結(jié)合語義與事務(wù)屬性的QoS感知的服務(wù)優(yōu)化選擇

楊萬春　張晨曦　穆斌

摘要：服務(wù)級別協(xié)議（SLA）等級感知的服務(wù)選擇是NP難題。針對服務(wù)選擇中維度與粒度方面的問題，提出結(jié)合語義與事務(wù)屬性的服務(wù)質(zhì)量（QoS）感知的服務(wù)優(yōu)化選擇模型。該模型從語義鏈接匹配度、QoS與事務(wù)三個維度對服務(wù)進行優(yōu)化選擇， 并設(shè)計了支持多粒度的編碼策略。針對服務(wù)選擇中時間復(fù)雜度高的問題，提出了克隆選擇與遺傳算法相結(jié)合的混合優(yōu)化算法。該算法首先采用動態(tài)適應(yīng)度函數(shù)，逐代淘汰不滿足約束的個體；其次給出了事務(wù)屬性的優(yōu)先級，并根據(jù)優(yōu)先級設(shè)計了知識啟發(fā)式的交叉與變異算子，以保證個體滿足事務(wù)屬性要求；最后在遺傳算法中對優(yōu)秀個體進行克隆選擇，以增強對最優(yōu)解的搜索能力。仿真實驗中，該算法在服務(wù)選擇的精確度和成功率方面均優(yōu)于遺傳算法；在時間花費上稍高于遺傳算法但遠低于窮舉法。實驗結(jié)果表明，所提算法能在較少時間花費的基礎(chǔ)上保證服務(wù)選擇的質(zhì)量。

關(guān)鍵詞：語義鏈接匹配度；服務(wù)質(zhì)量；事務(wù)屬性；克隆選擇；遺傳算法；服務(wù)選擇

中圖分類號：TP393

文獻標志碼：A

0引言

近年來，面向服務(wù)的計算，尤其是云計算技術(shù)得到了快速的發(fā)展。面向服務(wù)的計算模式能夠把現(xiàn)有的服務(wù)無縫地進行整合，從而產(chǎn)生新的增值服務(wù)以滿足用戶的需求。隨著網(wǎng)絡(luò)上服務(wù)數(shù)量的爆炸性增長，功能相似的服務(wù)也越來越多，如何在滿足服務(wù)級別協(xié)議（Service Level Agreement， SLA）下，從候選服務(wù)集合中選擇服務(wù)是一個熱點研究課題。文獻[1-2]將基于服務(wù)質(zhì)量（Quality of Service， QoS）的服務(wù)選擇問題轉(zhuǎn)換為多維背包問題，并采用整數(shù)規(guī)劃方法尋找最優(yōu)的組合服務(wù)。當候選服務(wù)數(shù)量較少時，整數(shù)規(guī)劃方法很有效，但當服務(wù)數(shù)量增多時，其花費的時間以指數(shù)的速度增長。為提高服務(wù)選擇的效率，文獻[3-4]將全局約束分解為滿足用戶偏好的局部約束，然后根據(jù)局部約束進行服務(wù)選擇，從而獲得最合適的組合服務(wù)。文獻[5-6]利用支配關(guān)系對候選服務(wù)進行篩選，可以減少服務(wù)選擇的范圍。用戶只需從Skyline 服務(wù)中進行服務(wù)選擇，就能得到滿足全局約束的最優(yōu)組合服務(wù)，從而縮小了搜索空間，但Skyline 服務(wù)篩選只能看作服務(wù)選擇的預(yù)處理階段。文獻[7]針對服務(wù)的粒度問題，構(gòu)建了多維QoS約束的最優(yōu)路徑搜索模型，給出了基于任務(wù)和規(guī)劃的多粒度服務(wù)的裁剪方法，但在多粒度的服務(wù)選擇效率上有待提高。

智能優(yōu)化算法用于求解各種工程問題的優(yōu)化解，現(xiàn)已被廣泛地應(yīng)用于服務(wù)選擇中。文獻[8]給出了一種基于非均衡變異的粒子群算法來解決服務(wù)選擇問題。該算法設(shè)計了非均衡變異函數(shù)，并將自適應(yīng)權(quán)重調(diào)整機制和局部適應(yīng)優(yōu)先策略應(yīng)用于粒子的速度和位置更新中。文獻[9]將基于貪婪搜索的逼近策略加入到蟻群算法中，給出了基于改進蟻群算法的服務(wù)優(yōu)化選擇方法。文獻[10]在蟻群算法中加入信息素的分布策略和更新依據(jù)，并采用局部優(yōu)化策略避免陷入局部最優(yōu)。文獻[11]將模擬退火、和聲搜索與遺傳算法相結(jié)合以解決服務(wù)選擇問題。以上研究采用不同的方法解決了QoS感知的服務(wù)選擇問題，但是它們在服務(wù)選擇過程中沒有考慮服務(wù)之間的語義匹配關(guān)系[12]。

由于網(wǎng)絡(luò)的不穩(wěn)定特性降低了組合服務(wù)的可靠性，因此需要在服務(wù)選擇中考慮事務(wù)屬性。針對組合服務(wù)的事務(wù)屬性問題，文獻[13]給出了滿足事務(wù)約束和QoS 端對端約束的服務(wù)選擇方法，該方法將局部QoS 選擇嵌入到滿足事務(wù)性約束的服務(wù)選擇中，但在求解全局QoS 最優(yōu)方面存在不足；文獻[14]設(shè)計了順序和并發(fā)服務(wù)流程的事務(wù)屬性規(guī)則，并給出了基于蟻群算法的QoS感知的事務(wù)性服務(wù)選擇方法；文獻[15]構(gòu)造了層次服務(wù)候選圖模型，并提出了基于廣度優(yōu)先搜索的QoS感知的事務(wù)級服務(wù)選擇算法；文獻[16]采用遺傳算法來解決事務(wù)性服務(wù)的組合問題，但該算法采用傳統(tǒng)的交叉和變異算子，故無法保證組合服務(wù)的事務(wù)屬性。

綜上所述，現(xiàn)有的研究大多是基于QoS來進行服務(wù)選擇，即從候選服務(wù)中選擇恰當?shù)姆?wù)進行組合以滿足用戶提出的QoS需求。但用戶的需求是多維度的，除了QoS之外，用戶還會對組合服務(wù)的事務(wù)屬性與語義匹配度方面提出需求。組合服務(wù)是由若干個服務(wù)組件按照一定的流程結(jié)構(gòu)組合而成的，而現(xiàn)有的研究大多考慮的是細粒度服務(wù)的組合，因此無法構(gòu)建所有粒度組合的可能。在服務(wù)選擇的過程中，現(xiàn)有的算法在精確度和成功率方面還存在不足，因此需要設(shè)計面向多維度與多粒度的服務(wù)選擇算法，使其能夠在時間花費和最優(yōu)解之間加以折中，即在較低的時間花費下得到滿足用戶需求的近似最優(yōu)解。 基于上述分析，本文主要作了以下工作：

1）從語義鏈接匹配度、QoS與事務(wù)三個維度對服務(wù)進行選擇，并綜合考慮了服務(wù)粒度，建立了服務(wù)優(yōu)化選擇模型；

2）在該服務(wù)優(yōu)化選擇模型基礎(chǔ)上設(shè)計了知識啟發(fā)式的交叉、變異算子，提出了基于克隆選擇與遺傳算法的混合優(yōu)化算法；

3）通過仿真實驗驗證了混合優(yōu)化算法能夠在接近最優(yōu)解的基礎(chǔ)上有效地降低時間花費，較好地解決了服務(wù)優(yōu)化選擇問題。

1問題描述

SLA 等級感知的服務(wù)選擇問題是尋找抽象服務(wù)與具體服務(wù)之間最優(yōu)綁定的組合優(yōu)化問題。SLA在三個維度上的級別協(xié)議分別表示用戶對組合服務(wù)的語義鏈接匹配度、QoS與事務(wù)的全局約束要求。

問題描述如圖1所示，包括抽象組合服務(wù)流程部分、服務(wù)優(yōu)化選擇部分、具體組合服務(wù)流程部分。由于服務(wù)的粒度問題，滿足用戶需求的抽象組合服務(wù)流程會有多條。抽象組合服務(wù)流程由多個抽象服務(wù)組成，每個抽象服務(wù)對應(yīng)一個具體服務(wù)群。同一服務(wù)群中的服務(wù)有相似功能，但是QoS和事務(wù)屬性不同。通過為每個抽象服務(wù)選擇合適的候選服務(wù)，使得在滿足SLA的情況下，達到全局最優(yōu)的效果。

2服務(wù)優(yōu)化選擇模型

2.1概念語義相似度

領(lǐng)域本體是對特定領(lǐng)域內(nèi)的概念及概念間關(guān)系的精確描述，服務(wù)的接口參數(shù)都用領(lǐng)域本體來表示。為了在求兩個概念間的相似度時，避免對本體樹的反復(fù)查找，給出概念的關(guān)聯(lián)強度定義與相似度的計算公式。

2.3QoS屬性

QoS 是由一些非功能屬性組成，包括服務(wù)價格（price）、服務(wù)響應(yīng)時間（time）、服務(wù)可用性（availability）和服務(wù)可靠性（reliability）等。QoS 屬性可以分為積極屬性和消極屬性兩類。

積極屬性考慮QoS 的最大化， 即值越大表示服務(wù)質(zhì)量越好，如可用性、可靠性等；消極屬性考慮QoS的最小化， 即值越小表示服務(wù)質(zhì)量越好，如價格、響應(yīng)時間等。

每種QoS 屬性的計量單位或選擇范圍都不相同。通過效用函數(shù)的映射，可對不同的QoS 屬性在統(tǒng)一的標準下進行計算。積極的QoS屬性的歸一化公式為式（5），消極的QoS屬性的歸一化公式為式（6）。

2.4服務(wù)聚合

組合服務(wù)的語義鏈接匹配度與QoS值是基于每個組成服務(wù)與流程結(jié)構(gòu)得到的。雖然服務(wù)的組合類型不同，但都可將其分解為順序類型的聚合函數(shù)。順序類型的組合服務(wù)CS的語義鏈接匹配度與QoS的聚合函數(shù)計算公式見表1。

2.5事務(wù)屬性

針對網(wǎng)絡(luò)環(huán)境下的不穩(wěn)定性問題，本文使用事務(wù)處理來控制組合服務(wù)的可靠性和語義的一致性。服務(wù)的事務(wù)屬性包含如下幾類：可補償?shù)氖聞?wù)屬性、可重試的事務(wù)屬性、樞紐事務(wù)屬性及可補償+可重試事務(wù)屬性。

定義2

可補償事務(wù)屬性（c）。具有可補償事務(wù)屬性的服務(wù)是能夠通過特定方式返回到執(zhí)行前狀態(tài)的服務(wù)。

定義3

可重試事務(wù)屬性（r）。具有可重試事務(wù)屬性的服務(wù)是在執(zhí)行失敗情況下，能夠經(jīng)過有限多次重啟直到成功的服務(wù)。

定義4

樞紐事務(wù)屬性（p）。具有樞紐事務(wù)屬性的服務(wù)是在執(zhí)行成功情況下，其影響不能被消除的服務(wù)。

定義5

可補償+可重試事務(wù)屬性（cr）。同時具有可補償事務(wù)屬性和可重試事務(wù)屬性的服務(wù)。

組合服務(wù)的事務(wù)屬性由其組成部分的事務(wù)屬性來決定[13]。表2給出了順序結(jié)構(gòu)的組合服務(wù)事務(wù)屬性的計算規(guī)則。表格中的 “#”表示組合服務(wù)不滿足事務(wù)屬性要求。若當前服務(wù)的事務(wù)屬性是c，其后繼服務(wù)的事務(wù)屬性是r，則它們構(gòu)成的組合服務(wù)的事務(wù)屬性就為p。

2.6服務(wù)粒度

把組合服務(wù)中的每一個原子服務(wù)稱為細粒度服務(wù)。由于存在相應(yīng)的服務(wù)，它在功能上是多個原子服務(wù)的組合，同時它的非功能屬性可能更優(yōu)，這種服務(wù)就稱為粗粒度服務(wù)。圖2給出了一個順序類型的組合服務(wù)，它由5個細粒度抽象服務(wù)（AS[1]， AS[2]， AS[3]， AS[4]， AS[5]）和2個粗粒度抽象服務(wù)（AS[1，2]， AS[3，5]）構(gòu)成， 每個抽象服務(wù)可由若干具體服務(wù)來實現(xiàn)。AS[1，2]的功能是AS[1]和AS[2]的組合，AS[3，5] 的功能是AS[3]、AS[4]和AS[5]的組合。（S[1]1， S[1]2，…， S[1]n）表示抽象服務(wù)AS[1]的n個候選服務(wù)。

3混合優(yōu)化算法

本文提出的混合優(yōu)化算法采用動態(tài)適應(yīng)度函數(shù)，逐代淘汰不滿足約束的個體；采用知識啟發(fā)式的交叉與變異算子，以保證個體滿足事務(wù)屬性要求；將克隆選擇與遺傳算法相結(jié)合，增強對最優(yōu)解的搜索能力。

3.1服務(wù)粒度

采用一個定長的整數(shù)數(shù)組進行編碼。數(shù)組的長度為個體包含的服務(wù)數(shù)，數(shù)組中每個元素的值為對應(yīng)抽象服務(wù)綁定的具體服務(wù)實例的標識。圖3中的個體由5個細粒度服務(wù)和2個粗粒度服務(wù)構(gòu)成。該個體可以分解為4個組合服務(wù)流程，分別為：（S[1]5，S[2]8，S[3]10，S[4]4，S[5]12）， （S[1，2]20， S[3]10， S[4]4， S[5]12）， （S[1]5，S[2]8，S[3，5]1）， （S[1，2]20， S[3，5]1）。這4個組合服務(wù)都滿足事務(wù)屬性。個體的適應(yīng)度值是這4個組合服務(wù)中的最大值。

3.4遺傳算法

遺傳算法的基本思想是通過個體之間的選擇、交叉、變異等進化操作，產(chǎn)生具有更高適應(yīng)度的新個體，然后算法不斷重復(fù)上述進化過程，直到滿足結(jié)束條件為止，以實現(xiàn)在目標空間的全局搜索。

傳統(tǒng)的遺傳算法的交叉算子采用標準的兩點交叉，即對兩個個體隨機選擇一個交叉點進行交叉；變異算子是以一定概率選擇基因進行變異。由于要保證組合服務(wù)的事務(wù)屬性，傳統(tǒng)的交叉與變異算子無法做到，故給出基于知識啟發(fā)式的交叉與變異算子。算子將服務(wù)的事務(wù)屬性設(shè)定優(yōu)先級，其中屬性cr的優(yōu)先級最高為3，屬性c和r的優(yōu)先級都為2，屬性p的優(yōu)先級為1，并約定屬性c和r的優(yōu)先級不可比較。圖4給出了個體1和個體2進行交叉操作的過程。首先以個體1作為主要個體，若個體1中服務(wù)的事務(wù)優(yōu)先級小于等于個體2中相應(yīng)服務(wù)的事務(wù)優(yōu)先級，則用個體2中的服務(wù)替代個體1中的服務(wù)，從而得到孩子個體1。類似地，如果以個體2作為主要個體進行交叉，則得到孩子個體2。

個體的變異也是基于知識啟發(fā)式的，以保證變異后的個體滿足事務(wù)屬性。若要變異的服務(wù)的事務(wù)屬性是p，變異的時候要從屬性優(yōu)先級大于等于p的候選服務(wù)中進行隨機選擇。

3.5算法流程

本文提出的基于克隆選擇與遺傳算法的混合優(yōu)化算法的實現(xiàn)步驟如下：

步驟1

設(shè)定種群規(guī)模數(shù)N， 最大迭代次數(shù)K，交叉與變異概率， 隨機產(chǎn)生滿足事務(wù)屬性約束的個體， 設(shè)定初始迭代k=1。

步驟2

根據(jù)式（8）計算種群中個體的適應(yīng)度值，求得當前最優(yōu)值并記錄下最優(yōu)個體。

步驟3

如果迭代次數(shù)達到最大迭代次數(shù)，輸出結(jié)果；否則，執(zhí)行步驟4。

步驟4

對種群中的個體進行克隆，根據(jù)式（9）計算個體的親和度，克隆規(guī)模與親和度成正比，克隆倍數(shù)由式（10）計算，生成臨時種群C。

步驟5

對種群C中的每個個體進行高頻變異和選擇，生成新的種群C1。在克隆選擇的過程中更新最優(yōu)值和最優(yōu)個體。

步驟6

在C1種群中選擇個體進行知識啟發(fā)式的交叉、變異與選擇操作，生成種群C2， 在交叉與變異的過程中更新最優(yōu)值和最優(yōu)個體，k=k+1， 返回步驟3。

4實驗及結(jié)果分析

以下通過仿真實驗分析算法的可行性和有效性。實驗環(huán)境為Pentium 2.0GHz，內(nèi)存2GB，操作系統(tǒng)Windows 7（32位），開發(fā)語言為C++。實驗中的順序類型組合服務(wù)含有7個抽象服務(wù)，如圖2所示。實驗中考慮了四種QoS屬性：價格、響應(yīng)時間、可用性和可靠性，并參考文獻[1]在取值范圍內(nèi)生成相應(yīng)的指標數(shù)據(jù)。所有生成服務(wù)的接口都用領(lǐng)域本體概念進行標注，每個概念都有相應(yīng)的祖先向量和關(guān)聯(lián)強度向量。服務(wù)的事務(wù)屬性從{p， c， r， cr}中隨機選擇。θ用來表示全局約束的強度。對于積極屬性Qi與消極屬性Qj，分別用式（11）與（12）計算θ。

本文將從迭代次數(shù)、候選服務(wù)數(shù)量、全局約束強度三個方面比較混合算法、窮舉法與傳統(tǒng)的遺傳算法的性能，分析各算法的優(yōu)劣。算法中種群數(shù)量設(shè)置為200，交叉概率為0.8，變異概率為0.2，最大迭代次數(shù)為300。 各對比算法分別獨立運行30次，從而求得平均值。

4.1迭代次數(shù)方面的性能比較

當候選服務(wù)數(shù)量為50，全局約束強度為0.1的情況下，算法性能對比如圖5所示。

從圖5（a）中可以看出，隨著迭代次數(shù)的增加，混合算法求得的最優(yōu)值穩(wěn)步增長?；旌纤惴ㄍㄟ^采用知識啟發(fā)式的交叉、變異和克隆選擇操作，進一步提高了搜索效率，求得的最優(yōu)值高于傳統(tǒng)遺傳算法的最優(yōu)值。在300次迭代時，混合算法求得的最優(yōu)值近96%，而遺傳算法的最優(yōu)值在90%左右。圖5（b）中，隨著迭代次數(shù)的增加，混合算法的執(zhí)行時間相應(yīng)增長，但相比窮舉法，其時間花費較低，能夠在滿足精度的情況下有較好的時間效率。

4.2候選服務(wù)數(shù)量方面的性能比較

設(shè)定迭代次數(shù)為300，全局約束強度為0.1，候選服務(wù)的數(shù)目分別為50，60，…，100。圖6給出了最優(yōu)值的比較，隨著候選服務(wù)數(shù)目的增長，混合算法與遺傳算法搜索到的最優(yōu)值都有所降低，但混合算法的最優(yōu)值明顯高于遺傳算法的最優(yōu)值。當候選服務(wù)數(shù)量為100時，混合算法的最優(yōu)值近91%，而遺傳算法只有85%左右。本文的算法在不同的問題規(guī)模情況下均能夠得到較好的解，由此可以驗證混合算法解決大規(guī)模組合服務(wù)選擇問題的可行性和有效性。

4.3約束強度方面的性能比較

設(shè)定迭代次數(shù)為300，候選服務(wù)的數(shù)目為50，約束強度分別為0.1，0.2，…，0.6。模擬100次用戶請求，分析本文算法在成功率與搜索最優(yōu)解上的性能，其中成功率指100次請求中找到可行解的概率。圖7（a）中，隨著約束強度的增加，算法的成功率都有所降低，這是因為滿足強約束條件的可行解的概率降低，但混合算法仍有較高的成功率。圖7（b）給出了最優(yōu)值的比較?；旌纤惴ㄇ蟮玫淖顑?yōu)值接近于窮舉法的最優(yōu)值。由此可見本文算法有較好的全局尋優(yōu)搜索能力，能高效地搜索出滿足用戶約束的組合服務(wù)，同時解的質(zhì)量有顯著提高。

以上的實驗結(jié)果驗證了本文的混合優(yōu)化算法在降低服務(wù)選擇時間的同時，保證了組合服務(wù)的質(zhì)量，能夠滿足用戶多方面的需求，從而較好地應(yīng)對了目前候選服務(wù)數(shù)量爆炸式增長對服務(wù)選擇帶來的挑戰(zhàn)。

5結(jié)語

現(xiàn)有的QoS感知的服務(wù)選擇中很少考慮語義鏈接匹配度和事務(wù)屬性，而QoS值僅僅反映出組合服務(wù)的一部分非功能屬性，無法滿足用戶多維度的需求。在服務(wù)選擇過程中，若只考慮細粒度，則會導(dǎo)致無法求得最優(yōu)組合服務(wù)。針對以上問題，本文研究并提出了面向多維度和多粒度的服務(wù)選擇模型，并基于該模型設(shè)計了混合優(yōu)化算法。該混合優(yōu)化算法采用動態(tài)的適應(yīng)度函數(shù)，將啟發(fā)式的交叉、變異算子與克隆選擇相結(jié)合，以增強全局搜索能力。實驗結(jié)果表明，該混合優(yōu)化算法增強了種群的多樣性，收斂性好，在全局約束下的大規(guī)模服務(wù)選擇方面有較好性能。下一步將在并發(fā)需求模式下研究服務(wù)選擇問題，并進一步改進算法的性能。

參考文獻：

[1]ZENG L， BENATALLAH B， NGU A H H， et al. QoS-aware middleware for Web services composition [J]. IEEE Transactions on Software Engineering， 2004， 30（5）： 311-327.

[2]ARDAGNA D， PERNICI B. Adaptive service composition in flexible processes [J]. IEEE Transactions on Software Engineering， 2007， 33（6）： 369-384.

[3]ALRIFAI M， RISSE T. Combining global optimization with local selection for efficient QoS-aware service composition [C]// WWW09： Proceedings of the 18th International Conference on World Wide Web. New York： ACM， 2009： 881-890.

[4]王尚廣，孫其博，楊放春.基于全局QoS約束分解的Web服務(wù)動態(tài)選擇[J].軟件學報，2011，22（7）：1426-1439. （WANG S G， SUN Q B， YANG F C. Web service dynamic selection by the decomposition of global QoS constraints [J]. Journal of Software， 2011， 22（7）： 1426-1439.）

[5]ALRIFAI M， SKOUTAS D， RISSE T. Selecting skyline services for QoS-based Web service composition [C]// WWW10： Proceedings of the 19th International Conference on World Wide Web. New York： ACM， 2010： 11-20.

[6]YU Q， BOUGUETTAYA A. Efficient service skyline computation for composite service selection [J]. IEEE Transactions on Knowledge and Data Engineering， 2013， 25（4）： 776-789.

[7]BARAKAT L， MILES S， POERNOMO I， et al. Efficient multi-granularity service composition [C]// ICWS11： Proceedings of the 2011 IEEE International Conference on Web Services. Washington， DC： IEEE Computer Society， 2011： 227-234.

[8]王文彬，孫其博，趙新超，等.基于非均衡變異離散粒子群算法的QoS全局最優(yōu)Web服務(wù)選擇方法[J].電子學報，2010，38（12）：1426-1439. （WANG W B， SUN Q B， ZHAO X C， et al. Web services selection approach with QoS global optimal based on discrete particle swarm optimization with non-uniform mutation algorithm [J]. Acta Electronica Sinica， 2010， 38（12）： 1426-1439.）

[9]WANG X， WANG Z， XU X. An improved artificial bee colony approach to QoS-aware service selection [C]// ICWS13： Proceedings of the 2013 IEEE 20th International Conference on Web Services. Washington， DC： IEEE Computer Society， 2013： 395-402.

[10]YILMAZ A， KARAGOZ P. Improved genetic algorithm based approach for QoS aware Web service composition [C]// ICWS14： Proceedings of the 2014 IEEE 21th International Conference on Web Services. Washington， DC： IEEE Computer Society， 2014： 463-470.

[11]倪志偉，方清華，李蓉蓉，等.改進蟻群算法在基于服務(wù)質(zhì)量的Web服務(wù)組合優(yōu)化中的應(yīng)用[J].計算機應(yīng)用，2015，35（8）：2238-2243. （NI Z W， FANG Q H， LI R R， et al. Improved ant colony optimization for QoS-based Web service composition optimization [J]. Journal of Computer Applications， 2015， 35（8）： 2238-2243.）

[12]NGU A H H， CARLSON M P， SHENG Q-Y， et al. Semantic-based mashup of composite applications [J]. IEEE Transactions on Service Computing， 2010， 3（1）： 2-15.

[13]HADDAD J E， MANOUVRIER M， RUKOZ M. TQoS： transactional and QoS-aware selection algorithm for automatic Web service composition [J]. IEEE Transactions on Service Computing， 2010， 3（1）： 73-85.

[14]CAO J， ZHU G， ZHENG X， et al. TASS： transaction assurance in service selection [C]// ICWS12： Proceedings of the 2012 IEEE 19th International Conference on Web Services. Washington， DC： IEEE Computer Society， 2012： 472-479.

[15]劉海，張衛(wèi)民，張矚熹，等.滿足原子事務(wù)與QoS端對端約束的服務(wù)優(yōu)化選擇方法[J].通信學報，2011，32（7）：80-92. （LIU H， ZHANG W M， ZHANG Z X， et al. Optimal service selection approach considering both atomic transaction and end-to-end QoS constraints [J]. Journal on Communications， 2011， 32（7）： 80-92.）

[16]DING Z， LIU J， SUN Y， et al. A transaction and QoS-aware service selection approach based on genetic algorithm [J]. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2015， 45（7）： 1035-1046.