楊 臻，李德識，2

（1.武漢大學(xué) 電子信息學(xué)院，湖北 武漢430070；2.武漢大學(xué) 深圳研究院，廣東 深圳518000）

0 引 言

物聯(lián)網(wǎng)信息服務(wù)主要為用戶提供來自RFID 標(biāo)簽、傳感器等設(shè)備的感知數(shù)據(jù)［1］。隨著面向服務(wù)的體系結(jié)構(gòu)思想（service－oriented architecture，SOA）引入物聯(lián)網(wǎng)［2］，每一個感知設(shè)備的功能都可以作為服務(wù)被其它物理實體發(fā)現(xiàn)和調(diào)用。

為滿足復(fù)雜的用戶需求，需要將位置信息、感知信息不同的多個設(shè)備的數(shù)據(jù)信息進(jìn)行組合。目前服務(wù)組合的研究多基于互聯(lián)網(wǎng)，側(cè)重驗證服務(wù)組合的可行性和邏輯性［3］，而物聯(lián)網(wǎng)信息服務(wù)旨在為用戶提供感知信息，各感知設(shè)備之間相互獨立，無嚴(yán)格的邏輯前驅(qū)、后繼關(guān)系，側(cè)重服務(wù)體驗最優(yōu)化。互聯(lián)網(wǎng)以人工方式產(chǎn)生語音、文本、多媒體文件等服務(wù)數(shù)據(jù)，QoS性能主要包括服務(wù)可靠性、可用性、信譽度等［4］，而物聯(lián)網(wǎng)主要處理電子標(biāo)簽、傳感器等設(shè)備生成的數(shù)據(jù)，服務(wù)性能還需考慮感知設(shè)備的地理位置信息。因此研究物聯(lián)網(wǎng)環(huán)境下的信息服務(wù)組合十分必要。

Li Kun提出了基于上下文的服務(wù)組合方法［5］，利用上下文精簡候選服務(wù)集，再選擇各功能屬類下QoS評分最優(yōu)的服務(wù)進(jìn)行組合，這種組合方式缺乏全局約束，是局部意義的最優(yōu)；Jin Liu 等提出搜索全局QoS 最優(yōu)的組合方案［6］，但未體現(xiàn)不同功能信息對用戶的價值差異；Xinming Li等提出從空間、時間與功能相似性匹配的角度，準(zhǔn)確地衡量候選服務(wù)與用戶需求的匹配程度，將匹配度最高的服務(wù)組合定義為最優(yōu)方案［7］，但該方法未涉及服務(wù)組合的QoS性能。

文章提出了一個物聯(lián)網(wǎng)QoS模型，定義了服務(wù)的功能信息對用戶的價值，將其作為評價服務(wù)的用戶偏好，應(yīng)用改進(jìn)的遺傳算法搜索最佳組合方案，能篩選出更符合用戶需求的感知數(shù)據(jù)。

1 服務(wù)組合流程

信息服務(wù)組合應(yīng)考慮從局部、全局上兩階段擇優(yōu)。局部上，將初始候選服務(wù)集按功能分簇。為了提高服務(wù)組合效率，可評比同一功能屬類下不同服務(wù)的QoS性能，選取QoS性能較好的k個服務(wù)作為該功能屬類下的最終候選服務(wù)。在最終候選服務(wù)集中，任選多個功能不同的信息服務(wù)進(jìn)行組合，即可構(gòu)成一個服務(wù)組合方案。全局上，將服務(wù)組合的擇優(yōu)問題，轉(zhuǎn)化為給定約束條件下求解目標(biāo)函數(shù)最優(yōu)值的優(yōu)化問題，利用改進(jìn)的遺傳算法全局尋優(yōu)，獲得QoS性能、功能需求匹配程度最佳的服務(wù)組合。

物聯(lián)網(wǎng)信息服務(wù)的組合過程主要包括需求分析、服務(wù)發(fā)現(xiàn)、單個服務(wù)選擇、服務(wù)組合選擇4個階段。服務(wù)組合尋優(yōu)流程如圖1所示。

圖1 用戶請求處理流程

（1）分析用戶需求。分析用戶需求描述文檔，能獲得目標(biāo)服務(wù)的功能需求與非功能需求，功能需求由功能關(guān)鍵詞集合表述；非功能信息包括QoS屬性值，以及用戶對QoS各個屬性的偏好程度。統(tǒng)計各功能關(guān)鍵詞在Google知識庫中的索引數(shù)目，定量評價該功能對用戶的價值。

（2）服務(wù)發(fā)現(xiàn)。在用戶指定的信息獲取地為中心的一定地域范圍內(nèi)，搜索能滿足各子功能需求的原子信息服務(wù)。多個功能不同、位置信息不同的感知設(shè)備，構(gòu)成初始候選服務(wù)集合。

（3）單個服務(wù)評分。根據(jù)功能信息將候選服務(wù)分簇，基于多屬性決策對同一功能屬類下的初始候選服務(wù)子集進(jìn)行細(xì)粒度個性化評分，擇優(yōu)選擇評分排名前k個服務(wù)作為最終候選服務(wù)，為組合服務(wù)的選擇打下基礎(chǔ)。

（4）服務(wù)組合擇優(yōu)。采用全局優(yōu)化算法，搜索QoS性能與功能信息更滿足用戶需求的組合方案，為用戶提供相應(yīng)感知數(shù)據(jù)。

2 服務(wù)組合匹配

用戶需求可分為功能需求和非功能需求。功能需求表征用戶希望獲得何種感知數(shù)據(jù)，非功能需求表征用戶對服務(wù)性能的需求，是對功能需求的個性化補充。功能需求可能是簡單的原子需求，也可能是復(fù)雜需求。原子需求定義為構(gòu)成服務(wù)需求的最小單元，不可細(xì)分，復(fù)雜需求由多個原子需求組合而成。在基于SOA 的物聯(lián)網(wǎng)中，信息服務(wù)往往是功能細(xì)化的原子服務(wù)，但用戶需求往往是粗粒度的復(fù)雜需求，為了充分利用物聯(lián)網(wǎng)服務(wù)資源，更好地滿足用戶需求，需要對各功能細(xì)化的原子服務(wù)進(jìn)行組合。

自頂而下［8，9］組合匹配是一種服務(wù)自動組合方式，原理是將復(fù)雜的功能需求分解為多個功能語義相關(guān)的子功能需求，通過對子需求的共同滿足來實現(xiàn)復(fù)雜需求的滿足。這種組合方法以單服務(wù)的本體語義匹配為基礎(chǔ)，實現(xiàn)簡單，能很好地解決子需求的服務(wù)匹配問題，但是未充分利用已發(fā)布的服務(wù)，組合靈活性受限。自底而上［10，11］組合匹配則是根據(jù)用戶需求，在服務(wù)庫中選擇多個原子服務(wù)自由組合，判斷組合與用戶需求的功能匹配度。這種組合方法充分利用了已發(fā)布的服務(wù)資源，非常適合服務(wù)挖掘，但由于物聯(lián)網(wǎng)服務(wù)資源豐富，組合方案搜索空間龐大，不僅增加了組合匹配實現(xiàn)的難度，還不能保證搜索效率。本文結(jié)合以上兩種方法的優(yōu)勢進(jìn)行需求分析與服務(wù)匹配。

在需求分析方面，對用戶提出的復(fù)雜功能需求，采用自頂而下思想進(jìn)行需求分解，得到多個較粗粒度的子功能需求，將組合匹配轉(zhuǎn)變成對各子需求的服務(wù)發(fā)現(xiàn)、匹配，能篩選掉服務(wù)庫中一部分不滿足功能需求的服務(wù)，減小搜索范圍。

在服務(wù)匹配方面，可以犧牲一部分語義匹配精度，換取服務(wù)挖掘的能力。因為物聯(lián)網(wǎng)感知信息多涉及細(xì)粒度的專業(yè)概念，而用戶描述可能是大語義范圍的語言描述，根據(jù)本體庫計算得到的語義相似度，能反映候選服務(wù)功能與用戶描述的概念之間的語義距離，但不能完全反映該服務(wù)的功能對用戶的重要性程度?？稍诜?wù)數(shù)據(jù)庫中，搜索服務(wù)功能描述與用戶功能需求滿足一定語義相似度的服務(wù)，這些服務(wù)的功能構(gòu)成服務(wù)組合的功能關(guān)鍵詞集，權(quán)衡各個服務(wù)的功能對用戶的價值，用以衡量候選服務(wù)對用戶的重要性?？紤]到關(guān)鍵詞在Google知識庫中的索引數(shù)目一定程度上能反映當(dāng)前社會對該關(guān)鍵詞的關(guān)注程度，索引越多反映該功能信息對用戶的價值越大，文中統(tǒng)計各功能關(guān)鍵詞在Google知識庫中的索引數(shù)目，定量地表征各服務(wù)功能的相對重要性。

例如用戶輸入的功能需求為 “空氣污染”，在服務(wù)庫中搜索與該概念語義相關(guān)的服務(wù)，獲得服務(wù)組合關(guān)鍵詞集為CO2、SO2、PM2.5、CO、CFCs、碳 氫 化 合 物、PM10、NO2。在Google中分別將以上8個關(guān)鍵詞連同與 “空氣污染”一同搜索，獲得索引數(shù)目約為：v ［8］＝｛9，8，42，6，4，4，5，7｝ （單位：十萬個），用無量綱數(shù)值表征相應(yīng)的功能價值，各個功能之間的相對重要性就能明確地區(qū)分開來。

3 物聯(lián)網(wǎng)服務(wù)QoS建模與評價

隨著物聯(lián)網(wǎng)的發(fā)展，各行業(yè)應(yīng)用需求推動各種類型的傳感器節(jié)點廣泛應(yīng)用。每個傳感器能提供某一特定功能的感知數(shù)據(jù)，表示為原子信息服務(wù)。大量的物聯(lián)網(wǎng)信息服務(wù)功能相同或相似，但服務(wù)QoS不同，因此服務(wù)組合需要考慮QoS性能的優(yōu)劣。

QoS概念源于通信網(wǎng)絡(luò)，主要描述數(shù)據(jù)傳輸中的質(zhì)量特性，關(guān)鍵指標(biāo)通常有代價、響應(yīng)時間、信譽度等，但物聯(lián)網(wǎng)的特點決定了物聯(lián)網(wǎng)信息服務(wù)還需考慮實體設(shè)備的資源有限性、網(wǎng)絡(luò)環(huán)境動態(tài)性及其物理語境與應(yīng)用場景。結(jié)合以上分析，可將物聯(lián)網(wǎng)信息服務(wù)的QoS關(guān)鍵指標(biāo)建模為五元組：代價、響應(yīng)時間、可靠性、地理距離與剩余能量，各指標(biāo)的定義和量化方法描述如下。

代價：用戶發(fā)起一次感知信息查詢需要支付給服務(wù)提供商的費用。

響應(yīng)時間：從用戶提交請求到接受到服務(wù)響應(yīng)之間的時間間隔，包括用戶請求處理時間和感知設(shè)備的采樣、處理、傳輸時延，常以一段時間內(nèi)的歷史響應(yīng)時間的平均值衡量。

可靠性：物聯(lián)網(wǎng)感知設(shè)備的軟硬件環(huán)境、通信網(wǎng)絡(luò)環(huán)境會影響信息服務(wù)的成功率，一定時間內(nèi)為用戶提供感知數(shù)據(jù)的成功率能衡量信息服務(wù)的可靠性。

地理距離：感知設(shè)備的數(shù)據(jù)信息與設(shè)備所在的地理環(huán)境密切相關(guān)。若用戶指定的感知地附近已部署了感知設(shè)備，感知數(shù)據(jù)必然精準(zhǔn)，但往往感知設(shè)備與用戶指定的感知地之間存在距離差，可能導(dǎo)致信息數(shù)據(jù)誤差。測定每個候選服務(wù)的設(shè)備地理位置與用戶指定感知地之間的距離差，將其作為物理距離參數(shù)值。距離差越小，代表感知數(shù)據(jù)更貼近用戶需求。

剩余能量：與互聯(lián)網(wǎng)服務(wù)設(shè)備不同，物聯(lián)網(wǎng)底層傳感設(shè)備能量受限。傳感器的可持續(xù)服務(wù)時間與剩余能量成正比。剩余能量低的傳感器在一段時間后電池能量耗盡，會導(dǎo)致服務(wù)失效，無法繼續(xù)提供感知數(shù)據(jù)。將每個傳感器的剩余能量納入評價標(biāo)準(zhǔn)，優(yōu)先將剩余服務(wù)時間長的傳感器加入組合，能增加服務(wù)組合的可重用性。

服務(wù)組合的QoS平均性能受組合內(nèi)各原子服務(wù)QoS性能的影響。在本文的物聯(lián)網(wǎng)QoS模型中，可靠性、剩余能量是效益型屬性，而代價、響應(yīng)時間、地理距離是成本型屬性。不同屬性量綱不同、數(shù)量級不同，因此需要對各個屬性值進(jìn)行標(biāo)準(zhǔn)化。采用極差變換法式 （1）、式 （2），能分別將成本型屬性與效益型屬性標(biāo)準(zhǔn)化，從而消除量綱與數(shù)量級的影響［12］。式 （1）、式 （2）中i表示服務(wù)編號，j表示服務(wù)的第j 種QoS屬性，qij表示第i 個服務(wù)、第j種屬性的值，maxqj與minqj分別表示所有服務(wù)中第j 種QoS屬性的最大、最小值，sij表示第i個服務(wù)、第j種屬性的歸一化評分。

加權(quán)算術(shù)平均式 （3）能計算各候選服務(wù)的綜合評分，這種計算方法允許數(shù)據(jù)之間線性補償，強(qiáng)調(diào)整體數(shù)據(jù)影響，Qij值越大，表示服務(wù)的QoS性能越佳。ωi是用戶對各屬性相對重要性的偏好估計，可采用熵值法等主、客觀賦權(quán)方法測定［12］。為了提高服務(wù)組合的搜索效率，在每個功能屬類下，擇優(yōu)選取Qij值排名前k 個服務(wù)，作為最終候選服務(wù)集

4 服務(wù)組合優(yōu)化求解

根據(jù)用戶需求描述文檔能獲得服務(wù)組合的功能關(guān)鍵詞集，表示如圖2所示F1，F(xiàn)2，…，F(xiàn)m。依據(jù)QoS評分精簡初始候選服務(wù)集后，每個功能屬類下存在多個候選服務(wù)實例BSij（i＝1，2，...m，j＝1，2，…，k）。由于各查詢請求之間不存在嚴(yán)格的前驅(qū)、后繼邏輯關(guān)系，只要符合功能需求、滿足總代價約束的任意服務(wù)實例都可加入組合，因此存在大量的備選方案。

圖2 服務(wù)組合

組合尋優(yōu)求解方法有窮舉搜索、貪婪算法、回溯法、動態(tài)規(guī)劃法、遺傳算法等。窮舉搜索一定能發(fā)現(xiàn)最優(yōu)組合，但搜索時間及空間代價都很大；貪婪算法計算復(fù)雜度低，但不能保證得到最優(yōu)解；回溯法與動態(tài)規(guī)劃算法的求解耗時會根據(jù)問題規(guī)模呈冪級數(shù)增加；遺傳算法不需要與應(yīng)用背景相關(guān)的啟發(fā)式知識，搜索代價相對較小，只需要目標(biāo)函數(shù)和相應(yīng)適應(yīng)值函數(shù)即可高效、健壯地求解大規(guī)模組合問題，被廣泛用于求解最優(yōu)化問題。

基于以上分析，文章采用遺傳算法思想全局優(yōu)化。傳統(tǒng)的遺傳算法通過交叉、變異操作不斷產(chǎn)生新染色體，直到滿足迭代次數(shù)N ＝Nmax 后算法才停止。歷來研究者們更傾向從避免遺傳算法過早收斂、保持種群多樣性方面改進(jìn)遺傳算法，加大搜索空間。但對于物聯(lián)網(wǎng)中某些特定的應(yīng)用場景，用戶對物聯(lián)網(wǎng)信息服務(wù)的實時性要求較高，服務(wù)組合決策時間對信息服務(wù)的感知數(shù)據(jù)準(zhǔn)確性有直接影響，適當(dāng)加快種群收斂，根據(jù)種群收斂狀態(tài)適時終止迭代，提高最優(yōu)化求解的效率顯得更為重要。采用精英保留策略，并將種群相似度加入算法終止條件有助于解決這個問題。

種群相似度可定義為式 （4），sim（G）為第G 次迭代種群的相似度，SimF（G）是在當(dāng)前種群中適應(yīng)度值相同的染色體個數(shù)，Gnum 是種群的規(guī)模。當(dāng)種群相似度值在 ［r，1］區(qū)間 （相似度閾值r可取0～0.9 之間的數(shù)）內(nèi)時，表示種群中絕大多數(shù)的染色體相同，算法已收斂，可終止種群迭代

從用戶角度，兼顧QoS性能與功能價值的服務(wù)組合才是最好的選擇。根據(jù)遺傳算法的思想，適應(yīng)度函數(shù)與約束條件可定義為式 （5）。將各個待組合的候選服務(wù)按功能關(guān)鍵詞分簇，實現(xiàn)第i種功能的服務(wù)對用戶的價值為vi。實現(xiàn)第i種功能的第j 個服務(wù)實例的QoS評分值為Qij，耗費代價為cij。bi是標(biāo)志位，取 “0”表示服務(wù)組合中不包含實現(xiàn)第i個功能的服務(wù)；取 “j”表示將第i種功能的第j 個服務(wù)實例BSij加入組合。 （b1b2b3...bm）組成一個染色實數(shù)編碼碼串，各基因位的取值形象地反應(yīng)了各功能相應(yīng)服務(wù)實例的選取狀態(tài)。在滿足總代價約束時，功能價值加權(quán)的QoS總評分越高，相應(yīng)的服務(wù)組合與用戶需求的匹配程度越高

采用改進(jìn)遺傳算法全局尋優(yōu)，流程如圖3 所示。實數(shù)編碼使遺傳算法能靈活地在大候選服務(wù)空間中尋優(yōu)，基于效益貪心策略的可行性檢查能修正不可行的組合方案，交叉和變異能維持種群多樣性，精英保留策略與種群相似度檢查能加快算法收斂。

圖3 改進(jìn)遺傳算法流程

算法實現(xiàn)流程可表述為：

（1）隨機(jī)產(chǎn)生規(guī)模為M 的初始種群，采用實數(shù)編碼隨機(jī)生成染色體碼串，定義式 （4）所示的適應(yīng)度函數(shù)與約束條件。

（2）基于效益貪心策略，檢查種群內(nèi)M 條染色體的合法性。種群迭代的過程中必然會產(chǎn)生部分不滿足總代價約束的染色體，在值非0的基因位中，優(yōu)先選取功能價值最低的位，將服務(wù)組合中實現(xiàn)功能Fi的服務(wù)用代價更小的服務(wù)替代，直至染色體合法。

（3）檢查當(dāng)前迭代次數(shù)與種群相似度。當(dāng)滿足最大迭代次數(shù)或種群相似度達(dá)到閾值時，停止種群迭代，返回當(dāng)前最優(yōu)解。

（4）采用賭輪法產(chǎn)生M 條父染色體復(fù)制到交配池，進(jìn)行單點交叉、變異。變異是以一定的概率在染色體中隨機(jī)選擇一個基因位，在取值區(qū)間內(nèi)隨機(jī)改變bi的值，生成新染色體，保證盡量多的服務(wù)組合方案能加入尋優(yōu)過程。

（5）采用精英保留策略。在父代種群中選取適應(yīng)度值較大的部分染色體作為精英保留，直接代替子代種群中同比例適應(yīng)度值小的染色體，共同構(gòu)成新種群，避免優(yōu)秀染色體在下一輪迭代的選擇、交叉操作中丟失。

重復(fù)上述過程直至迭代終止，最終搜索到總價值最大的最優(yōu)解決方案。

5 實例分析

基于VS2008仿真服務(wù)組合的狀態(tài)，將本文的方法與基于QoS約束的傳統(tǒng)服務(wù)組合方法進(jìn)行對比。開發(fā)環(huán)境為Intel Core 3.3GHz處理器，3.4GB內(nèi)存，操作系統(tǒng)為Windows XP。遺傳算法初始配置為：交叉概率為0.8 （一般為0.4－0.9），變異概率為0.09 （一般為0.01－0.1），父代精英比例20%，最大迭代次數(shù)為300，種群相似度閾值為0.8，基于C＋＋編程。

設(shè)定服務(wù)需求為某地的 “空氣污染”信息。假設(shè)在感知目的地附近區(qū)域共部署了CO2、SO2、PM2.5、CO、CFCs、碳?xì)浠衔?、PM10、NO2共24個傳感器節(jié)點，每個傳感器對應(yīng)一個提供感知信息的候選服務(wù)。各服務(wù)的代價與QoS評分值在一定范圍內(nèi)隨機(jī)生成，用二維數(shù)組表示，代價為Cost［8］［3］＝ ｛｛3，2，2｝，｛1，5，3｝，｛1，4，2｝，｛1，3，5｝，｛2，4，3｝，｛1，2，3｝，｛1，1，3｝，｛2，2，1｝｝，QoS評分為QoS［8］［3］＝｛｛0.88，0.85，0.81｝，｛0.87，0.84，0.92｝， ｛0.72，0.61，0.88｝， ｛0.88，0.90，0.90｝，｛0.65，0.85，0.98｝，｛0.85，0.80，0.90｝，｛0.90，0.86，0.96｝，｛0.80，0.89，0.99｝｝。在Google知識庫中統(tǒng)計8種功能的索引數(shù)目，得到功能價值：v ［8］＝ ｛9，8，42，6，4，4，5，7｝。

Qiufen Wang采用與貪心策略相結(jié)合、二進(jìn)制編碼的遺傳算法，在迭代次數(shù)N＝Nmax后停止算法［13］。為了滿足服務(wù)組合的需要，將遺傳算法的編碼改變?yōu)閷崝?shù)編碼，其它策略不變。在候選服務(wù)的功能種類規(guī)模不同時，比較加速收斂的遺傳算法與自然收斂的遺傳算法［13］的求解效率。預(yù)先設(shè)定功能種類個數(shù)分別為8，12，16，20，24，28，每種功能都擁有3個候選服務(wù)供選擇，采用遺傳算法獨立運行30次，統(tǒng)計組合優(yōu)化求解的平均耗時，結(jié)果如圖4所示。實驗結(jié)果表明，為遺傳算法添加精英保留策略與收斂性判定準(zhǔn)則后，在可行服務(wù)組合方案達(dá)428種時，服務(wù)組合優(yōu)化求解都能在12.8ms內(nèi)完成；而自然收斂的遺傳算法［13］求解耗時達(dá)31.33 ms，這是因為無論種群是否收斂，算法依然要迭代300次，增加了執(zhí)行時間。

圖4 組合求解耗時比較

將功能價值與QoS相結(jié)合的擇優(yōu)策略與僅基于QoS的擇優(yōu)策略［13］作對比，應(yīng)用相同的遺傳算法搜索全局優(yōu)化解，實驗結(jié)果見表1。

表1 實驗結(jié)果對比

若用戶能承受的最大服務(wù)組合代價為10 （單位：元），在不考慮信息服務(wù)之間的功能價值差異時，最優(yōu)染色體的基因位b1＝0，代表服務(wù)組合僅不提供CO2感知信息，但此功能價值對用戶的重要性排名第二，明顯是用戶不希望丟失的信息。而本文應(yīng)用功能價值與QoS雙重標(biāo)準(zhǔn)進(jìn)行組合匹配，最優(yōu)染色體的基因位b5＝0，表示服務(wù)組合僅不提供CFCs感知信息，此功能對用戶的重要性相對最低，與前種方法相比更好地保留了用戶最需要的功能信息，同時服務(wù)組合的QoS平均性能也相差不大。

實驗結(jié)果表明，不論是從最優(yōu)求解結(jié)果與用戶需求的匹配程度，還是從全局優(yōu)化求解效率的角度，本文算法能更好地解決物聯(lián)網(wǎng)信息服務(wù)組合求解問題。

6 結(jié)束語

物聯(lián)網(wǎng)信息服務(wù)組合可看作兼顧功能需求匹配度、QoS性能、組合決策效率的全局優(yōu)化問題。基于物聯(lián)網(wǎng)感知設(shè)備資源受限、感知信息與物理環(huán)境密切相關(guān)的特點，提出從服務(wù)質(zhì)量與服務(wù)對用戶的價值兩方面評價候選服務(wù)與用戶需求的功能匹配度，結(jié)合物聯(lián)網(wǎng)QoS模型，應(yīng)用效率提升的遺傳算法全局優(yōu)化。實驗結(jié)果表明，將功能價值納入服務(wù)評價標(biāo)準(zhǔn)后所得的服務(wù)組合更符合用戶需求。目前直接采用關(guān)鍵詞在Google中的索引數(shù)目作為功能價值，簡單方便，未來可考慮采用大數(shù)據(jù)分析方法衡量功能價值，獲得更精確的功能價值。

［1］ZHANG Feizhou，YANG Dongkai，CHEN Zhi.An introduction to Internet of things technology ［M］.Beijing：Publishing House of Electronics Industry，2010：25－26 （in Chinese）.［張飛舟，楊東凱，陳智.物聯(lián)網(wǎng)技術(shù)導(dǎo)論 ［M］.北京：電子工業(yè)出版社，2010：25－26.］

［2］Guinard D.Interacting with the SOA－based Internet of things：Discovery，query，selection and on－demand provisioning of Web services［J］.IEEE Transactions on Services Computing，2010，3 （3）：223－235.

［3］TIAN Hao，F(xiàn)AN Hong.A semantic rule based method of phased semantic Web service discovery ［J］.Computer Engineering and Design，2012，33 （5）：1806－1810 （in Chinese）.［田浩，樊紅.基于語義規(guī)則的分階段語義Web服務(wù)發(fā)現(xiàn)方法［J］.計算機(jī)工程與設(shè)計，2012，33 （5）：1806－1810.］

［4］ZHANG Peiyun，HUANG Bo，SUN Yamin.A semantic and QoS－aware based Web service match mechanism ［J］.Computer Research and Development，2010，47 （5）：780－787 （in Chinese）. ［張佩云，黃波，孫亞民.一種基于語義與QoS感知的Web服務(wù)匹配機(jī)制 ［J］.計算機(jī)研究與發(fā)展，2010，47 （5）：780－787.］

［5］Li Kun.The research of Web services composition based on context in Internet of things ［J］.IEEE International Conference on Computer Science and Automation Engineering，2012，1：25－27.

［6］Liu Jin，Chen Yuxi，Chen Xu，et al.A cooperative evolution for QoS－driven IoT service composition ［J］.Automatika，2013，54 （4）：438－447.

［7］Li Xinming，Sun Yan.A service mining scheme based on semantic for Internet of things ［J］.Chinese Journal of Electronics，2014，23 （2）：236－242.

［8］WANG Yu，XIANG Chaocan，WANG Meng，et al.Research status and development of semantic Web service discovery ［J］.Application Research of Computers，2013，30 （1）：7－12 （in Chinese）.［王玨，向朝參，王萌，等.語義Web服務(wù)發(fā)現(xiàn)研究現(xiàn)狀與發(fā)展 ［J］.計算機(jī)應(yīng)用研究，2013，30 （1）：7－12.］

［9］Tian YH，Su YL，Zhuang XF.Research on service identification methods based on SOA ［C］／／3rd International Conference on Advanced Computer Theory and Engineering，2010：V6－27－V6－31.

［10］Zheng Xiaolin，Lin Zhen，Yang Yanbo，et al.Research on context aware Web service composition based on the fluent caculus ［J］.Advances in Information Sciences and Service Sciences，2011，3 （7）：62－74.

［11］Anne HH Ngu，Michael P Carlson，Hye－young Paik，et al.Semantic－based mashup of composite applications ［J］.IEEE Transactions on Services Computing，2010，3 （1）：2－15.

［12］ZHANG Quan.Complex multiple attribute decision making research ［M］.Shengyang：Northeastern University Press，2008：16－56 （in Chinese）. ［張全.復(fù)雜多屬性決策研究［M］.沈陽：東北大學(xué)出版社，2008：16－56.］

［13］WANG Qiufen，LIANG Daolei.A heuristic genetic algorithm for solving 0－1knapsack problem ［J］.Computer Applications and Software，2013，30 （2）：33－37 （in Chinese）.［王秋芬，梁道雷.一種求解0－1背包問題的啟發(fā)式遺傳算法 ［J］.計算機(jī)應(yīng)用與軟件，2013，30 （2）：33－37.］