基于超级账本的蚁群因子差分进化算法的可信服务组合优化

冉瑞生　 刘震　祁翔　彭顺顺

摘 要：为了保障服务组合优化过程中的QoS数据的真实性，提出了一种基于超级账本平台的可信框架；同时为了提高服务组合的优化效率，提出了一种蚁群因子的差分进化算法的服务组合优化方法（ACOF-DE）。首先，在超级账本平台上部署相应节点，构建可信框架，保障候选服务的真实性；然后，将所提出的算法以智能合约的形式，在区块链上对服务组合的优化问题进行求解，使组合过程在可信的环境下执行。该算法通过引入多种蚁群因子，比如蚁群路径因子、最优蚁群因子、信息素因子以及基于蚁群因子的差分计算，帮助算法动态控制搜索空间、记录迭代过程中的关键信息，以提高算法优化能力。最后，通过仿真实验证明可信框架可以有效地保障数据的可信； ACOF-DE相比其他智能优化算法拥有更佳的优化效率。

关键词：服务组合； 差分进化算法； 蚁群算法； 区块链

中图分类号：TP391 文献标志码：A 文章编号：1001-3695（2023）10-006-2922-06

doi：10.19734/j.issn.1001-3695.2023.01.0078

Ant colony factor differential evolutionary algorithm based on Hyperledger

Fabric for trustworthy service composition optimization

Ran Ruisheng， Liu Zhen， Qi Xiang， Peng Shunshun

（School of Computer & Information Science， Chongqing Normal University， Chongqing 401331， China）

Abstract：In order to guarantee the authenticity of QoS data in the process of service composition optimization， this paper proposed a trusted framework based on the Hyperledger Fabric. Meanwhile， this paper proposed a service composition optimization method of differential evolution algorithm with ant colony factor to improve the efficiency of service composition optimization. Firstly， this paper deployed corresponding nodes on the Hyperledger Fabric to build a trusted framework that guaranteed the authenticity of the candidate services. Then， in the form of a smart contract on the blockchain， the proposed algorithm solved the optimization problem for the combination of services， enabling the composition process could be execute in a trusted environment. The algorithm helped the algorithm dynamically control the search space and record the key information in the iteration process by introducing various ACO factors， such as the ACO path factor， the optimal ACO factor， the pheromone factor and the difference calculation based on the ACO factors， in order to improve the optimization capability of the algorithm. Finally， the simulation experiments demonstrate that the trustworthy framework can effectively guarantee the trustworthiness of data; ACOF-DE has better optimization efficiency compared with other intelligent optimization algorithms.

Key words：services composition; differential evolution; ant colony optimization; blockchain

0 引言

随着互联网大数据和云计算技术的快速发展，大量的企业以Web服务的形式发布应用资源［1］到互联网上，但单一的Web服务不能满足用户的复杂需求。Web 服务组合技术［2］能够整合互联网上分散的应用资源，组成强大的应用服务，从而有效地解决这一问题。传统服务组合过程中存在一系列的不可信问题。由于组合过程过度依赖第三方机构，用户只能被动接受服务集成的结果，难以约束其中心化行为；服务数据处于互联网环境中，存在伪造窜改的可能；当服务提供商对服务进行修改时，用户无法通过第三方机构追踪到服务的改变。 因此，如何解决服务组合过程中的失信行为是亟需解决的问题［3］。Xiong等人［4］基于服务三方构建了一个三维信任评价体系，通过建立有效的模型进行可信评估，解决了它们之间存在的可信问题。Hasnain等人［5］通过构造模糊规则对服务的QoS进行正确标记，采用REPTree算法对服务的可信性进行辨别，帮助用户选择可信服务。韩敏等人［6］使用贝叶斯理论和用户评价方法从Web服务的主、客观两方面对服务进行可信性评估并建模，从而确保服务组合的可信。Yang等人［7］提出了一種基于 D-S 理论的可信度评估方法，并结合马尔可夫链对服务的可信度状态及其变化状态进行表示，保证服务的可信性。现存方法分别从用户的主观评价和服务的历史客观数据，为服务构建一个有效的可信模型对服务进行评估，帮助用户选取可信服务。但中心化的服务组合过程无法确保可信评估正确执行，并且Web服务的异常改变是不规则的，通过可信模型的评估也不能反映出目前服务的真实质量。

随着区块链技术的快速发展，大量研究利用区块链的去中心化、不可窜改等特性为众多领域的可信问题提出了解决方案，证实了其解决可信问题的普适性。本文基于超级账本平台提出了一种可信框架，为服务组合过程提供可信保障。可信框架分为三个阶段，分别是对身份认证、动态组合验证和服务组合进程。超级账本平台为服务组合提供安全可信的环境，经过认证后获得真实的服务数据，再执行服务组合进程，以获得可信的服务组合方案。同时针对服务组合的优化问题和现存优化算法存在的不足，提出一种基于蚁群因子的差分进化算法（ACOF-DE），提高算法的服务组合性能，为用户寻求最佳的服务组合方案。本文的贡献总结如下：

a）本文基于超级账本平台提出一种可信框架，为服务组合提供安全可信的环境。通过对服务提供商和用户的身份认证，使用分布式账本技术记录双方的身份信息与交易行为，对失信行为进行约束；通过对候选服务集进行动态组合验证，可以有效地筛选出存在问题的服务，确保服务组合进程选择可信服务。

b）本文提出一种ACOF-DE算法用于服务组合优化，算法将多种蚁群算法因子融入到差分进化算法中，分化算法的搜索空间，协同算法选择服务路径进行搜索；记录算法迭代过程中的有用信息，使用相关信息丰富算法的选择策略。以此加快算法的收敛速度，增强算法寻优能力。

1 相关工作

1.1 基于QoS的Web服务组合

目前对于Web服务组合问题已有许多不同的解决方案。文献［8～10］对现有解决服务组合问题的方法进行综述，分析Web服务组合问题的研究进展以及未来的发展方向。Jin等人［11］将一种新型的鹰策略应用到鲸鱼优化算法（MWOA），并采用统一变异策略平衡全局和局部的搜索能力，以保持种群的多样性。Kumara等人［12］将QoS属性作为次要属性，以服务功能属性作聚类来选择服务。Choudhary等人［13］将一种新的突变比例因子引入到差分进化算法，称为ASFDE，该算法根据当前迭代自适应地决定步长，提高算法的搜索能力。Dahan［14］基于蚁群的系统规则，提出一种多代理分布式机制的蚁群算法（MAACS），利用其机制平衡算法的探索过程来提高算法的稳定性。Swetha等人［15］使用形式概念分析构建一个新型的语义Web服务框架，该框架能够有效地减少问题的维度。最后通过强化学习对该框架进行求解，为用户提供有效的解决方案。Liu等人［16］提出一种新的混合进化算法，称为LSNSGA-Ⅱ-DE，该方法在NSGA-Ⅱ的基础上结合差分进化算法的自适应变异算子和交叉算子，并采取局部搜索的方法，使算法在分布范围和收敛性各方面均表现良好。

1.2 区块链技术

区块链技术第一次进入人们的视线是在2008年发布的比特币白皮书中。它是一个去中心化的分布式账本，通过加密算法、共识算法、时间戳、激励策略等机制，使各个节点在无须相互信任的分布式环境下达成点对点的交易。智能合约［17］则是其中的一项特别重要的技术，它是通过信息技术手段实现的可自动执行的计算机协议，能在无第三方可信机构介入的条件下，高效安全地创建多种智能资产。超级账本是众多区块链平台的一种，与比特币、以太坊等区块链网络不同的是，它建立在参与者有一定信任的基础上，因此大大地提高了共识效率［18］，同时支持可插拔的共识协议，使平台能够对不同的任务进行合理的配置，以适应特定的业务场景。在验证过程中，其能够并行执行各阶段的任务，从而提高系统的整体性能和规模。由于区块链具有的这些特性，使它能够有效地解决第三方机构的高成本、低效率、数据不安全等问题，在金融、数字版权、物联网、征信、公益等多个领域都崭露头角。

Viriyasitavat等人［19］提出一个基于区块链的业务流程管理（BPM）框架用于验证企业可信度和管理其服务质量，解决BPM系统依赖领域专家或第三方来处理可信度的问题。Liu等人［20］基于区块链技术提出一种新的综合多属性群体决策（MAGDM）方法，为企业筛选服务提供商，并在决策过程中进行主客观的综合加权计算，使结果更加合理和可靠。Li等人［21］提出一种图矩阵分解法（GraphMF），利用GNN提取区块链上服务的特征，估算区块链网络下服务缺失的服务质量值并作出正确的服务选择。区块链在服务计算的可信问题上也展现出优势。Wang等人［22］提出一种基于以太坊的Web服务组合方法的设计思路，但它只是提出可行的概念，并没有对其进行实现。在之后的工作中，Wang等人［23］将第二价格密封拍卖策略与区块链技术相结合，使用博弈论构建出一组达到纳什均衡状态的服务请求序列，并通过求解混合整数非线性规划数学模型，得到Web服务组合的近似最优解。可见将智能优化算法和区块链技术相结合，能够有效解决服务组合问题。

2 QoS感知的Web服务组合模型

QoS属性是区分和衡量相似Web服务的重要指标，用于服务组合为服务需求者选取最佳服务。QoS具有多个指标，本文通常将其分为两类：一类是积极属性，该指标越大服务质量越好，例如吞吐量，它是单位时间内传输的数据量，吞吐量越大，单位时间内获取的数据就会越多；一类是消极属性，该指标越小服务质量越好，例如响应时间，它是指响应收到请求后的时间，响应时间越大，在请求服务后将会花更长的时间进行等待。对于QoS属性不同的单位和范围，首先，对服务的QoS值进行归一化处理，其目的是将QoS值的范围缩小到［0，1］。然后，再根据服务属性的不同，进行如下计算。积极属性为

其中：qti是服务的一个QoS属性值；qtimax和qtimin为候选服务集中QoS指标的最大值和最小值。

Web服務之间有四种执行关系，分别为顺序、并行、选择、循环。对于不同的服务工作流服务组合有相应的聚合公式，如表1所示。为了突出不同的QoS属性的重要性以及用户的偏好性，为各个QoS属性设置不同的权重W={w1，w2，…，wk}，聚合服务的适应度函数如式（3）所示。本文通过此函数值的大小来评估服务组合的最优性。

3 基于超级账本的可信服务组合方法

本章基于超级账本平台提出一种可信框架，基于此框架使用ACOF-DE算法对服务组合进行优化。

3.1 基于超级账本下的可信框架

传统的Web服务组合过程通过第三方平台执行，服务集成者可以随意修改数据信息；服务提供商也可以在不被监管的情况下修改服务；所有的服务数据均处于互联网中，容易遭受恶意攻击。大量的可信性问题使服务组合的方案不能满足用户的需求。超级账本的区块链网络由多种网络节点进行构建，它能够让传统服务组合过程中第三方平台的中心化权力分散到各网络节点上，可以有效地监管服务提供商对所提供服务的修改，区块链的自身特性也能有效地避免数据遭受网络攻击。然后使用智能合约技术，在执行组合服务任务前对发布在链上的服务进行验证，获取一个可信的候选服务集。最后在区块链网络上运行服务组合算法，保障服务组合方案的可信性，有效地解决了用户、服务提供商和平台之间的信任问题。本文基于超级账本平台提出了一种可信服务框架用于保障服务组合的执行，为用户寻求最优的服务组合方案，该框架分为身份认证、动态组合验证和服务组合进程三个部分，如图1所示。

a）身份认证，用于验证用户和服务提供商提供的身份信息，并赋予发布服务和服务请求的权限。如图2所示，用户和服务提供商通过应用程序访问注册合约；注册合约通过区块链网络与权威机构进行交互，将信息与证书交予权威机构进行验证，证书则需从权威机构获得；通过权威机构中的证书对比和信息校验，然后返回验证结果。

通过验证后，用户和服务提供商将获得此权威机构的数字身份信息，并获得相应的账户和权限。服务提供商通过发布合约发布服务并提供服务接口。当服务发布成功后，服务会与其数字信息进行绑定，且服务只能通过该账户进行发布更新，也会对服务的修改进行监管，一旦出现失信行为，将会永久地记录在账本上，这将会对失信行为起到一定的约束。用户则使用发布合约发布服务请求，当请求发布成功后，将自动执行下一个智能合约，为用户寻求最优服务组合。

b）动态组合验证。接收到服务请求后，自动启动验证合约，获得用户的功能性需求和服务工作流。首先根据用户的功能性需求从发布的服务中，筛选出满足功能性条件的候选服务集合；然后根据服务工作流，选择验证合约下相应的工作流验证程序，将获得最新的服务数据，排除异常数据的服务，以获取可信的候选服务集合。

c）服务组合进程。执行完动态验证后，将可信的候选服务集合传入组合合约。组合合约将会自动调用ACOF-DE算法，为用户寻求服务组合的最优方案。

3.2 基于ACOF-DE的服务组合优化

3.2.1 服务组合优化问题概述

经过动态组合验证后，每个服务节点存在大量的候选服务，如图3所示，假设组合服务由四个子服务进行组合，每个候选服务集分别有1 000个子服务，则服务组合方案将达到万亿个。如何从众多的服务组合方案中得到一个满足用户需求的方案，是服务组合优化所面临的问题。

智能优化算法已在解决服务组合优化问题上体现了其优越性。例如差分进化算法（DE）［24］，它采取“优胜劣汰，适者生存”的策略，在保全样本的全局搜索策略下，根据父代样本间的差分矢量进行变异交叉操作，并采取一对一的竞争生存原则，提高了局部搜索能力，降低遗传的复杂性。但在求解复杂优化问题时，随着种群多样性的降低，差分进化算法容易早熟，并且在搜索后期易陷入局部最优值，收敛的精度也会降低。蚁群算法（ACO）是由Colorni等人［25］受蚂蚁寻找食物的最短路径行的启发而提出的一种智能优化算法。蚁群算法通过信息素进行交流，可以帮助其他种群蚂蚁互相追踪，通过感知路径上沉积的信息素来寻找最优路径。但由于信息素的累积较慢，导致前期收敛速度缓慢，并且随着信息素的累积，算法易于陷入停滞。

针对服务组合优化问题的特点以及现有算法存在的问题，本文提出一种基于蚁群因子的差分进化算法（ACOF-DE），将改进的蚁群因子［26］加入到差分进化算法的变异策略中，改善原有算法在服务组合优化问题上的不足，融合后的算法具有更好的寻优能力。

3.2.2 ACOF-DE算法服务组合优化流程

a）初始化参数。本文算法采取实数编码。首先根据用户的服务请求确定组合方案规模，再确定种群维数和种群数量；然后对蚁群因子进行初始化赋值；最后通过组合服务之间的执行关系选择对应的QoS评价函数进行适应度值计算。

b）变异策略。通过分析差分进化算法与蚁群算法存在的问题，本文引入了蚁群路径因子、最优蚁群因子、信息素因子以及基于蚁群因子的差分计算，如图4所示。

c）蚁群路径因子。算法的搜索空间过大将影响算法的收敛速度与寻优效率，对无效的搜索空间进行搜索，將会导致算法收敛变缓以及陷入局部最优。蚁群路径因子可以分化算法的搜索空间，在初始阶段平均所有搜索空间，随着算法迭代过程中最优适应度值的变化，逐步缩小算法的搜索空间，以提高算法的收敛性。蚁群路径因子为算法选择搜索空间，它包含蚁群访问记录和蚁群路径选择参数，记录每一次选择的服务路径，当搜寻到更好的服务或蚁群访问记录达到预设上限，蚁群访问记录便会被清零。蚁群访问记录的计算公式如下：

d）信息素因子与最优蚁群因子。蚁群算法中，通过信息素引导算法选择最优路径，加快了算法的收敛速度的同时也使算法容易陷入局部最优，只有合理地运用搜索过程中的信息素才能增加算法选择到最优值的概率。本文使用两种因子记录蚁群探索过程中所留信息，其中信息素因子是记录蚁群选择服务后所产生的信息素，优质的服务会通过不断迭代的信息素集合大量蚁群不断前往，使算法优先选择此服务。最优蚁群因子则记录着当前每个路径下的最优服务，如式（7）所示，其中baco表示最优路径点集合，sk为蚁群第k个路径下的最优服务。

算法的每一次迭代，蚁群都会与最优蚁群因子发生竞争，以此不断更新并保存优良服务，从而加快算法收敛。种群根据路径因子选择一个服务路径，将该路径下的服务更替为最优蚁群因子的服务，形成一个新的种群Px。然后通过信息素因子所记录的信息素进行轮盘赌计算，选取服务进行替换，形成一个新的种群Py。

e）基于蚁群因子差分计算。算法在后期由于信息素的堆积，会多次选择相同服务，容易陷入局部最优。采用基于蚁群因子的差分计算式（8），能帮助算法探索最优蚁群因子周围的服务，在前期加速算法搜索，在后期帮助算法跳出局部最优。种群通过此方法形成一个新的种群Pz。

其中：xnew表示新的服务；xbest表示最优蚁群因子的服务；xτ表示信息素因子选择的服务；F为缩放因子，取值为［0，1］。

f）信息素的产生与更新。本文算法在前期由于最优蚁群因子的存在，会快速地为服务堆积大量的信息素，从而导致算法容易陷入局部最优。所以针对最优蚁群因子所选择的服务，缩减其产生的信息素；并同时加大其他两种变异策略所产生的信息素，从而增强算法搜索能力。然后在每次迭代后，对信息素进行更新，避免过往的信息素对当前搜寻影响过大，残留信息素更新公式如下：

其中：τ（si）為某一服务的信息素;ρ为蒸发系数;Δτ（si）为迭代结束后信息素增量。通过对比待定种群Px、Py和Pz的适应度值，选取适应度值更高的待定种群作为下一代种群。通过一定次数的迭代，找出最优的服务组合方案。

算法1 ACOF-DE算法

a）初始化算法参数：种群规模N，最大迭代次数max，适应度函数Q，蚁群访问记录acr，蚁群路径选择参数acoP，最优蚁群因子baco，蚁群信息素τ（si）；

b）初始化各种群并计算出各种群的适应度值Q；

c）根据蚁群路径选择参数，使用式（6）选择当前蚁群搜寻路径；

d）根据最优路径点集合选择当前最优服务进行替换，获得新种群Px；

e）根据蚁群信息素随机选择新服务进行替换，获得新种群Py；

f）根据式（8）获得新种群Pz；

g）计算并对比Px、Py和Pz的适应度值Q，选择出最佳的种群P；

h）根据种群P的选择，更新最优蚁群因子；

i）根据式（4）（5）分别对蚁群访问记录和蚁群路径选择参数进行更新；

j）根据式（9）对蚁群信息素进行更新，并在下一代种群产生前对蚁群信息素进行衰减；

k）重复之前的过程，直到设置的最大迭代次数。

4 实验设计与结果分析

为验证本文所提出的基于超级账本的可信框架和评估ACOF-DE算法的性能，进行以下一系列实验。首先基于QoS感知Web服务组合模型，采用本文提出的ACOF-DE算法与其他几种算法进行对比，对本文算法性能进行评估。然后在虚拟机Ubuntu系统上部署超级账本网络，验证本文可信框架的有效性。所有实验都在一台Intel Core i5-11300H 3.1 GHz CPU，16 GB内存的电脑上进行。

4.1 实验设置

4.1.1 数据集

本文实验采用通用综合服务数据集QWS［27］。此外，为了保证实验结果的客观性，随机生成一组仿真数据集（Synthetic数据集），具体生成方法见文献［28］。

4.1.2 实验方法与评估

为验证ACOF-DE在基于QoS感知的Web服务组合模型求解服务组合问题的有效性，本文的仿真实验采取顺序拓扑结构，与ACO、DE两种初始算法、基于突变因子改进的差分进化算法ASFDE、基于多搜索策略岛屿模型改进的人工蜂群算法MSSIABC［29］和基于遗传变异策略与动态视野改进的北极熊算法MPBO［30］进行对比。通过比较各算法的最佳适应度值，以评估算法的寻优能力；通过对比算法的收敛性，以评估算法的执行效率。算法性能会随着不同的服务组合规模而变化，为了测试算法效果，实验需要在不同的服务组合规模下进行实验，实验配置方案如表2所示。主要是对候选服务集合的数量和服务请求的数量进行变更，以达到不同的场景，测试算法在不同的场景所发挥的性能的差异性，最后综合评估算法的性能。

为评估基于超级账本的可信框架的有效性，首先采取文献［5］中的if-then规则为基于QWS数据集的服务数据打上可信标签，形成if-then规则的可信验证服务数据集；同时通过随机的方式为服务数据打上可信标签，形成一种随机变化的可信验证服务数据集。在两种不同规则的数据集下，对比超级账本实时验证方法与多种分类器算法REPTree、J48和BayesNet的可信识别准确率，以证明超级账本实时验证方法的有效性。然后在超级账本平台上随机生成服务的QoS数据并记录在候选服务集，并随机选取候选服务集中一定比例的服务设置为不可信服务，然后使用可信框架进行服务组合，排除失信服务。实验的服务请求数量为5，候选服务数量为100，设置不同数量的不可信服务，其QoS值设置为原始的40%。通过对比可信框架下的服务组合与无可信框架下的服务组合方案的真实适应度值，以验证可信框架能否确保服务组合选择可信服务；并在不同数量的失信候选服务集下，测试可信框架的效果。最后综合评估可信框架的有效性。

4.2 实验结果

4.2.1 算法性能

图5展示了场景1中，迭代300次各个算法的最佳适应度值。它们都是根据QWS数据集进行计算的，通过柱状图展示了ACOF-DE、ASFDE、ACO、DE、MPBO和MSSIABC算法的最佳适应度值。通过观察可以明显看到，ACOF-DE的适应度值高于ASFDE、ACO、MPBO和DE的值，与MSSIABC算法持平。但随着候选服务数量的增长，ACOF-DE算法性能保持着稳定的增长，而其他算法都略微有所降低。

表3展示了场景2中，各个算法迭代300次，计算所得的服务的最佳适应度值。可以看到，ACOF-DE算法的最佳适应度明显高于ASFDE、ACO、DE和MPBO，与MSSIABC持平。并且随着组合服务的数量的增加，ACOF-DE和MSSIABC的值不相上下，随着规模不断变大，ACOF-DE显现出了在大规模上的优势，并扩大与其他算法的差距。通过对两组实验的观察，可以发现ACOF-DE算法总是能寻找出适应度高的服务组合结果，相比于其他算法，它有着较好的效果。不论是服务请求的数量增加，还是候选服务集的增加，ACOF-DE都能很好地适应，有着非常优良的效果和稳定性。可见通过引入多种蚁群因子来指导变异，使算法更好探索服务组合的解空间。正如本文在3.2节中所介绍，蚁群因子增强了原始进化算法的搜索能力，使算法能够利用蚁群因子搜集的信息对候选服务集合进行有效的探索，使算法的优化程度得到了提高，并且通过扩展蚁群因子的规模能适应各种场景下的服务组合问题。

图6展示了各算法迭代1 000次寻找到最佳适应度值的次数的情况。实验的候选服务集为100、服务请求数量为5，根据QWS数据集计算。观察折线图的趋势可以明显看出，ACOF-DE在算法早期就能寻找到最优适应度值，相对于其他算法具有极快的收敛速度。迭代1 000代的平均时间如表4所示，ACOF-DE执行时间优于ACO、MPBO和MSSIABC算法，但慢于ASFDE、DE。ACOF-DE是在初始DE算法的基础上引入相关蚁群因子，算法的复杂度远大于原始算法，但也拥有了更佳的搜索能力和收敛速度，使算法能够快速地搜寻到最优的服务组合方案；由于ACOF-DE算法的快速收敛，算法在后期的执行过程中只执行改进的差分进化策略，算法复杂度降低，使得算法速度接近于原始算法；而蚁群因子是对ACO部分的抽离，并且通过改进加快了信息素的积攒，并解决了ACO算法易陷入局部最优的问题，使ACOF-DE快于ACO算法。与先进算法的对比中，在获取相对较好的结果上ACOF-DE的收敛速度更快。结合图6中各算法收敛的代数和表4的时间可知，虽然ACOF-DE算法运行时间不是最快的，但其快速的收敛速度，使其能够在更早的时间寻找到最优值，说明ACOF-DE具有更好的效率。

4.2.2 可信框架的有效性

图7展示了REPTree、J48、BayesNet算法和超级账本可信框架对可信服务的验证的准确率，通过柱状图可以发现，基于可信框架的验证可以非常准确地验证服务的可信性。分类器算法在通过if-then规则构建的数据集中达到了90%多的准确率，但在随机标记的情况下只有50%左右的准确率。分类器算法能够对满足相关规律的服务数据进行准确验证，但在实际的情况中，服务质量的改变是无规则的，这种情况下分类器难以通过历史数据获得的模型对服务进行有效的判别。而超级账本的实时动态检测能在服务组合过程前对候选服务集进行实时验证，通过准确客观地对服务进行检测，以此排除不可信的服务。图8展示了ACOF-DE在有无可信框架下连续验证10次真实适应度值的变化，不可信服务数量设置为20。通过观察可以明显地看出，ACOF-DE在无可信框架下的情况下，算法多次因为选择了不可信的服务，导致服务组合的结果十分不理想，远远低于在可信框架下的结果。较少情况服务组合的方案一致，这是由于随机设置的不可信服务未影响到优质的服务。对于失信服务数量的不同，表5展示了可信框架下服务组合的真实适应度值与无可信框架的差异性，其真实适应度值的结果远大于无可信框架下的结果。并且随着失信服务的增加，真实适应度值在下降，但各算法的结果仍然大于无可信框架下的结果，服务组合方案也均由可信服务组成，可见可信框架能在有限的可信服务中确保服务组合选择可信服务，但是由于可信服务的减少，其适应度值会逐渐降低。在可信框架下ACOF-DE和ASFDE算法都受到了保障，可见可信框架适用于任何算法，使算法能够有效运行，选择可信的服务进行服务组合。綜上所述，可见服务组合的可信性问题十分重要，只有真实可信的服务数据，才能使服务算法选择的方案满足用户需求；而在基于超级账本的可信框架下则能够有效地排除失信服务，保障服务组合算法的有效性，为用户提供有效的服务组合方案。

5 结束语

本文针对服务组合过程中的优化问题和可信问题，首先基于超级账本平台提出一种可信框架，保障服务组合过程中的服务数据的真实性；然后基于QoS的感知模型提出一种基于蚁群因子的差分进化算法的服务组合优化方法，通过引入蚁群路径因子加快算法收敛性，使用最优蚁群因子和信息素因子增强算法寻优能力，而基于蚁群因子的差分计算能加快前期信息素的堆积和帮助算法跳出局部最优;最后通过在不同的任务规模下与其他先进的智能优化算法进行实验对比，结果表明本文方法有着更优秀的寻优能力和效率，并有着更强的适应性。通过对比实验分析出分类器算法对于不规则数据的局限性，而实时检测能够准确客观地对任何服务作出评价；然后通过加入虚假数据，验证了可信框架能够辨别不可信服务，保障服务组合方案的有效性。在未来工作中，会在此基础上为服务组合问题设计相关可信性模型，更好地解决服务组合相关的可信性问题；进一步对其他优化算法进行研究，探索更为有效的算法，应用到服务组合的优化问题上。

参考文献：

[1]Yao Yan， Cao Jian， Jiang Yusheng， et al. An optimal engine component placement strategy for cloud workflow service［C］//Proc of IEEE International Conference on Web Services.Piscataway，NJ：IEEE Press，2016：380-387.

［2]Xu Xiaofei， Sheng Q Z， Zhang Liangjie， et al. From big data to big service［J］.Computer，2015，48（7）：80-83.

［3]Jsang A， Ismail R， Boyd C. A survey of trust and reputation systems for online service provision［J］.Decision Support Systems，2007，43（2）：618-644.

［4]Xiong Weiqing， Lim M K， Tseng M L， et al. An effective service trust evaluation and preprocessing approach considering multi-user interests in cloud manufacturing［J］.Computers & Industrial Engineering，2022，173：108728.

［5]Hasnain M， Ghani I， Pasha M F， et al. Machine learning methods for trust-based selection of Web services［J］.KSII Trans on Internet and Information Systems，2022，16（1）：38-59.

［6]韓敏，段彦忠.融合可信性评价的Web服务组合QoS优化［J］.控制与决策，2020，35（8）：1859-1865.（Han Min， Duan Yanzhong. QoS optimization of Web services composition incorporating with credibility evaluation［J］.Control and Decision，2022，35（8）：1859-1865.）

［7]Yang Ming， Gao Tilei， Xie Wanyu， et al. The assessment of cloud service trustworthiness state based on DS theory and Markov chain［J］.IEEE Access，2022，10：68618-68632.

［8]Jatoth C， Gangadharan G R， Buyya R. Computational intelligence based QoS-aware Web service composition： a systematic literature review［J］.IEEE Trans on Services Computing，2017，10（3）：475-492.

［9]Shehu U G， Epiphaniou G， Safdar G A. A survey of QoS-aware Web service composition techniques［J］.Foundation of Computer Science，2014，89（12）：10-17.

［10]Sridevi S， Karpagam G R. Investigation on blockchain technology for Web service composition：a case study［J］.International Journal of Web Services Research，2021，18（1）：70-92.

［11]Jin Hong， Lyu Shengping， Yang Zhou， et al. Eagle strategy using uniform mutation and modified whale optimization algorithm for QoS-aware cloud service composition［J］.Applied Soft Computing，2022，114：108053.

［12]Kumara B T G S， Paik I， Siriweera T， et al. QoS aware service clustering to bootstrap the Web service selection［C］//Proc of IEEE International Conference on Services Computing.Piscataway，NJ：IEEE Press，2017：233-240.

［13]Choudhary N， Sharma H， Sharma N. Adaptive scale factor based differential evolution algorithm［C］//Proc of the 6th International Conference on Soft Computing for Problem Solving.Berlin：Springer，2017：1-11.

［14]Dahan F. An effective multi-agent ant colony optimization algorithm for QoS-aware cloud service composition［J］.IEEE Access，2021，9：17196-17207.

［15]Swetha N G， Karpagam G R. Reinforcement learning infused intelli-gent framework for semantic Web service composition［J］.Applied Intelligence，2022，52（2）：1979-2000.

［16]Liu Li， Gu Shuxian， Fu Dongmei， et al. A new multi-objective evolutionary algorithm for inter-cloud service composition［J］.KSII Trans on Internet and Information Systems，2018，12（1）：1-20.

［17]Christidis K， Devetsikiotis M. Blockchains and smart contracts for the Internet of Things［J］.IEEE Access，2016，4：2292-2303.

［18]Gorenflo C， Lee S， Golab L， et al. FastFabric： scaling Hyperledger Fabric to 20 000 trans per second［C］//Proc of IEEE International Conference on Blockchain and Cryptocurrency.Piscataway，NJ：IEEE Press，2019：455-463.

［19]Viriyasitavat W， Li Daxu， Bi Zhuming， et al. Blockchain-based business process management （BPM） framework for service composition in industry 4.0［J］.Journal of Intelligent Manufacturing，2020，31（7）：1737-1748.

［20]Liu Sen， Hu Yanan， Zhang Xiao， et al. Blockchain service provider selection based on an integrated BWM-Entropy-TOPSIS method under an intuitionistic fuzzy environment［J］.IEEE Access，2020，8：104148-104164.

［21]Li Yuhui， Xu Jianglong， Liang Wei. GraphMF：QoS prediction for large scale blockchain service selection［C］//Proc of the 3rd International Conference on Smart BlockChain （SmartBlock）.Piscataway，NJ：IEEE Press，2020：167-172.

［22]Wang Puwei， Liu Xiaohe， Chen Jinchuan， et al. QoS-aware service composition using blockchain-based smart contracts［C］//Proc of the 40th International Conference on Software Engineering：Companion Proceeedings.2018：296-297.

［23]Wang Puwei， Meng Ji， Chen Jinchuan， et al. Smart contract-based negotiation for adaptive QoS-aware service composition［J］.IEEE Trans on Parallel and Distributed Systems，2018，30（6）：1403-1420.

［24]Storn R， Price K. Differential evolution-a simple and efficient heuristic for global optimization over continuous spaces［J］.Journal of Global Optimization，1997，11（4）：341-359.

［25]Colorni A， Dorigo M， Maniezzo V. Distributed optimization by ant colonies［C］//Proc of the 1st European Conference on Artificial Life.1991：134-142.

［26]Chitty D M. Partial-ACO as a GA mutation operator applied to TSP instances［C］//Proc of Genetic and Evolutionary Computation Confe-rence Companion.2021：69-70.

［27]Al-Masri E， Mahmoud Q H. QoS-based discovery and ranking of Web services［C］//Proc of the 16th International Conference on Computer Communications and Networks.Piscataway，NJ：IEEE Press，2007：529-534.

［28]Wang Hongbing， Zou Bin， Guo Guibing， et al. Integrating trust with user preference for effective Web service composition［J］.IEEE Trans on Services Computing，2017，10（4）：574-588.

［29]胡強，田雨晴，綦浩泉，等.基于改进人工蜂群算法的云制造服务组合优化方法［J］.通信学报，2023，44（1）：200-210.（Hu Qiang， Tian Yuqing， Qi Haoquan， et al. Optimization method for cloud manufacturing service composition based on the improved artificial bee colony algorithm［J］.Journal of Communications，2023，44（1）：200-210.）

［30]廖文利，魏乐，王宇.基于改进北极熊算法的制造云服务组合优化［J］.计算机应用研究，2022，39（4）：1099-1104.（Liao Wenli， Wei Le， Wang Yu. Manufacturing cloud service composition optimization based on modified polar bear algorithm［J］.Application Research of Computers，2022，39（4）：1099-1104.）

收稿日期：2023-01-07；修回日期：2023-02-17

基金项目：重庆市技术创新与应用发展专项面上项目（cstc2020jscx-msxmX0190）；重庆市教委科学技术研究项目（KJZD-K202100505，KJQN202100515）；重庆师范大学（人才引进/博士启动）基金项目（21XLB003）

作者简介：冉瑞生（1976-），男，教授，硕导，博士，CCF会员，主要研究方向为机器学习、计算机视觉；刘震（1997-），男，硕士研究生，主要研究方向为服务组合、智能算法；祁翔（1998-），男，硕士研究生，主要研究方向为服务组合、智能算法；彭顺顺（1987-），女（通信作者），讲师，博士，主要研究方向为服务计算、智能算法（pss@cqnu.edu.cn）.