基于图卷积的云制造服务编码算法

随着云制造模式及相关技术的发展,越来越多的服务提供者在云平台上发布并提供云服务业务。客户如何在大量功能相似、服务质量相近的云制造服务中检索并选择合适的云服务,已成为云平台运行过程中的难题。将服务关系与服务特征相结合,将制造过程中的协作关系引入服务哈希编码,对制造服务生成二进制编码,提出一种基于图卷积的云制造服务编码检索算法,通过采用汉明距离等方法度量服务间相似性,筛选服务候选集,提高算法效率。实验结果表明:该算法能够准确、有效地为服务平台上的客户提供良好的制造服务候选集。

基于智能合约的可信筹款捐助方案与平台

传统筹款捐助平台的集中式管理难以满足高可信机制的需求,筹款信息真假难辨,善款流向不透明。区块链技术的去中心化、数据不可篡改、可溯源、点对点交易等特点为构建可信捐助平台奠定了基础。由此以区块链技术为基础,提出了一种基于以太坊智能合约的捐助方案。首先,将筹款信息和捐款交易事件等存储在以太坊区块链上,并利用保证金机制保证了数据的真实性和可溯性;同时,阐述了该方案的架构模型,提出智能合约算法Donate代替人工操作,防止善款挪用和久未到账问题;最后,通过基于智能合约的可信筹款捐助平台验证了该方案的可行性。将所提平台与传统筹款平台比较分析,证明了该平台能安全有效地防止虚假筹款和善款挪用。

基于性能约束的业务过程模型检索

大规模复杂组织如何快速地在模型库中找到用户所需的合适的过程模型是业务过程管理的一个关键性问题。针对该问题,提出了基于性能约束的过程模型检索方法。该方法首先将业务过程转换成广度优先拓扑序列,计算过程模型的相似度值,确定候选集,缩小了检索空间;然后对候选业务过程的运行时间、花费和人力资源三个性能分别进行计算,选出最优过程模型。最后,通过对比实验验证了所提方法的有效性。

基于在线聚类的协同作弊团体识别方法

针对大规模服务计算环境中聚集反馈、协同作弊和虚假评价等问题,通过融合在线聚类与共谋欺骗检测技术,提出了一种支持大规模服务可信度分析的在线协同作弊用户发现方法.首先,根据大规模服务系统日志中用户反馈评分信息,综合考虑大规模服务计算的大数据特性问题,设计了一种新颖的基于改进更新规则的在线KMeans聚类算法:在基于随机梯度法的在线聚类算法的基础上,采用了一种改进的基于小批量学习的在线聚类方法;并且,通过自动修正权重的聚类分组方差计算,进行递减增量优化,提高了在线KMeans算法的聚类质量,同时保证了聚类算法的时间效率;然后,充分考虑了协同作弊团体的同谋行为特征和协同攻击现象,利用聚类分组的性质和同谋团体异常性的特征,检测出协同作弊团体.仿真实验结果表明:提出的基于在线聚类的协同作弊团体识别方法具有良好时间性能,有效地解决了大规模服务计算中虚假反馈的问题.

基于改进花朵授粉算法的Web服务组合优化

对于大量功能相似而服务质量不同的Web服务,服务组合优化可使其满足客户不同需求并被广泛应用,但现有Web服务组合优化方法普遍存在搜索效率低和寻优不精准的问题。为此,提出一种改进的花朵授粉算法,通过实现全局搜索和局部搜索的动态转换,促进种群优化。将差分进化算法的变异和交换操作加入到花朵授粉算法中,增强花朵的有效性和多样性,同时利用贪心策略选择适应度值高的花朵,加快算法收敛速度,增强其寻优能力。实验结果表明,与DE、KDE、FPA和EFPA算法相比,该算法在求解服务组合问题上具有更快的收敛速度和更好的寻优性能。

跨组织应急业务过程挖掘

对跨组织应急业务过程案例进行分析,给出了跨组织应急业务过程任务的形式化定义及其协作关系的定义,根据跨组织应急业务过程任务间的协作关系定义不同组织间的协同模式;然后,基于扩展消息库所的Petri网模型来描述跨组织应急业务过程模型;给出挖掘组织内业务过程模型和组织间协同过程模型的挖掘算法,最后通过模型集成算法将不同组织的内部业务过程模型和组织间协同过程模型进行合并,得到跨组织全局应急业务过程模型,使用PIPE对模型进行正确性验证。

移动边缘计算中安全信息流建模与分析

在移动边缘计算中,移动终端身份存在复杂性和动态性,对于高安全领域的任务卸载,需要对被卸载的任务进行实时跟踪,及时发现滥用行为才能保证任务卸载的安全性。然而,现有方法多基于信任评估机制选择高信任度节点进行卸载,并没有关注该节点自身发起的内部攻击问题。提出一种支持安全性分析的任务卸载方法。设计包含安全性分析的任务卸载流程,构建面向移动边缘计算的多级安全信息流模型,用于约束服务卸载、数据卸载和服务执行过程。在此基础上,基于偶图对任务卸载过程进行建模,构造标注迁移边的标号变迁系统,并利用模型检测技术验证是否满足相应的安全需求。案例分析和性能评估结果表明,该方法能够在秒级时间内预测任务卸载中的恶意行为,具有较好的可行性和有效性。

多边缘服务器协作环境下基于时延感知的服务选择算法

移动边缘计算可为用户提供低时延的服务.然而,随着用户的需求变得日益复杂多样,单个边缘服务器难以满足其需求.因此,多边缘服务器协作环境下的服务选择问题成为服务计算领域的热点难题.本文首先将该问题建模成带约束的最优化问题,然后提出了一种启发式的服务选择算法-LLMES算法.该算法是在边缘服务器网络中根据迪杰斯特拉算法求解当前本地服务器的邻居节点作为候选服务器,并基于低时延多有效服务的贪心选择策略选择为用户提供有效服务最多且时延最小的服务器作为当前最优服务器.从而选择出一组相互协作的边缘服务器集合共同为用户提供服务,即选中一组满足用户需求的服务.最后,实验结果表明本文提出的LLMES算法性能明显优于其他3种具有代表性的算法.

Constraint-based QoS-aware Web Service Composition in Cross-organizational Collaboration

To improve the Quality of Service (QoS)-aware Web service compositions considering constraints between cross-organizational business,this paper analyzes the types of constraints,and accordingly proposes a Chaos Genetic Algorithm (CGA). The algorithm creates an initial population of service compositions based on the chaos theory,and then processes individuals which violate constraints in the initial population using repair strategies. Next,a new fitness function is designed to gradually eliminate the infeasible compositions generated in evolution. Finally,the algorithm makes minor chaotic disturbances on the evolved group to accelerate convergence and avoid local optimum. Experimental results demonstrate the effectiveness of the proposed algorithm.