面向服务优化组合的云双链结构

摘 要：

将区块链技术用于云制造平台，可使其具备资源管理去中心化、数据分布式存储、平台鲁棒的特性，然而在服务优化组合的实施过程中，其面临资源需中心化调度，数据录入依赖于区块生成时刻，执行方案缺乏动态适应性等问题。因此，提出面向服务优化组合的云双链结构（cloud dual-chain）。cloud dual-chain由制造服务链（manufacturing service chain，MSC）和过程数据链（process data chain，PDC）构成，将服务资源和组合方案进行分链管理，使云制造平台兼顾区块链特性及真实服务协同需求。cloud dual-chain的制造服务由企业自身管理，由智能合约根据任务顺序筛选形成MSC链，兼顾分布式和中心化管理；PDC基于服务组合方案产生，其节点可并行记录过程数据；若出现失效服务，在相应MSC节点中调用新服务，并在PDC节点中更新信息以确保执行方案具有动态适应性。实验表明，cloud dual-chain可实现服务的灵活管理、过程数据分布式并行录入，并赋予执行方案动态适应性。cloud dual-chain可为云制造平台的发展提供有效支持。

关键词：企业协同；区块链；云制造；制造企业

中图分类号：TP399 文献标志码：A ; 文章编号：1001-3695（2024）09-006-2604-07

doi：10.19734/j.issn.1001-3695.2023.12.0617

Cloud dual-chain structure oriented to service optimization composition

Gao Jie1， Liang Bo2

（1.Shanxi Vocational University of Engineering Science & Technology， College of Intelligent Manufacturing， Shanxi Jinzhong 030619， China; 2. Taiyuan Normal University， College of Computer Science & Technology， Shanxi Jinzhong 030619， China）

Abstract：

Applying blockchain technology to the cloud manufacturing platform （CMfg） endowed it with features such as decentralized resource management， distributed data storage， and platform robustness. However， during the implementation of service optimization composition， challenges are encountered， including the need for centralized resource scheduling， data entry dependence on the moment of block generation， and a lack of dynamic adaptability in the execution scheme. To address this， this paper proposed a solution in the form of cloud dual-chain oriented to service optimization composition. The cloud dual-chain comprised a manufacturing service chain （MSC） and a process data chain （PDC）. It segregated the management of service resources and composition scheme into distinct chains， allowing the CMfg to reconcile blockchain characteristics with real-world service collaboration needs. The manufacturing service within the cloud dual-chain was self-managed by the enterprise， and the MSC chain was formed by smart contracts based on task orders， balancing distributed and centralized management. The PDC， generated based on service composition， recorded process data in parallel. In case of service failure， a new service was invoked in the corresponding MSC node， updating the information in the PDC node to ensure dynamic adaptability of the execution plan. Experimental results demonstrate that cloud dual-chain facilitates flexible service management， distributed parallel entry of process data， and provides dynamic adaptability to execution scheme. Cloud dual-chain can effectively support the development of CMfg.

Key words：enterprise collaboration; blockchain; cloud manufacturing; manufacturing enterprises

0 引言

制造业是我国重要的基础行业，国家发展、社会进步都需要强大的制造业作为支撑［1］。然而对于众多制造企业，尤其是中小制造企业而言，资金不足、信息壁垒、信任不足等问题制约着其自身的发展。若将这些企业的制造资源以服务的形式共享，可以提高生产效率、降低成本并提升经济收益。李伯虎等人［2］在云计算的基础上提出“云制造（cloud manufacturing，CMfg）”，为共享制造服务提供了解决方案。CMfg将信息技术、制造技术及新兴互联网技术等交叉融合，实现制造即服务，使制造企业在现有的网络与制造资源环境下，为用户提供高价值、低成本、按需使用的共享服务。CMfg的提出加速了制造企业的服务化拓展，将生产过程中所涉及的制造资源以服务的方式向用户提供，将多个服务以组合的形式提供给用户，以满足用户的个性化需求［3～6］。

随着大量服务涌出和不断发起的任务请求，CMfg平台中将会产生越来越多的服务组合。服务优化组合属多目标优化问题，众多学者已提出多种算法求解此类问题［7］，如遗传算法［8］、布谷鸟算法［9］、花授粉算法［10，11］、差分算法［12］等，其最终目的是获取一组最优服务组合推荐给用户。然而CMfg的实现不仅依赖于组合获取算法，其架构模型也是热点研究问题。Wang等人［13］建立了基于可重写Petri网（RPN）的CMfg服务模型，利用RPN的可重写规则描述个性化定制的重构过程，并建立了基于非支配排序遗传算法的CMfg资源分配策略，以获得时间和成本方面的最佳个性化定制方案。Chuang等人［14］为在CMfg中整合网络空间和物理空间，从而使服务组合有效执行，将共生模拟定位为CMfg平台中最主要的问题，并采用运筹学与机器学习方法促进共生模拟的实现。Hu等人［15］提出个性化产品定制对CMfg平台的智能性、灵活性和实时性需要较高要求，搭建了云边端协同架构来处理分布式数据和快速进行决策，进一步提出并详细分析深度学习模型的垂直/水平分布式部署和更新机制，从而为个性化产品的定制提供快速响应和高性能决策服务。

上述研究从不同角度对CMfg架构模型进行了研究，并取得成效。但对于众多制造企业而言，实现CMfg存在三方面问题：a）架构平台运行依赖中心化管理机构，隶属不同企业的制造服务由同一个云平台管理，导致了服务管理过度集中化，服务的特色优势无法凸显；b）过程数据录入靠中心化的平台执行，CMfg虽然可以提供全生命周期各个环节的数据记录，但由于中心化的管理导致过程数据的录入也由中心平台分配或控制，造成中心平台负载过大；c）CMfg平台鲁棒性差，当CMfg平台受不稳定因素影响，会导致整个管理过程不稳定，在无法修复的情况下会导致中心系统崩溃，服务组合任务无法执行。总的来说，上述问题的根源基本在于中心化的处理机制。

区块链的去中心化机制可为上述问题提供分布式解决依据。区块链是一种全新的分布式基础架构与计算方式［16，17］。在CMfg的服务组合实施过程中，区块链技术可以从多个角度获取组合优化方案。Tong等人［18］利用区块链的去中心化和可追溯特性提出了一个多目标组合架构，并基于历史信息，提出一个存储结构最优选择的挖矿机制，为CMfg提供了灵活且可配置的实施方案。Zhang等人［19］基于区块链分布式存储、共识机制，将区块链和CMfg进行融合，研究了面向服务的调度和优化流程，提高了制造服务的协作能力和信息安全性。Patel等人［20］基于区块链的数据安全性、节点间的透明性和信任性，提出了一个将区块链集成到人工智能辅助制造系统中的架构，并阐述该架构如何加速早期产品设计、协作和制造流程。Hewa等人［21］基于区块链的安全特性，提出了一种基于区块链和雾计算的安全服务架构，该架构在制造设备集群边缘的雾节点上运行。拟议的服务有助于制造设备身份验证和设备云通道隐私保护，同时保留区块链上的匿名性和不可链接性。Matenga等人［22］基于区块链的可追溯性，提出了基于区块链的云制造即服务系统，实现轨道车制造商供应链管理中零件来源、可追溯性的执行和分析。

将区块链技术应用于CMfg，可使CMfg在无须三方管理机构的基础上，有效地实现制造服务的去中心化管理及过程数据的分布式录入，增强CMfg的鲁棒性，促进制造企业的分布式协同服务。然而在服务优化组合实施过程中，存在三类问题：a）完全去中心化服务管理存在限制，制造服务的管理完全由企业自身实现，会导致方案调用时出现调用冲突、服务匹配性差等问题；b）数据录入依赖于区块生成时刻，当在方案执行过程中，过程数据的录入依赖于所有前期区块节点的数据录入是否完成，若未完成，则无法进行新数据录入；c）方案实施时动态适应性弱等问题，当某个节点失效，会出现组合方案的实施中断或进一步导致整个方案无法继续进行下去。

本文针对服务优化组合实施过程中存在的问题，提出了面向服务优化组合的云双链结构（cloud dual-chain）。cloud dual-chain通过制造服务链（manufacturing service chain，MSC）和过程数据链（process data chain，PDC）将制造服务和组合优化实施分别进行链式管理。制造服务管理归属于企业自身，通过采用智能合约根据任务实现服务的调用，形成MSC链，兼顾分布式与中心化服务管理；通过PDC链实现方案执行过程中数据的分布式并行录入；方案实施过程中遇到服务失效时，在不影响其余节点服务的基础上，对相应PDC和MSC节点的数据进行更新，使最终方案在实施过程中具有动态适应性。

1 相关概念

1.1 服务组合的获取

CMfg将多种不同的制造服务组合在一起，为客户提供个性化及灵活的制造解决方案，从而实现制造服务的高度集成和企业协同。在CMfg中，传统服务优化组合的实施根据任务选择不同的候选服务进行组合并不断优化，最终产生优质服务组合进行推荐［23］，其获取过程主要分为四步：

a）制造任务发布。需求企业将复杂制造任务T发布到平台中，复杂制造任务由多个子任务t所构成。T={t1，t2，…，tn}，下标代表不同的子任务序号。

b）制造服务发布。服务提供企业将所持有的资源r根据资源自身特性发布到平台中，以形成服务service。

c）服务组合与评价。以子任务为基础标准，通过计算云中的服务与子任务之间的关联度，再根据子任务序列组合服务scj，scj={servicej1，servicej2，…，serviceji…，servicejn}，并进行评价。其中i表示服务在服务组合中的序号，j表示服务组合的序号，评价模型为eva（.）。实现根据子任务的服务组合与评价，并获取评价值scEj，scEj=eva（scj）。

d）服务组合推荐。通过优化方法及评价模型不断地优化服务组合scE，最终选择一个最优组合bsc进行推荐以服务用户，bsc=best{scE1，scE2，…}。

1.2 区块链

区块链（blockchain）源于2008年中本村对比特币系统的讨论，首次被人们关注源于2009年初上线的比特币项目［24］。区块链是一种分布式数据库，采用去中心化方式进行数据存储和交易验证，用于记录和存储经过加密的交易数据，以确保数据的安全性和不可窜改性［25，26］。区块链包括三个主要概念：

a）区块。区块是区块链的基本组成部分，每个区块包含了一些交易记录以及一个指向前一个区块的链接。

b）链。区块按照时间顺序排列形成了一个链，每个区块都被链接到前一个区块，构成了一个完整的区块链。

c）智能合约。智能合约是一种自动执行的计算机程序，可以在区块链上执行，并根据预先设定的条件来触发特定的操作。

区块链的结构具体如图1所示，主要由区块头和区块体构成。区块头主要包含5个内容，分别是：a）前一个区块的哈希值，用于将当前区块与前一个区块进行链接；b）时间戳，指明该区块被创建的时间；c）版本号，指明区块使用的协议版本；d）Merkel根，是一种哈希树，将该区块包含的所有交易的哈希值聚合成一个根哈希；e）随机数（nonce），用于在去中心化的环境下提供公平、安全、信任的区块访问。区块头中的这些元数据和哈希信息可以确保该区块的安全性、完整性和可验证性。任何修改区块的交易、时间戳等信息都会导致该区块的哈希值发生变化，从而破坏区块链的一致性和完整性。因此，区块头对于区块链的正确性和可靠性至关重要。区块体主要包含了区块链上交易信息的详细数据等信息。

区块链可以根据参与者的不同分为公有链和私有链。其中公有链是开放的、去中心化的，任何人都可以参与，如比特币区块链、以太坊；私有链则是封闭的、集中化的，只有特定的人或机构才能参与，如联盟链。两者有明显的共同优势：

a）服务去中心化共享。区块链无须中心化的第三方机构，参与者可以直接进行交互和交易，增加参与者之间的信任度。

b）数据信息分布式存储。区块链是由多个区块按照时间组成的链条，每个时间段所发生的交易都被保存在不同服务器中，其管理权去中心化，每发生一次交易，全部节点都记录这个动作。

c）平台容错性强。区块链共享平台采用分布式去中心化结构，使系统具有鲁棒性，区块链的共识机制保证所有诚实节点保存一致的区块链视图，增强了系统的安全性，当节点发现异常时，系统仍可以继续运行。

2 云双链结构

本文面向CMfg的服务协同存在服务完全分布式管理不实际、数据录入时节点间时间依赖性强、方案实施时动态适应性弱的问题，结合区块链去中心化机制，提出cloud dual-chain。

2.1 cloud dual-chain模型

cloud dual-chain的模型如图2所示，主要包括制造服务链（manufacturing service chain，MSC）和过程数据链（process data chain，PDC）。MSC和PDC都是依据发布任务的子任务结构一一建立的，所以两者的节点个数和子任务个数相同。

1）发布的任务

任务需求者发布制造任务T，T={t1，t2，t3，…}，由不同子任务t构成。子任务执行顺序有顺序、并行、选择、循环四种结构［27］，本文以顺序结构为基础进行研究。每个子任务t都不能再分割，1个子任务t只能由一个服务service完成，而不能由多个服务协同完成。每个子任务信息均包括了该任务的特征与需求，如制造特点和子任务的排序、产品几何尺寸精度要求等。

2）MSC

MSC在子任务流程的基础上所形成，用于记录可以完成子任务的所有服务信息及匹配度。如图2中红色块状结构和红色箭头所示，每个块状结构表示一个区块，每个区块中记录了可以完成该任务的所有服务信息。每个服务的信息主要包括制造设备当前状态数据、制造决策案例、优势数据，与任务的匹配度。在MSC中一个服务必然隶属于一个企业，一个企业可以同时拥有多项服务。

3）PDC

PDC在MSC的基础上进一步提取形成，用于记录制造过程中所提供服务的相关数据，具有实时记录的功能。如图2所示，区块用蓝色块状结构和箭头表示，每个块状结构表示一个区块，与MSC不同的地方是，PDC内每个区块内只有一个服务，即每个子任务只有一个服务来满足相应需求。PDC服务信息综合了子任务的匹配度、服务的优势特性、服务的隶属企业，并记录在制造过程中所产生的数据等。一个服务可以同时为多个子任务提供服务，但一个任务仅匹配一个服务。

2.2 cloud dual-chain的智能合约

智能合约是区块链被称之为去中心化的重要原因，它允许在不需要第三方的情况下，执行可追溯、不可逆转和安全的交易。cloud dual-chain的智能合约是一种特殊协议，旨在为制造企业（manufacturing enterprises，MEs），MSC与PDC三个具体对象提供执行机制。具体如图3所示，MSC与PDC的形成都是依据发布的制造子任务流程，所以智能合约中默认每个任务都是一个子任务。

1）MEs

智能合约中面向MEs主要包括如下4项内容：

a）MEs向MSC链的访问验证发起；

b）MEs向PDC链的访问验证发起；

c）MEs向MSC链发布对应子任务的服务信息；

d）MEs确认可以为子任务提供服务。

2）MSC

智能合约面向MEs，根据制造任务，筛选MEs所拥有的各项服务，形成MSC，使MSC中的各节点根据子任务序列产生，并使各节点记录对应子任务的服务信息及匹配度。其主要包括如下4部分内容：

a）计算企业服务service与子任务t的匹配度；

b）将子任务t可用的服务service保存到对应的MSC区块中（MBlock）；

c）根据子任务执行顺序生成MSC链；

d）当出现失效服务后，更新对应MBlock中的服务信息，去除失效服务。

3）PDC

PDC链的形成是将MSC中的服务进一步筛选，形成一个优质的服务组合sc进行任务执行。在任务执行过程中记录数据，并当服务组合遇到某个服务失效时可以动态调整。其主要内容包括如下4部分：

a）通过算法将MSC中的服务形成最终方案，并将服务加入PDC链的区块PBlock中；

b）在方案执行过程中，记录相关过程数据；

c）服务失效确认；

d）在对应的MSC节点MBlock中重新选择一个匹配度高的服务，替换PDC中失效服务的相关数据，并向PDC的其他节点进行广播。

智能合约的执行伪代码如算法1所示。

算法1 智能合约

输入：制造任务T={t1，t2，…，ti，…，tn}，其中t为子任务。

输出：MSC={MBlock1，MBlock2，…，MBlockn}，

PDC={PBlock1，PBlock2，…，PBlockn}。

1 将任务发送至所有MEs

#以下是生成MSC的执行机制

2 为MEs生成访问秘钥 key：

3 for i in T={t1，t2，…，ti，…，tn}

4 for j in MEs：

5 if 企业验证秘钥通过：

6 for m in services： /*增加service第i个任务对应的MBlocki*/

7 if match（servicem，ti）>β：

8 add servicem to MBlocki

9 end if

10 end for

11 else confused; #验证秘钥失败

12 end if

13 end for

14 end for

#以下是生成PDC的执行机制

15 for i in MSC：

16 scEj=algorithm （eva（sc1，sc2，…）） //通过算法获取最优方案

17 为scEj中每个服务对应企业生成访问秘钥

18 if 企业验证秘钥通过：

19 add serviceji to PBlocki; /*该服务生成新的节点PBlocki*/

20 while （serviceji）： #当服务有效

21 record process_datai to PBlocki; /*记录过程数据到对应任务的PBlocki中*/

22 broadcast to PDC; /*将记录过程数据这一行为广播至所有节点*/

23 if serviceji failure //当过程数据产生失败，即制造服务失效

24 delate（MBlocki，serviceji） /*在MBlocki中删除失效服务serviceji*/

25 serviceji=serInfo（max（matchdegree （MBlocki））） /*重新获取当前节点中适应度最大的服务信息*/

26 goto line 19

27 end if

28 else confused //秘钥验证失败

29 end if

28end for

通过算法1可知，智能合约针对的是MEs、MSC与PDC三个具体对象，其实现过程主要包含生成MSC执行机制与生成PDC的执行机制两大部分，针对MEs的内容则包含到MSC和PDC的具体执行过程中。智能合约是从cloud dual-chain开始运行到结束贯穿于每个过程中。

2.3 cloud dual-chain的产生

cloud dual-chain的最终目的是获取优质的服务组合。cloud dual-chain的产生过程主要包括MSC与PDC的产生。MSC是根据任务中不同特性的子任务所生成的服务集合链。PDC是根据具体的子任务，在MSC的基础上进一步生成的制造过程数据链，用于记录制造过程数据及信息。其产生过程具体如图4所示。

1）MSC的产生

MSC根据子任务依次产生，每个节点存放对应子任务的适配服务。每个区块的区块头包括前区块的哈希值、时间戳、随机数、Merkle root。其中，前区块的哈希值记录用于指向前一个区块。随机数确定企业的访问秘钥。时间戳用于记录每个子任务产生区块MBlock的时间，确保MSC每个区块依次顺序相连，且无法窜改。Merkle树用于归纳一个区块中的所有服务记录。其中Merkle root在区块头中，展开的Merkle树在区块体中。

双链产生步骤的前三步是MSC的产生过程：第一步，需求者发布任务T={t1，t2，…，tn}，然后根据子任务一一产生对应区块MBlock。第二步，提供企业进行服务注册。第三步，形成MSC。以子任务tn为例，根据智能合约产生区块，对应的区块是MBlockn，在区块产生记录数据时，计算每个服务的适应度等，将其进行记录，直至所有子区块与子任务一一对立并建立完成。

2）PDC的产生

PDC根据MSC依次产生。在每个PDC的区块PBlock中，包括了区块头与区块体，但与MSC相比有所不同。PBlock区块头包括前区块的哈希值、时间戳、随机数、Merkle root、服务信息。与MSC一样的是，前区块的哈希值用于指向前一个区块。随机数用于确定在对应的PBlock中选择的服务提供企业的访问秘钥。时间戳记录了每个区块PBlock的产生时间，确保每个区块依次顺序相连，且无法窜改。服务信息用于记录该区块对应的服务相关信息。Merkle树用于归纳区块对应服务的制造过程数据的记录，其中Merkle root在区块头中，展开的Merkle树（具体的过程数据）在区块体中。

双链产生步骤的后两步则是PDC的产生过程。第四步，根据产生的MSC，结合智能合约，选择最优的服务来一一对应产生PBlock，如MBlockn对应产生的是PBlockn，形成PDC。PDC中所有区块对应的服务则是最终的组合方案。第五步，在制造过程中，当某个服务失效如service4n+2，则将失效的服务进行替换，替换的服务需要重新从MBlockn+2中进行选择，选择原则依然按照智能合约进行。第五步在整个制造过程中有可能不出现。

2.4 基于cloud dual-chain最优服务组合的实现

在协同制造模式下，服务组合在满足日益增长的需求方面取得了显著的优势，它使各个企业能够相互合作，从而提供合理的组合服务方案［28］。基于云双链获取最优组合的产生过程共分为四步。

第一步：制造任务发布。任务需求者将发布制造任务，制造任务由多个子任务所构成，T={t1，t2，…，tn}，并将任务广播至所有服务提供企业。

第二步：资源注册。资源持有企业制造任务将资源ri进行注册，根据任务（tj）形成不同的服务serviceji。

第三步：形成MSC。如果serviceji=match（ri，ti）>β，则将serviceji写入MBlockj中，从而逐渐形成MSC。

第四步：产生协同方案并实施。主要是根据子任务执行顺序，采用相应算法获取最优服务组合，如遗传算法、布谷鸟算法差分算法、模拟退火算法、粒子群算法等。然后将服务组合形成PDC，PDC={PBlock1，PBlock2，…，PBlockn}。PDC中的每个节点就是一个具体服务及其制造数据PBlocki={servicei，process_datai}。当遇到PDC中某个区块PBlockh对应的服务失效，则重新从MBlockh中选择适应度较大的服务替换原先PBlockh内的企业信息及制造过程数据。

在cloud dual-chain中，服务的管理归属于企业自身，即服务是多点分布式管理。在执行任务时，通过智能合约，提取可以满足任务需求的服务形成MSC，进行集中存储。在任务执行过程中，通过算法生成服务执行方案，将方案的服务所对应的企业节点形成PDC，实现了相对集中的管理，兼容了分布式与集中式的服务管理。在任务执行过程中，当组合方案确定后，即生成PDC。此时PDC的执行不完全依赖于区块链节点的先后生成时刻，而是当任务开始执行，即可以进行数据的存储。存储的数据分布于不同节点，且可以并发执行。当出现失效服务时，由于MSC的存在，可以选择新的服务替换PDC中的失效服务，使服务组合具有动态适应性。

3 实验分析

3.1 实验设计

为了验证本文cloud dual-chain有灵活服务管理能力、数据分布式并行录入能力以及产生方案的动态适应性，实验数据采用Guelph大学收集的QWS 2.0数据集［29］。该数据集收集了不同公司，共计2 507条真实服务的信息，每个服务信息都包含了响应时间、可用性、吞吐量等属性。但由于QWS 2.0缺少过程数据，本文结合所需的过程数据，在一定范围内模拟生产过程数据。实验系统采用Windows 10，处理器为Intel Core i9，内存32 GB，编程环境为Python 3.11。

由于资源优化组合方案通常具有多个局部最优解，花授粉算法采用Lévy搜索策略，可以有效避免陷入局部最优的情况，从而具有优秀的全局搜索能力［30，31］。因此，本实验服务组合的获取采用花授粉算法。设置花朵种群数为100，转换概率为0.2，迭代200次，每5次记录一次时间值与适应度值。其中评价指标采用最佳实践（best practices，bp）、可用性（availability，av）、响应时间（response time，rt）、合规性（compliance，co）。在后续仿真过程中对这些属性进行归一化处理，其中bp，av，co属于积极属性，rt属于消极属性，归一化处理方式根据参考文献［32］进行。方案评价模型为

eva（sc）=∑ni=1（α×bpi+β×avi+δ×rti+φ×coi）

其中：α， β， δ， φ分别为权重系数，根据专家经验，实验中分别设置为0.2，0.2，0.3，0.3。

3.2 实验过程及分析

假定发布的制造任务T有6个子任务，即T={t1，t2，…，t6}，且子任务之间是顺序结构。在QWS 2.0数据集中选择120组数据构成候选服务集，构成MSC，每个对应20个候选服务，具体如表1所示。

当子任务数与候选服务数量规模一定，无论是采用经典CMfg平台、单链结构的区块链还是本文提出的双链结构，在迭代至一定次数后，都可以获取一组优质组合方案。在这部分实验中，对cloud dual-chain与经典CMfg平台获取最终方案的时间与适应度值进行了对比，记录如表2所示，时间走势和适应度走势如图5和6所示。

由于最优组合的产生使用花授粉算法，在进化过程中局部最优值产生有一定的概率问题，所以在局部区域存在差异。但纵观整个趋势，无论是时间走势图还是适应度值的走势图，cloud dual-chain与经典CMfg平台时间差别细微，所以可以说一定的时间范围内，均可以获取优质服务组合，且组合的适应度值基本一致。而双链结构较之经典CMfg平台，不同的服务存放于不同的节点下，管理仍归属于企业自身，在智能合约中统一处理，并未造成多余的时间开销，且获取的优化组合效果相一致，可以说cloud dual-chain兼容了分布式和中心化管理，较之CMfg平台对服务的管理更灵活。

2）数据记录时间验证

同一最优组合背景下，不同结构的平台对数据的记录能力不完全一致。这部分实验将采用同一个组合方案，即根据前面实验所获取方案选择一组进行实验，该方案对应的PDC及服务如表3所示。将其分别在本文cloud dual-chain、单区块链链结构、经典CMfg平台上进行运行，对比生产过程中的数据录入时间。在实验过程中，假设每个服务源源不断地产生过程数据，数据记录实验共进行了10次，取其平均值进行记录。表4记录了每个节点对应的服务记录过程数据所需时间以及完成整个方案记录数据所需时间，为了更加明了地进行对比，将每个节点对应的服务记录过程数据所需时间展示如图7所示，而整个方案记录所需时间展示如图8所示。

由图7可以看出，同一个方案的前提下，单链结构和云平台每个服务记录时间基本接近，而cloud dual-chain中每个节点记录数据所需要的时间约是另外两个结构的1.5倍。纵观全局数据记录时间，即图8，cloud dual-chain总时间要少于另外两个结构。产生这种现象的原因是每访问一次cloud dual-chain节点，都需要两次验证，增加了单次数据的录入时间，而另外两个平台仅一次访问就可以进行数据记录。由于cloud dual-chain中用于记录数据的PDC链是基于MSC链产生的，所以只要MSC链构成，那么PDC链中的每个节点之间相对独立。比如，第一个节点进行数据记录的同时，若第二个节点满足加工需求，则第二个节点可以同时进行数据记录，所以节点之间有部分节点并行进行存储操作，整体数据记录所需时间低于另外两个结构。

3）最终方案执行过程的动态适应性

在双链结构中，当节点不稳定，则对应的MSC节点会在对应的PBlock中重新找一个新的服务替换当前不稳定的节点服务，且这个过程与别的节点录入过程是并发进行的。

如图9所示，子图1是当所有节点都稳定运行时的数据值状态，当节点3出现不稳定的情况时，将服务service36更换成service312，并重新记录了数据，更换服务后数据录入状态如图2所示。

在单链结构中，若遇到节点不稳定，则导致方案无法进行，原因是只有当前节点完成加工后才能产生后续节点。而在CMfg平台过程中，当遇到节点服务不稳定时，根据云平台的集中特性，需要产生新的方案，如此会造成后续工作的无效，或进行有效替换时需要重新在众多服务中进行选择，导致经济成本或时间成本的增多。而在cloud dual-chain中，出现问题的节点数据会有丢失的可能，将服务进行有效替换，则可以避免执行方案的失败。

3.3 cloud dual-chain的优势

结合仿真实验可知，双链结构在面向CMfg促进企业协同具有以下优势：

1）服务的灵活管理

cloud dual-chain的服务无须第三方中间管理机构，服务的核心管理权限仍归属于企业自身，而在具体任务中，其管理依赖于智能合约，兼容了分布式服务管理与中心化服务管理。

2）数据录入分布式并行

双链结构可以根据供应链、生产线、质检、售后、运维等各个环节的业务流程和数据模型的状态在全网实时更新和同步。当在方案执行过程中，过程数据的录入不依赖于所有前期区块节点的数据录入是否完成，只要该服务在执行任务，则可以与别的节点并发进行当前数据录入。

3）方案在执行过程中动态适应性强

由于任务的执行过程是有时间特性的，所以数据记录到每个节点的执行动作有时间先后特性。双链结构可以有效地处理在执行过程中由于出现的某些不确定性影响因素导致的服务失效，在不影响别的服务或节点的前提下进行服务更替，从而提高服务组合的动态适应性。

4 结束语

本文针对制造服务优化组合问题，面向CMfg的服务组合优化，基于区块链技术，提出了云双链结构。cloud dual-chain包括MSC和PDC，两者均基于制造子任务流程所形成，MSC用于记录可以完成子任务的所有服务信息，PDC则用于记录制造的过程数据。提出的cloud dual-chain使制造企业面向CMfg获取服务优化组合，具有服务灵活管理、数据录入不完全依赖于节点的时间顺序、方案在实施过程中动态适应性强等优势。

cloud dual-chain是一个从制造企业协同平台角度实现制造服务优化组合的新的方式。然而，在实际应用中，随着系统规模的扩大，cloud dual-chain在服务组合方案的获取时将受到数据量、交易量、网络通信影响，并且相较于单链结构，面临着攻击面扩大的安全问题。在进一步的研究中，需采用更广泛的实验来验证系统在不同规模下的性能表现，并更加详细地设计智能合约，以有效保护系统免受潜在攻击。这一系列工作将有助于进一步完善cloud dual-chain在实际制造服务中的应用。

参考文献：

［1］工业互联网产业联盟. 中小企业“上云上平台”应用场景及实施路径白皮书［EB/OL］. （2019-02-25） ［2023-10-05］. http：//aii-alliance.org/index/c320/n74.html. （Alliance of Industrial Internet. White paper on application scenario and implementation path of “Cloud on Platform” for SMEs［EB/OL］. （2019-02-25） ［2023-10-05］. http：//aii-alliance.org/index/c320/n74.html.）

［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］. 计算机集成制造系统，2010，16（1）： 1-7，16. （Li Bohu，Zhang Lin，Wang Shilong，et al. Cloud manufacturing： a new service-oriented net worked manufacturing model［J］. Computer Integrated Manufacturing Systems，2010，16（1）： 1-7，16.）

［3］Lu Yuqian，Xu Xun. Development of a hybrid manufacturing cloud［J］. Journal of Manufacturing Systems，2014，33（4）： 551-566.

［4］Lim M K，Xiong Weiqing，Wang Yankai. A three-tier programming model for service composition and optimal selection in cloud manufacturing［J］. Computers & Industrial Engineering，2022，167： 108006.

［5］Gao Yifan，Yang Bo，Wang Shilong，et al. A multi-objective service composition method considering the interests of tri-stakeholders in cloud manufacturing based on an enhanced jellyfish search optimizer［J］. Journal of Computational Science，2023，67： 101934.

［6］Wang Yankai，Wang Shilong，Yang Bo，et al. An effective adaptive adjustment method for service composition exception handling in cloud manufacturing［J］. Journal of Intelligent Manufacturing，2022，33（3）： 735-751.

［7］Bi Xiaoxue，Yu Dong，Liu Jinsong，et al. A preference-based multi-objective algorithm for optimal service composition selection in cloud manufacturing［J］. International Journal of Computer Integrated Manufacturing，2020，33（8）： 751-768.

［8］Li Tianyang，He Ting，Wang Zhongjie，et al. SDF-GA： a service domain feature-oriented approach for manufacturing cloud service composition［J］. Journal of Intelligent Manufacturing，2020，31（3）： 681-702.

［9］Gavvala S K，Jatoth C，Gangadharan G R，et al. QoS-aware cloud service composition using eagle strategy［J］. Future Generation Computer Systems，2019，90： 273-290.

［10］Gao Jie，Yan Xianguo，Guo Hong. A discrete manufacturing SCOS framework based on functional interval parameters and fuzzy QoS attributes using moving window FPA［J］. Concurrent Engineering，2021，30（1）： 46-66.

［11］Gao Jie，Guo Hong，Yan Xianguo. A manufacturing SCOS model （MSCOS） based on the similarity of parameter sequences between tasks and service composition［J］. International Journal of Computational Intelligence Systems，2021，14（1）： article No. 203.

［12］冉瑞生，刘震，祁翔，等. 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［J］. 计算机应用研究，2023，40（10）： 2922-2927. （Ran Ruisheng，Liu Zhen，Qi Xiang，et al. Ant colony factor differential evolutionary algorithm based on hyperledger fabric for trustworthy service composition optimization［J］. Application Research of Computers，2023，40（10）： 2922-2927.）

［13］Wang Min，Pang Shanchen，Yu Shihang，et al. An optimal production scheme for reconfigurable cloud manufacturing service system［J］. IEEE Trans on Industrial Informatics，2022，18（12）： 9037-9046.

［14］Chuang Y C，Chen Y M. Digital servitization of symbiotic service composition in product-service systems［J］. Computers in Industry，2022，138： 103630.

［15］Hu Yang，Yang Yu，Wu Feng. Dynamic cloud manufacturing service composition with re-entrant services： an online policy perspective［J］. International Journal of Production Research，2024，62（9）： 3263-3287.

［16］Nakamoto S. Bitcoin： a peer-to-peer electronic cash system［EB/OL］. （2008） ［2024-01-22］. https：//bitcoin.org/bitcoin.pdf.

［17］Yu Chunxia，Zhang Luping，Zhao Wenfan，et al. A blockchain-based service composition architecture in cloud manufacturing［J］. International Journal of Computer Integrated Manufacturing，2020，33（7）： 701-715.

［18］Tong Juncheng，Zhao Bo，An Yang. A novel multi-objective service composition architecture for blockchain-based cloud manufacturing［J］. Journal of Computational Design and Engineering，2023，10（1）： 185-203.

［19］Zhang Yang，Liang Yongqun，Jie Bin，et al. Scheduling and process optimization for blockchain-enabled cloud manufacturing using dyna-mic selection evolutionary algorithm［J］. IEEE Trans on Industrial Informatics，2023，19（2）： 1903-1911.

［20］Patel D，Sahu C K，Rai R. Security in modern manufacturing systems： integrating blockchain in artificial intelligence-assisted manufacturing［J］. International Journal of Production Research，2024，62（3）： 1041-1071.

［21］Hewa T，Brakekn A，Liyanage M，et al. Fog Computing and blockchain-based security service architecture for 5g industrial IoT-enabled cloud manufacturing［J］. IEEE Trans on Industrial Informatics，2022，18（10）： 7174-7185.

［22］Matenga A E，Mpofu K. Blockchain-based cloud manufacturing SCM system for collaborative enterprise manufacturing： a case study of transport manufacturing［J］. Applied Sciences，2022，12（17）： 8664.

［23］Wang H C，Chiu W P，Wu S C. QoS-driven selection of Web service considering group preference［J］. Computer Networks，2015，93： 111-124.

［24］Tang H，Shi Y，Dong P. Public blockchain evaluation using entropy and TOPSIS［J］. Expert Systems with Applications，2019，117： 204-210.

［25］Saberi S，Kouhizadeh M，Sarkis J，et al. Blockchain technology and its relationships to sustainable supply chain management［J］. International Journal of Production Research，2019，57（7）： 2117-2135.

［26］Tao Fei，Zhang Yongping，Cheng Ying，et al. Digital twin and blockchain enhanced smart manufacturing service collaboration and ma-nagement［J］. Journal of Manufacturing Systems，2022，62： 903-914.

［27］Yuan Minghai，Zhou Zhou，Cai Xianxian，et al. Service composition model and method in cloud manufacturing［J］. Robotics and Computer-Integrated Manufacturing，2020，61： 101840.

［28］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.）

［29］Vijay K. Bhargava. Research challenges in cognitive radio networks［C］// Proc of the 16th International Conferenceon Computer Communications and Networks. Piscataway，NJ： IEEE Press，2017.

［30］Jin Hong，Jiang Cheng，Lyu Shengping，et al. A hybrid teaching-learning-based optimization algorithm for QoS-aware manufacturing cloud service composition［J］. Computing，2022，104（11）： 2489-2509.

［31］李大海，伍兆前，王振东. 多策略增强花授粉算法及其应用［J］. 计算机应用研究，2022，39（8）： 2388-2396，2402. （Li Dahai，Wu Zhaoqian，Wang Zhendong. Multi-strategy flower pollination optimization algorithm for vehicle power transmission parameters［J］. Application Research of Computers，2022，39（8）： 2388-2396，2402.）

［32］孟柯，吴志勇，黄双喜，等. 基于区块链的新型云制造服务选择方法［J］. 计算机集成制造系统，2023，29（3）： 707-718. （Meng Ke，Wu Zhiyong，Huang Shuangxi，et al. Novel cloud manufacturing ser-vice selection method based on blockchain［J］. Computer Integrated Manufacturing Systems，2023，29（3）： 707-718.）

收稿日期：2023-12-14；修回日期：2024-02-19 基金项目：山西省工程研究院咨询研究项目（20211004）；山西省高等学校科技创新项目（2023L416）

作者简介：高洁（1986—），女，山西乡宁人，讲师，博士，CCF会员，主要研究方向为智能制造与大数据；梁波（1986—），男（通信作者），山西交城人，讲师，硕导，博士，CCF会员，主要研究方向为数据挖掘（liangbo@tynu.edu.cn）.