物联网服务优化：基于遗传算法和神经网络的QoS感知方法

沙特国王大学学报基于遗传算法和神经网络的QoS感知物联网服务组合方法Rabah Boucettia，Mr.，Ouassila Hioualc，Sofiane Mounine Hemamba阿尔及利亚Khenchela 40004 Abbes Laghrour大学ICOSI实验室bAbbes Laghrour大学，Khenchela 40004，阿尔及利亚c阿尔及利亚Khenchela 40004 Abbes Laghrour大学康斯坦丁LIRE实验室阿提奇莱因福奥文章历史记录：2021年9月21日收到2021年12月25日修订2022年2月11日接受2022年2月26日在线提供保留字：IoT服务IoT服务组合服务质量分解神经网络遗传算法A B S T R A C T在物联网（IoT）环境中，由连接的对象提供的服务通过web被这允许机器在它们之间进行交互，并使物联网服务组合成为可能。然而，智能对象的大量增长产生了具有相同功能但在服务质量（QoS）属性方面不同的服务。这使得用户需求的满足通常是复杂的，并且是NP难问题。实际上，由于组合的候选服务的数量很大，因此尊重QoS约束（在QoS方面的用户偏好）是一个挑战这个挑战包括选择最合适的服务，以便组合服务必须满足用户的功能和非功能需求。为了应对这一挑战，我们提出了一种基于遗传算法（GA）和神经网络（NN）的方法，用于大规模环境中的QoS感知物联网服务组合GA和NN之间的组合后者是基于全局QoS优化。为了达到这一目标，QoS间隔被分解成M个QoS级别，使它们成为理论组成。然后，建议的第一遗传算法是用来获得理想的理论组成，与整体QoS优化。之后，所提出的神经网络被用来消除不合适的具体物联网服务，并只保留具有相同类别的原子理论服务组成的理想理论组成的服务。这使我们能够优化搜索空间和执行时间。最后，我们将第二个GA应用于保留类别的具体服务，以获得具有整体QoS优化的物联网服务具体组合。仿真结果表明，与SC-FLA、改进的GA和MGA方法相比，该方法具有最佳的合成时间、最佳的Hypervolume指标和最佳的合成最优性。另一方面，与TS-QCA相比，它具有几乎相同的性能，并且与PSA相比，它因此，所获得的结果表明我们的方法的有效性版权所有©2022作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍近年来 ，物联网（ IoT ）技 术的进步已经获 得了很大 的普及（Gupta等人， 2021年）。这项新兴技术已经侵入人类生活的各个领域*通讯作者。电子邮件地址：gmail.com（R. Boucetti）。沙特国王大学负责同行审查（工业、环境、农业、医疗保健、供应链等）（Bouguettaya等人，2017年）。它正在证明自己是连接现实和虚拟世界的最佳方式（Rani等人， 2021年）。因此，它使信息和物理世界之间的融合成为在物联网系统中，传感器、执行器和其他可唯一识别的对象是相互连接的。他们之间通过互联网进行互动。因此，它允许这些对象以服务的形式提供它们的功能（Kahloul等人， 2019年）。 这些物联网服务被开发为允许实时观察和控制日常生活中特定空间或对象中的特定现象（Razzaque等人，2016年）。在日常生活中，用户的需求是复杂的。为了保证它们，新的服务通过组合原子服务来获得。这些服务称为复合服务https://doi.org/10.1016/j.jksuci.2022.02.0121319-1578/©2022作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comR.布塞蒂岛Hioual和S. M. 赫马姆沙特国王大学学报5620●服务后者提供了原子服务不能单独提供的新功能（Lemos等人，2015年）。事实上，物联网组合服务能够聚合智能对象服务以满足复杂的需求（Chen等人， 2016年）。智能对象的大量增加生成具有相同功能的IoT服务，但是通过它们的服务质量（QoS）属性来区分（Botta等人，2016年）。这使得用户需求的满足往往是复杂的。实际上，由于用于QoS的大量候选服务，尊重QoS约束（在QoS方面的用户偏好）是一个挑战。该组合物（Jatoth等人，2018年）。这个挑战包括选择最合适的服务，使得复合服务必须满足用户的功能和非功能（QoS）要求（Boucetti等人，2020; da Silva等人，2020年）。通常，QoS感知的IoT服务组合过程通过四个步骤来实现（参见图1）。图1）：（1）组合计划的开发，（2）服务发现，（3）基于服务QoS的选择，以及（4）组合的执行和控制。在这个过程中，我们可以区分两种类型的服务：具体服务和抽象服务。具体服务（CS）是一个可调用的服务。然而，抽象服务（AS）表示具有相同功能但在它们的QoS属性上不同的一类具体服务（Chai等人，2021年）。物联网具体服务的特征在于其服务质量（QoS）指标。后者允许用户能够使用这些度量来理解和表达其需求。在服务组合过程中，有两类考虑QoS的方法（Alrifai和Risse，2009）：(1) 基于本地选择的方法。它们允许单独确定组合计划的每个抽象服务的虽然，他们有一个合理的时间复杂度，这些方法不能保证组合服务满足用户指定的全局QoS约束。(2)基于全局优化的方法，其中的QoS约束考虑在复合服务的水平最明显的方法是评估所有可能的组合，然后通过遵守强加的全局约束来确定QoS这导致了一个指数复杂性问题（NP-困难）。针对上述问题，提出了一种基于遗传算法和神经网络的QoS感知物联网服务组合方法（GNN-QSC）。它基于IoT服务组合的全局QoS优化。由于我们的方法是一个全局优化的基础上，找到最佳的组合是一个NP-难问题。所以，我们的想法是改革-Fig. 1. QoS感知合成概述。将合成问题转化为分类问题，以减少搜索空间和合成时间。事实上，我们使用的神经网络模型来分类的具体服务，每个参与的抽象服务的组合计划，到不同的类别，根据其QoS水平。在此基础上，利用遗传算法寻找接近最优的物联网服务组合。在文献中，一些研究已经解决了其中一些挑战。在所提出的解决方案中，我们可以引用：基于遗传算法（GA）的方法（Gao等人，2014;Kashyap等人，2020 a; Li等人，2014; Yang和Li，2015），基于GA和粒子群优化（PSO）的那些（Kashyap等人， 2020 b; Liu等人，2013）和布谷鸟启发的（Kurdi et al.，2018年）。其他解决方案试图通过移除在术语上不具有前景的候选服务来减少组合空间。的QoS。为此，聚类技术被用于根据服务在组合过程中的相关性对服务进行分组，并且仅考虑相关的聚类（Khanouche等人，2019 a，2019 b; Tong等人，2020; Wang等人， 2020年）。与上述工作相比，我们的建议考虑了全局QoS约束的优化，搜索空间和时间。因此，我们的贡献允许解决的问题，物联网服务组合，同时满足全球QoS约束。我们可以总结如下：我们集群的具体服务（CS），属于同一个抽象服务（AS）（具有相同的功能的服务），到QoS级集群。为此，我们提出了一个神经网络模型来评估物联网服务，并根据适当的QoS级别对它们进行分组。输入层中的神经元的数量对应于QoS属性向量维度。输出层包含四个等级（白金、黄金、白银或青铜）。● 我们将每个抽象服务（ASi）的每个QoS属性分解为M个QoS级别，从每个QoS属性的最小值到最大值因此，我们将为每个抽象服务获得M个理论服务（M个我们应用建议的遗传算法（GA），在获得的理论抽象服务，以获得理想的理论组成（ITC）。后者满足整体QoS约束，并具有几乎最优的服务质量。我们评估的原子理论服务，组成理想的理论组成（ITC）的神经网络模型。后者使得有可能为每个抽象服务提供要参与组合的具体服务的类别为此，对于ITC中的每个原子理论服务，我们仅选择与相应抽象服务中的该服务具有相同类别的具体服务这允许减少工作空间。我们应用第二个建议的GA获得准最佳的混凝土组合物。该遗传算法应用于初始种群，其个体是由先前选择的服务形成的随机可行组合。为了验证所提出的工作的有效性，我们进行了几个模拟。所获得的结果表明，我们的动态物联网服务组合在大规模环境中的全局QoS约束此外，所提出的工作提高了搜索空间和时间相比，其他作品。本文的其余部分组织如下：第2节概述了QoS感知物联网服务组成的相关工作。第三给出了服务和组合服务模型、QoS模型和全局约束、效用函数以及全局QoS约束下的服务组合问题的形式化。我们的做法是●●●●R.布塞蒂岛Hioual和S. M. 赫马姆沙特国王大学学报5621详细信息见第4节，评价和讨论见第5节。最后，在第六中给出了结论和展望。2. 相关工作在本节中，我们回顾了在QoS约束下解决物联网服务组合QoS感知的IoT/Web服务组合问题的解决方案首先包括：（1）定义QoS模型（QoS向量），(2) 根据组成结构定义QoS属性聚集规则，以及（3）定义允许服务相对于其QoS模型被评估的效用函数公式（da Silva等人，2020年）。这些点几乎在处理QoS感知服务组合的所有作品中讨论，如在（ Alrifai 和 Risse ， 2009; Chai 等 人 ， 2021 年 ; Chen 等 人 ，2017;Jatoth 等人， 2018; Kashyap 等人， 2020 b; Khanouche 等人，2019 a，2019 b，2016; Li等人， 2014年; Liu等人， 2016，2013; Qi例如，2018; Wang等人， 2020年）。在本文中，我们从这些工作中受到启发，定义了适用于我们方法的QoS模型和聚合规则，以及基于Simple Additive Weighting （SAW ）的函数效用（Kaliszewski和Podkopaev，2016）。然后，基于QoS效用函数从几个备选方案中选择接近最优的组合物为了处理IoT服务组合问题，已经提出了几种解决方案。在这些解决方案中，生物启发的元启发式方法：基于遗传算法（GA）的方法（Gao等人，2014; Kashyap等人，2020 a; Li等人，2014; Yang和Li，2015）、基于GA和粒子群优化（PSO）的方法（Kashyap等人，2020b; Liu等人，2013）和布谷鸟启发的方法（Kurdi等人， 2018年）。为了解决用户QoS约束，作者在（Li等人，2014）已经将面向物联网服务组合的QoS（QSC）问题表述为多准则目标规划（MCGP）模型，并开发了一种多种群遗传算法（MGA）来解决它。作者在（Liu等人，2013）提出将遗传算法（GA）和粒子群优化算法（PSO）相结合来解决基于QoS的物联网服务组合问题。根据作者的说法，所提出的方法考虑到：（i）比例进化优化，以确保人口的多样性，（ii）更好的和改进的候选服务选择的局部策略，（iii）沿着最佳整体粒子的最佳分散全局策略，以及（vi）自适应学习率调整机制，该机制兼顾了收敛速度和优化结果;所有这些，当服务组合是在大规模进行 另一方面，Kashyap等人，（2020a）比较了GA和PSO两种算法在解决物联网服务组合问题上的应用。作者证实，这两个算法解决了物联网中的服务组合问题。在真实数据集上的实验结果表明，使用遗传算法得到的解决方案比粒子群算法得到的解决方案更有表现力。Yang和Li（2015）使用多属性决策方法（MAMD）评估每个物联网服务，并选择QoS方面的精英作为组成的一部分。采用一种改进的遗传算法作为全局寻优方法，在算法中加入了贪婪算法。得到的结果是具有最大效用函数值的服务组合。在（Gao等人，2014），提出了一种QoS聚合方案来计算组合服务的总体QoS向量。使用考虑用户约束和权重向量的QoS效用函数来确定组合的最优性。最后，一个遗传算法来创建一个最优的服务组合。Kashyap等人（2020 b）提出了一种多目标元启发式搜索算法来解决基于QoS的物联网服务组合问题。非支配排序遗传算法（NSGA-II）是用来提供最佳组合。在（Kurdi等人，2018），作者开发了一种受布谷鸟行为启发的算法，以找到现有的复合服务，从而有效地满足多云环境（MCE）中的用户需求。MultiCuckoo算法考虑了多云环境下的服务组合问题及其特点.其评价表明，它消耗的时间和资源较少。其他方法试图通过移除在QoS方面没有希望的候选服务来减小组合空间。为此，聚类技术用于根据服务在组合过程中的相关性对服务进行分组，并且仅考虑相关的聚类（Khanouche等人，2019 a，2019 b; Tong等人，2020; Wang等人， 2020年）。在（Khanouche等人，2019a ），提出了一种在环境智能环境（AmI）下基于服务质量感知的服务组合算法（CQCA）。为此，使用K-means方法根据QoS级别对服务进行聚类，即，每个聚类表示一个QoS级别。利用结果聚类的特点，提出了一种新的效用函数，以消除服务质量方面没有前途的服务。这种技术可以减少构图的空间和时间。然后，采用字典图法验证了全局约束的满足性.最后建立搜索树，确定准最优组合.另一方面，在（Wang et al.，2020年）。该方法将物理、网络空间和社交网络结合起来。首先，Skyline分量的计算用于修剪冗余分量。然后，利用变异系数，过滤掉服务质量（QoS）波动较大的组件。最后，使用一个混合的最优规划（MIP）选择最佳组件，通过最大化的适应度函数，根据端到端的用户的QoS要求。在大规模IoT环境的背景下，在（Khanoucheet al.，2019年b）。TS-QCA考虑了全局QoS约束。它是基于聚类和混合蛙跳算法（SFLA）的方法，以减少合成时间。 因此，在组合过程中，通过只关注有希望的候选服务来提高算法的收敛性.物联网面临的另一个挑战是优化能源管理，物联网服务组成（Alsaryrah等人，2018; Baker等人，2017; Chai等人，2021; Khanouche等人，2016; Tong等人， 2020年）。Chai等人（2021）提出了用于物联网服务组合的快速以能量为中心和QoS感知的服务组合方法（FSCA-EQ）它们使用分层优化机制。为了预先选择具有更高QoS的候选服务，采用了竞争比（CRM）方法此外，为了选择最优服务作为最终的组合服务，根据其能量简档、QoS属性和用户偏好应用相对支配的概念FSCA-EQ在大规模物联网环境中的复合服务的QoS水平和功耗之间取得了良好的平衡。Khanouche等人（2016）提出了以能量为中心和QoS感知的物联网服务选择算法（EQSA），用于物联网服务组合。该方法利用一种语义优化策略和QoS约束松弛技术，预先选择出服务质量满足用户要求该问题被看作是一个多目标优化问题。最大限度地减少能耗，以确保组合服务的高可用性，同时确保QoS要求。 作者在（Tong等人，2020）结合了集群技术和能源管理。通过引入能量对传统的QoS模型进行了扩展，提出了一种方法R.布塞蒂岛Hioual和S. M. 赫马姆沙特国王大学学报5622考虑到新的QoS模型，全局约束将被分解为原子服务的局部QoS约束。K-means方法用于获得原子服务的集群最后，在每个簇中局部地选择最优服务。 在（Alsaryrah等人， 2018），作者将寻找物联网服务组合的QoS水平和能耗之间的平衡的问题简化为具有两个目标的最短路径的优化问题。他们使用名为Pulse的精确算法来解决问题。在（Baker等人，2017年），开发了一种称为（E2C2）的多云物联网服务组合算法。E2C2的目标是在能量敏感的组合平面中寻找和交互尽可能该算法采用了用户需求的形式化以节能的方式研究和集成满足用户需求的最低限度其他方法使用各种愿景来解决物联网服务组合问题。在（White等人，2018）提出了一种可靠系统的自我管理方法。它使用协作过滤和面向对象的物联网服务组合。因此，基于矩阵分解（MF）的协同过滤被用在目标驱动和自我管理的服务模型中，以执行IoT中面向对象的模型根据QoS的预测动态地自适应作者在（Gharineiat等人，2021）提出了一个众包物联网服务的框架，以选择和组合移动众包物联网服务。它基于时空因素。针对移动业务的选择和组合问题，提出了一种基于深度强化学习的移动业务选择和组合算法.后者考虑了QoS参数不使用索引。为了发现移动中的服务，还利用Apache Spark开发了基于flock模式的时空MapReduce.与地面实况相比，所提出的方法是可扩展的和高精度的。Zhou和Ma（2013）将复杂的QoS计算模型分解为四个基本模型，并根据物联网的特点为每个QoS计算模型分配了一种适应的方法。然后，启发式回溯（BT）算法被用来满足QoS要求。Cuong等人 （ 2016 ） 提 出 了 环 境 传 感 器 网 络 中 的 服 务 监 控 和 组 合 系 统（SMACS）。两个参数（可靠性和反应性）估计通过使用朴素贝叶斯分类器的SMACS。这些参数用于获得最佳的服务组合。它们允许通过排除故障节点来提高整个传感器网络的整体QoS。表1总结了本节中介绍的QoS感知IoT服务组合方法。它们在以下方面进行比较：（1）表示所使用的求解方法的分辨率原则，（2）可扩展性，（3）组合最优性，即将获得的组合与最优组合进行比较，（4）能量意识，以及（5）复杂性分析。在此文献综述之后，我们强调了我们的方法（GNN-QSC）与上面提出的QoS感知物联网服务组合方法相比的贡献和独创性已经提出了几种方法来减少物联网服务组合问题的搜索空间。这些方法使用聚类技术来减少搜索空间，从而减少合成时间。它们排除了在QoS方面几乎没有承诺的候选服务或组合表1方法总结和比较。方法比较标准用方法扩展性优性能源复杂性（Chai等人， 2021年）CRM +相对优势是的最优是的未评价（Khanouche等人，词典优化+相对优势是的近-是的时间复杂度O（n*m）+ O（m*plog p）（2016年）最优（Khanouche等人，k-means +效用函数+词典优化是的近-没有时间复杂度：O（m * n）+O（m*r）2019年a）方法最优（Wang等人， 2020年）Skyline组件+QoS波动+MIP算法不未评价没有未评价评价（Khanouche等人，集群+SFLA是的近-没有未评价（2019年b）最优（Li等人， 2014年度）MCGP模型+MGA是的最优没有未评价（Liu等人， 2013年度）GA + PSO不未评价没有未评价（协同进化算法）评价（Kashyap等人，（2020年a）GA + PSO算法不未评价没有未评价评价（杨和李，2015）GA + Greedy算法不未评价没有未评价评价（Gao等人， 2014年度）QoS聚合模式与效用函数+GA是的最优没有未评价（Kashyap等人，（2020年b）非支配排序遗传算法NSGA-II不未评价没有未评价评价（Kurdi等人， 2018年）MultiCuckoo算法不近-没有未评价评价最优（Tong等人， 2020年）扩展QoS模型+ K-means不最优是的时间复杂度O（n*m*d）评价（Alsaryrah等人， 2018年）脉冲算法是的最优是的未评价（Baker等人，（2017年） E2C2算法不最优是的未评价评价（White等人， 2018年）矩阵分解不未评价没有未评价评价（Gharineiat等人， 2021年）深度强化学习+时空MapReduce是的最优是的未评价（Zhou and Ma，2013）回溯算法是的次优是的未评价（Cuong等人，（2016年）朴素贝叶斯分类器不未评价没有未评价评价建议的方法GNN-QSC神经网络+遗传算法是的接近最佳没有时间复杂度O（n）●R.布塞蒂岛Hioual和S. M. 赫马姆沙特国王大学学报5623≤≤我IP（Khanouche等人，2019 a，2019 b; Tong等人，2020; Wang等人，2020年）。与这些方法中采用的技术不同，主要是k-means方法，所提出的神经网络模型可以用于确定物联网服务的类别，而无需重新训练它。因此，它允许我们改进执行时间。遗传算法的使用比其他方法更有利于物联网服务的组合事实上，Kashyap等人，（2020a）对用于解决物联网服务组合问题的两种算法GA和PSO进行了比较。作者证明，使用GA获得的解决方案是更有表现力比从PSO获得的。在合成过程期间，基于生物启发的Meta启发式方法可能涉及不适当的服务（Gao等人，2014; Kashyap等人，2020 b，2020 a; Kurdi等人，2018年;Li等人，2014年; Liu等人，2013; Yang和Li，2015）。为了处理这些限制，我们提出，在本文中，QoS区间分解。后者包括将QoS间隔分解为理论水平，这些理论水平在每个抽象服务中生成理论服务。此外，从这些理论服务，我们寻找理想的理论组合服务（ITC）具有高水平的QoS。因此，我们可以保证对于每个抽象服务，我们只保留了具体组合中的适当服务。为此，我们将它们与构成ITC的理论服务的类别进行QoS。因此，用户查询包含N个服务类别（任务Ti）的目录以选择m个任务（m N）。这些任务按照给定的顺序（组合结构）进行结构化，以满足业务流程的每个任务Ti（i m）由一类服务表示，称为抽象服务（AS）。它包含n个相同的物联网服务，就其功能属性而言，但就其非功能属性（QoS）而言不同。动态IoT服务组合包括在执行时为每个任务（抽象服务AS）这样，复合服务结果满足全局QoS约束并提供最优的总体QoS。3.2. 定义为了理解所提出的方法，我们将给出一些有用的定义：具体服务（CS）是抽象服务的一个实例它由元组CS = [F，I，O，QoS]表示，其中：I/O分别是CS的输入和输出参数的向量。F是将输入I转换为输出O的函数。它表示服务CS的功能属性。另一方面，QoS是服务质量属性向量（具体的服务非功能属性）。● 抽象服务（AS）是由n个相似的具体服务（CS）组成的集合1 2 3 n上述方法中的大多数指定QoS要研究的属性（例如执行时间、成本、可用性等），这使得他们的方法受到限制。然而，我们的方法是通用和灵活的。因此，它可以应用于任何QoS模型。3. 背景、定义和模型在本节中，我们将介绍上下文以及必要的定义，以促进和简化所提出方法的实现。3.1. 动态IoT服务组合模型根据它们功能，AS i = {CS i，CS i，CS i，.. . ，CSi}。因此，在本发明中，CS ke[1.. n]具有相同的功能（F）、相同的输入和输出（向量I、O），但是它们的QoS属性（向量QoS）不同。● 抽象组合服务（ACS）是m个抽象服务的集合，ACS =< AS 1，AS2，. . ，ASm>。它们通过以下服务组合结构之一相互连接：顺序、并行、条件、循环或这些结构的组合。ACS是根据用户的功能需求，通过使用一组连接的抽象服务来制定的。具体组合服务（CCS）是抽象组合服务的实例化。实例化是通过在适当的具体服务CS k（i，s[1. m]，ks[1.. n]），CCS =< CS k，. . ，CS k，. . ，CSk>。i 1 i m阐述了物联网服务组合的动态模型标记为CS[QoS]的CS的QoS属性向量。资本主义则被定义为QoS属性向量。 CS k [QoS] = [qosk，.. . 、 qos k，.. . 、至图二、相同形状表示相同服务功能i i1 ip领带和不同的颜色表示的差异方面，图二. 动态IoT服务组合流程。qos_iq]，其中i=[1. N]，ks[1.. n]，ps[1. q]，N是抽象服务n是抽象服务AS i中的具体服务编号，q是QoS属性编号。qos k是属于第i个抽象服务的第k个具体服务的第p个我们区分两种类型的QoS属性：（1）负面属性（成本，响应时间等）。这对QoS水平具有负面影响，即，它们的值越高，QoS越低。(2)积极的属性，如可用性、可靠性等，其对QoS的水平具有积极的影响，即，它们的值越高，QoS越好。为此，我们需要为每个具体的服务分配一个效用函数fu。● CCS的QoS属性向量定义如下：CCS.QoS = [Q1，. . ，Qq]，其中q是QoS属性数量，Qp是聚合后第p个属性的值。属性的聚合取决于所使用的函数（求和、乘积、最大值或最小值）和组合结构（顺序、并行、条件和循环）。表2总结了m个服务的不同聚合函数。Pp是在条件组合结构中选择具体服务的概率。并且，Nbr是循环结构中的迭代次数（Khanouche等人，2019年a）。然而，并行条件和循环结构可以被转换成顺序模型，如（Zeng et al.，2004年）。以相同的方式，效用函数FU与根据其聚合的QoS值计算的每个具体复合服务相关联（Khanouche等人，2019年a）。●●●●●●R.布塞蒂岛Hioual和S. M. 赫马姆沙特国王大学学报5624我我≥≤P第1页第1页IP第1页IPIPIP第1页第1页IP地址第1页第1页IPIP第1页IPIP> >：qosk-qosminifpisaitiveattributeqosmax-qosminpp其中qosk表示的第p个QoS属性的当前值，pp提出的工作可以应用于上述领域。表2Qos-聚合函数（Khanouche等人，2019年a）。功能组成结构顺序并行条件循环全局QoS约束。用户后者是强加于价值观上的，使用组合的QoS属性（聚合后）。总和PmqoskIPPmqoskIPPmPpωqoskNbrωqosk因此，全局QoS约束为：CG（QoS）= [Cg，. . ，Cg ];其中产品QmqoskQmqos kPmPpωqoskKNBR最大Pmqosk最大服务质量kPmPpωqoskNbrωqosk由用户施加在复合序列的第p个副Q。它可以是一个下界（QCg），如果属性为最小qosk最小qosk最小qoskqoskpp≥p1≤p≤mip1≤p≤mip1≤p≤mip正属性或上界（其中属性为负。≤Cgp）的情况CS的效用函数，为了通过使用其QoS向量来评估具体服务CSk，效用函数fu与之相关联。该函数的作用是将其QoS向量的所有值转换为单个值。后者允许在QoS方面属于相同抽象服务（AS）的服务之间进行比较。在本文中，我们使用简单的加法加权技术（SAW）。在文献中，它被广泛采用于服务组合领域（da Silva等人，2020年）。效用计算包括：(i) 通过将QoS的每个值与该属性的最大值和最小值进行比较，将QoS（Nqos）属性值归一化为0和1之间的值。这允许使它们独立于测量的单位和范围。然而，如上所述，积极属性应该最大化，而消极属性应该最小化。因此，标准化将以两种不同的方式完成，如（1）中所定义的：>81;如果qosmax-qosmin=0● 可行的、接近最佳的CCS。 我们认为，如果对于每个抽象服务（AS i，i = 1. m）时，在组合中，选择单个混凝土服务（CS k）。此外，组合的聚合QoS值（Q p）满足由用户施加的总体QoS约束（Cg p ）（即，如果属性为正，则Q p Cg p，否则Q p Cg p）（Khanouche等人，2019年a）。如果混凝土复合服务（CCS）是可行的，并且具有最佳的总体效用（max（FU）），则将其称为近优服务（Khanouche et al.，2019年a）。4. 该方法物联网环境中的主要挑战之一是物联网服务组成。智能事物、传感器和致动器被聚集在一起以实现针对用户请求的合适的复合服务（Asghari等人，2018年）。物联网服务组合涉及几个领域 Asghari etal.（2019年），表明智慧城市是最具优势的领域p>>p其他在使用物联网服务组成，其次是健康-Nqosk¼8qosmax-qosk国际金融协会ð1Þ护理、环境和工业应用。 同一审查ip>pip>qosmax-qosmin证实了QoS感知的组合物是最广泛的p p>在这些应用领域使用的方法。 因此，我们的亲，：叶刘淑仪IP抽象服务AS中的第k个具体服务CSk。此外，委员会认为，●●●1QQ 是属性数，Cg p 是全局约束1≤p≤m本节由两部分组成第一个是致力于我我R.布塞蒂岛Hioual和S. M. 赫马姆沙特国王大学学报5625QoS最大和QoS最小分别表示最大和最小。第p个QoS属性的mum值(ii) 代表优先级和偏好的权重user. wp，（例如：wp = 1，p = 1..q）是分配给每个QoS属性。权重的差异代表用户偏好。(iii) 最后，通过计算得到具体服务的效用归一化QoS值的加权和，如-mula（2）：Q我们的方法（GNN-QSC）的一般描述但第二个是一个说明性的场景，以显示功能，所提出的方法的步骤。4.1. 一般描述根据组合服务的创建时间，可以区分两种类型的服务组合，静态组合，动态和动态的组合。在静态合成中，聚合物-在设计阶段完成服务这种组合模式适用于固定和不变数量的FEA-要组成的图形可以满足用户静态COM-在预期发生变化的情况下，R.布塞蒂岛Hioual和S. M. 赫马姆沙特国王大学学报5626Fu.CSkXwpωNqoskð2ÞR.布塞蒂岛Hioual和S. M. 赫马姆沙特国王大学学报5627运行时，例如替换不可用的服务或R.布塞蒂岛Hioual和S. M. 赫马姆沙特国王大学学报5628XFUCCSfuCS31 im国际石油公司第1页●R.布塞蒂岛Hioual和S. M. 赫马姆沙特国王大学学报5629CCS的效用函数，给定混凝土组件的效用反向服务CCS=< CS k，. . ，CS k，. . ，CSk>，如在R.布塞蒂岛Hioual和S. M. 赫马姆沙特国王大学学报5630具体服务的效用函数，通过映射聚合的QoS向量[Q1，.. . ，Q p，.. . ，Qq]转换为单个值R.布塞蒂岛Hioual和S. M. 赫马姆沙特国王大学学报5631使用相同的技术SAW。Sun和Zhao（2012）证明了组合服务的全局效用是R.布塞蒂岛Hioual和S. M. 赫马姆沙特国王大学学报5632形成该区域的混凝土服务的当地公用设施的总和混合物.它由公式（3）给出。R.布塞蒂岛Hioual和S. M. 赫马姆沙特国王大学学报5633MKR.布塞蒂岛Hioual和S. M. 赫马姆沙特国王大学学报5634我1/1R.布塞蒂岛Hioual和S. M. 赫马姆沙特国王大学学报5635更好的替代服务。另一方面，一个动态的复合-R.布塞蒂岛Hioual和S. M. 赫马姆沙特国王大学学报5636它允许在扩展期间选择和聚合服务过程。 这是通过利用语义R.布塞蒂岛Hioual和S. M. 赫马姆沙特国王大学学报5637网络技术和人工智能。 动态组合是组成物联网服务的理想模式;这是由于nat-R.布塞蒂岛Hioual和S. M. 赫马姆沙特国王大学学报5638物联网环境的动态性。然而，动态COM-位置的IoT服务提出几挑战等