了便于描述，将候选服务和请求服务的基本属性分别表示为SBasicAttr=，RBasicAttr=。

首先提取每个属性指标文本描述中的关键词集合，分别表示为SBk={SBk1,SBk2,…,SBkm}，RBk={RBk1,RBk2,…,RBkn}。然后采用相似度矩阵的方法来计算每个对应属性指标的相似度，如式(1)所示，相似度矩阵SM表示关键词集合SBk和RBk中各个词之间的相似度。其中sij(1≤i≤m,1≤j≤n)代表关键词SBki和RBkj之间的语义相似度，概念词之间的语义相似度计算采用文献[10]中的计算方法。

(1)

根据矩阵SM可以计算关键词集合SBk和RBk的相似度Sim(SBk,RBk)，计算过程如式(2)所示。

(2)

(3)

4.3 功能属性匹配

云制造服务的功能属性主要是对服务的功能描述，包括输入、输出、前提效果、功能描述。前提是指执行该服务之前需要满足哪些约束条件，效果是指执行该服务之后达到的状态。前提效果一般是采用逻辑条件进行描述，因此，将采用与服务类型相同的匹配方法。服务的输入和输出描述的分别是执行该服务所需要的输入参数和输出结果参数，功能描述是对服务功能和执行流程的介绍，均是文本描述。因此，对服务输入、输出、功能描述的匹配将同样采用上文中介绍的基于本体语义的句子相似度计算方法。

Sim(SFunAttr,RFunAttr)=

αF1·Sim(IS,IR)+αF2·Sim(OS,OR)+

αF3·Match(PES,PER)+αF4·Sim(FS,FR)

(4)

4.4 非功能属性匹配

从本文关于云制造服务的属性描述模型来看，服务的性能属性、质量属性和评价属性中有的指标是数值型，比如最小批量数目、服务价格、响应时间、可靠性、可用性等，而有的指标则是定性描述形式，比如提供商评价、用户评价、用户满意度等。对于数值型属性的匹配本文将通过计算候选服务与请求服务之间的欧氏距离来衡量其相似度。对于定性描述指标，由于其难以用精确客观的数值直接进行描述，因此，本文将采用语言评价集进行评价描述，同时根据评价等级进行量化处理，取值范围为[0,1]，如表2所示。经过量化处理之后，定性描述指标的匹配同样可以通过计算服务之间欧氏距离的方法来衡量相似度。

表2 定性指标的语言评价集以及量化值

性能属性、质量属性和评价属性均属于服务的非功能属性，且服务匹配的计算方法相同，在此将对其统一描述。将候选服务和请求服务的非功能属性分别表示为SNF=，RNF=。

由于不同的属性指标具有不同的数据类型，例如，可靠性、可用性、柔性等属于比率型数据，最小批量数目、价格、响应时间等属于数值型数据。对于比率型数据，其变化范围是有限的，通常为[0,100%]；而对于数值型数据，可能存在不同的数据范围。比如响应时间，有的用户响应时间范围为[0 s,1 s]，而有的用户则是[10 s,20 s]。取值范围不同会对整体相似度的计算产生一定影响，因此，本文将采用高斯法[20]对数值型数据进行规范化处理，将其映射到[0,1]之间，如式(5)所示。

(5)

将候选服务和请求服务的非功能属性值经过规范化处理之后，数值的取值范围均在[0,1]之间。然后计算两者之间的欧氏距离来衡量其相似度，计算如式(6)所示。

(6)

欧氏距离和相似度是一对相反的度量标准，欧氏距离越大，相似度越低，反之则说明相似度越高。为了使相似度取值范围介于0和1之间，本文采用一个负指数函数对欧氏距离进行处理，如式(7)所示。ED是根据式(6)计算的候选服务与请求服务非功能属性之间的欧氏距离。

Sim(SNF,RNF)=e-ED

(7)

根据以上计算方法，可以分别得到候选服务与请求服务在性能属性、质量属性和评价属性上的相似度结果，在本文中分别表示为Sim(SPerforAttr,RPerforAttr)、Sim(SQualityAttr,RQualityAttr)、Sim(SAssessAttr,RAssessAttr)。将三者综合计算得到候选服务与请求服务的非功能属性整体相似度如式(8)。

Sim(SNoFunAttr,RNoFunAttr)=

αNF1·Sim(SPerforAttr,RPerforAttr)+

αNF2·Sim(SQualityAttr,RQualityAttr)+

αNF3·Sim(SAssessAttr,RAssessAttr)

(8)

4.5 综合匹配

经过以上服务的基本属性匹配、功能属性匹配和非功能属性匹配之后，可以筛选出一部分候选服务，然后需要计算其综合的匹配结果进行服务的优选。综合匹配的计算如式(9)所示。

Sim(CloudMS,CloudMR)=

δB·Sim(SBasicAttr,RBasicAttr)+

δF·Sim(SFunAttr,RFunAttr)+

δNF·Sim(SNoFunAttr,RNoFunAttr)

(9)

式中：δB、δF、δNF分别为基本属性、功能属性、非功能属性在综合匹配中的权重，δB+δF+δNF=1且δB，δF，δNF∈[0,1]。通过计算候选服务和请求服务的综合相似度，然后根据相似度结果进行排序可以选出满足用户需求的最优服务。如果出现相似度值相同的情况，则对相似度相同的服务以其评价属性相似度即Sim(SAssessAttr,RAssessAttr)的值作为排序的标准，Sim(SAssessAttr,RAssessAttr)的值越大则排序越靠前。

5 应用实例分析

由于云制造服务的定义和描述具有较强的自主性和多样性，当前缺乏一个公共的基准服务库作为标准测试集，因此，大多数研究学者采用自动生成的测试数据进行仿真测试。本文实验将采用一组仿真数据集来验证本文方法的有效性。同时，将本文方法与传统的关键词匹配方法以及文献[13]中的匹配计算方法进行对比分析。

5.1 实验数据

本文以手机外壳加工服务为例，假设请求服务R的属性要求如表3中R列所示，根据我国制造业分类及代码要点[21]，S1，S2，…，S10分别是云制造服务平台中通过服务类型初选(即服务类型匹配值均为1)的10个候选服务，服务的其他属性值如表3所示。其中候选服务和请求服务的评价属性根据表2中的语言评价集及量化值对应关系分别填入了相应的取值，便于服务匹配的计算。

表3 请求服务和候选服务属性列表

续表3

5.2 服务优选效果

根据表3中请求服务和候选服务的描述信息，采用本文所提出的服务匹配和优选方法，分别计算基本属性匹配、功能属性匹配、非功能属性匹配、综合匹配，结果如表4所示。同时，给出了每个匹配层次中不同属性的权值以及每个匹配层次所设定的筛选阈值。在计算综合匹配时，根据经验以及不同类型属性在服务优选中的重要性，基本属性匹配、功能属性匹配和非功能属性匹配分别给予了0.3、0.4、0.3的权重值。

表4 属性权值、匹配阈值、各层次匹配结果列表

根据表4中的计算结果可以发现，候选服务S1在第二阶段功能匹配时未达到阈值，停止匹配计算；服务S3和S7在第三阶段非功能匹配时未达到阈值，停止匹配计算；服务S10在综合匹配之后相似度值小于阈值0.75，因此，不提供给用户。其他候选服务与请求服务的相似度值由大到小排序依次为S2(0.846)、S6(0.829)、S4(0.817)、S9(0.811)、S8(0.766)、S5(0.763)，将这些服务提供给用户进行选择。以上实验结果验证了本文云制造服务优选方法的有效性和可行性。

5.3 方法对比与分析

传统的关键词匹配方法是提取候选服务和请求服务属性描述中的关键词进行匹配，该方法是基于语法的服务匹配，依赖于关键词提取的准确性和全面性。文献[13]对云制造服务资源从服务类型、基本信息、服务质量三个方面进行匹配。在进行类型匹配时，只设定了0和1两个匹配值，当提供方的资源类型与需求方的资源类型相同时匹配值为1，其他情况为0。基本信息匹配包括名称匹配和功能参数匹配，名称匹配采用了基于概念信息量的相似度计算方法[22]，功能参数匹配只考虑了数值型参数，计算了参数区间值之间的相似度。服务质量匹配同样采用欧氏距离计算方法，相似度指标采用数值1与距离值之差来衡量。

本实验将采用手机外壳加工服务的仿真数据集来进行验证和分析，主要采用三个相关性评价指标来评价匹配结果，包括PCC(Pearson’s Correlation Coefficient)、SRCC(Spearman’s Rank Correlation Coefficient)、NDCG(Normalized Discounted Cumulative Gain)。三个指标均可以反映服务匹配结果与人工匹配结果之间的相关性，值越大说明相关性越高。PCC着重于数据的线性相关性，SRCC着重于数据的排序相关性，与数据是否为线性的无关，NDCG着重于数据排名的接近程度及相似性。三个指标的公式分别如下：

(10)

(11)

式中：Ri表示双方排名的相关性等级，为[0,3]之间的整数。当第i个方案在双方排名完全一致时，Ri取3；当双方排名之差的绝对值在[1,3]之间时，Ri取2；当排名之差的绝对值在[4,6]之间时，Ri取1；当排名之差的绝对值大于6时，Ri取0。IDCG是在完美排序下k具有的最大DCG值，在本文中k取10。

(12)

式中：n为评价的数据个数；di为两组数据的秩次值之差。

根据实验数据，分别采用本文方法、传统的关键词匹配方法、文献[13]的计算方法进行候选服务与请求服务的匹配计算，计算PCC、SRCC和NDCG三个评价指标值，结果如图4所示。

图4 三种方法匹配结果对比

从图4三个指标的计算结果来看，本文方法的PCC、SRCC、NDCG三个指标值均大于0.85且优于其他两种方法。说明本文方法与人工匹配结果在前10个服务解的排名上显著正相关，且排名靠前的服务与需求服务相关性更大。文献[13]的三个指标值均优于关键词匹配方法，其NDCG值也高于0.80，说明该方法得到的服务解与人工匹配结果在前10个解的排名次序之间的相似性也非常大。由于关键词匹配方法不能区分一词多义的情况，存在一定缺陷，可能无法准确查询到相关服务，查询效果较差。文献[13]的方法在服务基本信息匹配时采用了概念信息量的相似度计算方法，没有充分考虑概念之间的多重语义关系，因此准确性和有效性较本文方法略低。

6 结 语

本文提出一种基于多层次属性建模的云制造服务优选方法。首先，根据制造周期中不同阶段的需求对云制造资源的种类进行了详细划分；然后构建了云制造服务多层次属性描述模型，从基本属性匹配、功能属性匹配、非功能属性匹配、综合匹配四个层次对候选服务和请求服务进行匹配计算。对不同类型的属性值采取了不同的计算方法，以提高服务匹配和优选的准确性。同时，每个匹配层次所设定的筛选阈值进一步提高了计算效率。实验结果表明，本文方法具有良好的有效性和可行性，相较其他同类方法有较好的查询效果。

本文中对于云制造服务的非功能属性采取的是定值量化方式，比如性能属性和质量属性，评价属性根据评价等级进行了离散量化处理。在实际应用中，服务的非功能属性往往不是固定值，有的是动态变化的，比如服务的可靠性、可用性等。在今后的研究工作中，将进一步考虑服务非功能属性值的模糊性以及对评价属性的细粒度化划分，提升云制造服务的优选效果。