冉瑞生　 劉震　祁翔　彭順順

摘 要：為了保障服務(wù)組合優(yōu)化過程中的QoS數(shù)據(jù)的真實(shí)性，提出了一種基于超級賬本平臺的可信框架；同時為了提高服務(wù)組合的優(yōu)化效率，提出了一種蟻群因子的差分進(jìn)化算法的服務(wù)組合優(yōu)化方法（ACOF-DE）。首先，在超級賬本平臺上部署相應(yīng)節(jié)點(diǎn)，構(gòu)建可信框架，保障候選服務(wù)的真實(shí)性；然后，將所提出的算法以智能合約的形式，在區(qū)塊鏈上對服務(wù)組合的優(yōu)化問題進(jìn)行求解，使組合過程在可信的環(huán)境下執(zhí)行。該算法通過引入多種蟻群因子，比如蟻群路徑因子、最優(yōu)蟻群因子、信息素因子以及基于蟻群因子的差分計算，幫助算法動態(tài)控制搜索空間、記錄迭代過程中的關(guān)鍵信息，以提高算法優(yōu)化能力。最后，通過仿真實(shí)驗(yàn)證明可信框架可以有效地保障數(shù)據(jù)的可信； ACOF-DE相比其他智能優(yōu)化算法擁有更佳的優(yōu)化效率。

關(guān)鍵詞：服務(wù)組合； 差分進(jìn)化算法； 蟻群算法； 區(qū)塊鏈

中圖分類號：TP391 文獻(xiàn)標(biāo)志碼：A 文章編號：1001-3695（2023）10-006-2922-06

doi：10.19734/j.issn.1001-3695.2023.01.0078

Ant colony factor differential evolutionary algorithm based on Hyperledger

Fabric for trustworthy service composition optimization

Ran Ruisheng， Liu Zhen， Qi Xiang， Peng Shunshun

（School of Computer & Information Science， Chongqing Normal University， Chongqing 401331， China）

Abstract：In order to guarantee the authenticity of QoS data in the process of service composition optimization， this paper proposed a trusted framework based on the Hyperledger Fabric. Meanwhile， this paper proposed a service composition optimization method of differential evolution algorithm with ant colony factor to improve the efficiency of service composition optimization. Firstly， this paper deployed corresponding nodes on the Hyperledger Fabric to build a trusted framework that guaranteed the authenticity of the candidate services. Then， in the form of a smart contract on the blockchain， the proposed algorithm solved the optimization problem for the combination of services， enabling the composition process could be execute in a trusted environment. The algorithm helped the algorithm dynamically control the search space and record the key information in the iteration process by introducing various ACO factors， such as the ACO path factor， the optimal ACO factor， the pheromone factor and the difference calculation based on the ACO factors， in order to improve the optimization capability of the algorithm. Finally， the simulation experiments demonstrate that the trustworthy framework can effectively guarantee the trustworthiness of data; ACOF-DE has better optimization efficiency compared with other intelligent optimization algorithms.

Key words：services composition; differential evolution; ant colony optimization; blockchain

0 引言

隨著互聯(lián)網(wǎng)大數(shù)據(jù)和云計算技術(shù)的快速發(fā)展，大量的企業(yè)以Web服務(wù)的形式發(fā)布應(yīng)用資源［1］到互聯(lián)網(wǎng)上，但單一的Web服務(wù)不能滿足用戶的復(fù)雜需求。Web 服務(wù)組合技術(shù)［2］能夠整合互聯(lián)網(wǎng)上分散的應(yīng)用資源，組成強(qiáng)大的應(yīng)用服務(wù)，從而有效地解決這一問題。傳統(tǒng)服務(wù)組合過程中存在一系列的不可信問題。由于組合過程過度依賴第三方機(jī)構(gòu)，用戶只能被動接受服務(wù)集成的結(jié)果，難以約束其中心化行為；服務(wù)數(shù)據(jù)處于互聯(lián)網(wǎng)環(huán)境中，存在偽造竄改的可能；當(dāng)服務(wù)提供商對服務(wù)進(jìn)行修改時，用戶無法通過第三方機(jī)構(gòu)追蹤到服務(wù)的改變。 因此，如何解決服務(wù)組合過程中的失信行為是亟需解決的問題［3］。Xiong等人［4］基于服務(wù)三方構(gòu)建了一個三維信任評價體系，通過建立有效的模型進(jìn)行可信評估，解決了它們之間存在的可信問題。Hasnain等人［5］通過構(gòu)造模糊規(guī)則對服務(wù)的QoS進(jìn)行正確標(biāo)記，采用REPTree算法對服務(wù)的可信性進(jìn)行辨別，幫助用戶選擇可信服務(wù)。韓敏等人［6］使用貝葉斯理論和用戶評價方法從Web服務(wù)的主、客觀兩方面對服務(wù)進(jìn)行可信性評估并建模，從而確保服務(wù)組合的可信。Yang等人［7］提出了一種基于 D-S 理論的可信度評估方法，并結(jié)合馬爾可夫鏈對服務(wù)的可信度狀態(tài)及其變化狀態(tài)進(jìn)行表示，保證服務(wù)的可信性?，F(xiàn)存方法分別從用戶的主觀評價和服務(wù)的歷史客觀數(shù)據(jù)，為服務(wù)構(gòu)建一個有效的可信模型對服務(wù)進(jìn)行評估，幫助用戶選取可信服務(wù)。但中心化的服務(wù)組合過程無法確?？尚旁u估正確執(zhí)行，并且Web服務(wù)的異常改變是不規(guī)則的，通過可信模型的評估也不能反映出目前服務(wù)的真實(shí)質(zhì)量。

隨著區(qū)塊鏈技術(shù)的快速發(fā)展，大量研究利用區(qū)塊鏈的去中心化、不可竄改等特性為眾多領(lǐng)域的可信問題提出了解決方案，證實(shí)了其解決可信問題的普適性。本文基于超級賬本平臺提出了一種可信框架，為服務(wù)組合過程提供可信保障?？尚趴蚣芊譃槿齻€階段，分別是對身份認(rèn)證、動態(tài)組合驗(yàn)證和服務(wù)組合進(jìn)程。超級賬本平臺為服務(wù)組合提供安全可信的環(huán)境，經(jīng)過認(rèn)證后獲得真實(shí)的服務(wù)數(shù)據(jù)，再執(zhí)行服務(wù)組合進(jìn)程，以獲得可信的服務(wù)組合方案。同時針對服務(wù)組合的優(yōu)化問題和現(xiàn)存優(yōu)化算法存在的不足，提出一種基于蟻群因子的差分進(jìn)化算法（ACOF-DE），提高算法的服務(wù)組合性能，為用戶尋求最佳的服務(wù)組合方案。本文的貢獻(xiàn)總結(jié)如下：

a）本文基于超級賬本平臺提出一種可信框架，為服務(wù)組合提供安全可信的環(huán)境。通過對服務(wù)提供商和用戶的身份認(rèn)證，使用分布式賬本技術(shù)記錄雙方的身份信息與交易行為，對失信行為進(jìn)行約束；通過對候選服務(wù)集進(jìn)行動態(tài)組合驗(yàn)證，可以有效地篩選出存在問題的服務(wù)，確保服務(wù)組合進(jìn)程選擇可信服務(wù)。

b）本文提出一種ACOF-DE算法用于服務(wù)組合優(yōu)化，算法將多種蟻群算法因子融入到差分進(jìn)化算法中，分化算法的搜索空間，協(xié)同算法選擇服務(wù)路徑進(jìn)行搜索；記錄算法迭代過程中的有用信息，使用相關(guān)信息豐富算法的選擇策略。以此加快算法的收斂速度，增強(qiáng)算法尋優(yōu)能力。

1 相關(guān)工作

1.1 基于QoS的Web服務(wù)組合

目前對于Web服務(wù)組合問題已有許多不同的解決方案。文獻(xiàn)［8～10］對現(xiàn)有解決服務(wù)組合問題的方法進(jìn)行綜述，分析Web服務(wù)組合問題的研究進(jìn)展以及未來的發(fā)展方向。Jin等人［11］將一種新型的鷹策略應(yīng)用到鯨魚優(yōu)化算法（MWOA），并采用統(tǒng)一變異策略平衡全局和局部的搜索能力，以保持種群的多樣性。Kumara等人［12］將QoS屬性作為次要屬性，以服務(wù)功能屬性作聚類來選擇服務(wù)。Choudhary等人［13］將一種新的突變比例因子引入到差分進(jìn)化算法，稱為ASFDE，該算法根據(jù)當(dāng)前迭代自適應(yīng)地決定步長，提高算法的搜索能力。Dahan［14］基于蟻群的系統(tǒng)規(guī)則，提出一種多代理分布式機(jī)制的蟻群算法（MAACS），利用其機(jī)制平衡算法的探索過程來提高算法的穩(wěn)定性。Swetha等人［15］使用形式概念分析構(gòu)建一個新型的語義Web服務(wù)框架，該框架能夠有效地減少問題的維度。最后通過強(qiáng)化學(xué)習(xí)對該框架進(jìn)行求解，為用戶提供有效的解決方案。Liu等人［16］提出一種新的混合進(jìn)化算法，稱為LSNSGA-Ⅱ-DE，該方法在NSGA-Ⅱ的基礎(chǔ)上結(jié)合差分進(jìn)化算法的自適應(yīng)變異算子和交叉算子，并采取局部搜索的方法，使算法在分布范圍和收斂性各方面均表現(xiàn)良好。

1.2 區(qū)塊鏈技術(shù)

區(qū)塊鏈技術(shù)第一次進(jìn)入人們的視線是在2008年發(fā)布的比特幣白皮書中。它是一個去中心化的分布式賬本，通過加密算法、共識算法、時間戳、激勵策略等機(jī)制，使各個節(jié)點(diǎn)在無須相互信任的分布式環(huán)境下達(dá)成點(diǎn)對點(diǎn)的交易。智能合約［17］則是其中的一項特別重要的技術(shù)，它是通過信息技術(shù)手段實(shí)現(xiàn)的可自動執(zhí)行的計算機(jī)協(xié)議，能在無第三方可信機(jī)構(gòu)介入的條件下，高效安全地創(chuàng)建多種智能資產(chǎn)。超級賬本是眾多區(qū)塊鏈平臺的一種，與比特幣、以太坊等區(qū)塊鏈網(wǎng)絡(luò)不同的是，它建立在參與者有一定信任的基礎(chǔ)上，因此大大地提高了共識效率［18］，同時支持可插拔的共識協(xié)議，使平臺能夠?qū)Σ煌娜蝿?wù)進(jìn)行合理的配置，以適應(yīng)特定的業(yè)務(wù)場景。在驗(yàn)證過程中，其能夠并行執(zhí)行各階段的任務(wù)，從而提高系統(tǒng)的整體性能和規(guī)模。由于區(qū)塊鏈具有的這些特性，使它能夠有效地解決第三方機(jī)構(gòu)的高成本、低效率、數(shù)據(jù)不安全等問題，在金融、數(shù)字版權(quán)、物聯(lián)網(wǎng)、征信、公益等多個領(lǐng)域都嶄露頭角。

Viriyasitavat等人［19］提出一個基于區(qū)塊鏈的業(yè)務(wù)流程管理（BPM）框架用于驗(yàn)證企業(yè)可信度和管理其服務(wù)質(zhì)量，解決BPM系統(tǒng)依賴領(lǐng)域?qū)＜一虻谌絹硖幚砜尚哦鹊膯栴}。Liu等人［20］基于區(qū)塊鏈技術(shù)提出一種新的綜合多屬性群體決策（MAGDM）方法，為企業(yè)篩選服務(wù)提供商，并在決策過程中進(jìn)行主客觀的綜合加權(quán)計算，使結(jié)果更加合理和可靠。Li等人［21］提出一種圖矩陣分解法（GraphMF），利用GNN提取區(qū)塊鏈上服務(wù)的特征，估算區(qū)塊鏈網(wǎng)絡(luò)下服務(wù)缺失的服務(wù)質(zhì)量值并作出正確的服務(wù)選擇。區(qū)塊鏈在服務(wù)計算的可信問題上也展現(xiàn)出優(yōu)勢。Wang等人［22］提出一種基于以太坊的Web服務(wù)組合方法的設(shè)計思路，但它只是提出可行的概念，并沒有對其進(jìn)行實(shí)現(xiàn)。在之后的工作中，Wang等人［23］將第二價格密封拍賣策略與區(qū)塊鏈技術(shù)相結(jié)合，使用博弈論構(gòu)建出一組達(dá)到納什均衡狀態(tài)的服務(wù)請求序列，并通過求解混合整數(shù)非線性規(guī)劃數(shù)學(xué)模型，得到Web服務(wù)組合的近似最優(yōu)解。可見將智能優(yōu)化算法和區(qū)塊鏈技術(shù)相結(jié)合，能夠有效解決服務(wù)組合問題。

2 QoS感知的Web服務(wù)組合模型

QoS屬性是區(qū)分和衡量相似Web服務(wù)的重要指標(biāo)，用于服務(wù)組合為服務(wù)需求者選取最佳服務(wù)。QoS具有多個指標(biāo)，本文通常將其分為兩類：一類是積極屬性，該指標(biāo)越大服務(wù)質(zhì)量越好，例如吞吐量，它是單位時間內(nèi)傳輸?shù)臄?shù)據(jù)量，吞吐量越大，單位時間內(nèi)獲取的數(shù)據(jù)就會越多；一類是消極屬性，該指標(biāo)越小服務(wù)質(zhì)量越好，例如響應(yīng)時間，它是指響應(yīng)收到請求后的時間，響應(yīng)時間越大，在請求服務(wù)后將會花更長的時間進(jìn)行等待。對于QoS屬性不同的單位和范圍，首先，對服務(wù)的QoS值進(jìn)行歸一化處理，其目的是將QoS值的范圍縮小到［0，1］。然后，再根據(jù)服務(wù)屬性的不同，進(jìn)行如下計算。積極屬性為

其中：qti是服務(wù)的一個QoS屬性值；qtimax和qtimin為候選服務(wù)集中QoS指標(biāo)的最大值和最小值。

Web服務(wù)之間有四種執(zhí)行關(guān)系，分別為順序、并行、選擇、循環(huán)。對于不同的服務(wù)工作流服務(wù)組合有相應(yīng)的聚合公式，如表1所示。為了突出不同的QoS屬性的重要性以及用戶的偏好性，為各個QoS屬性設(shè)置不同的權(quán)重W={w1，w2，…，wk}，聚合服務(wù)的適應(yīng)度函數(shù)如式（3）所示。本文通過此函數(shù)值的大小來評估服務(wù)組合的最優(yōu)性。

3 基于超級賬本的可信服務(wù)組合方法

本章基于超級賬本平臺提出一種可信框架，基于此框架使用ACOF-DE算法對服務(wù)組合進(jìn)行優(yōu)化。

3.1 基于超級賬本下的可信框架

傳統(tǒng)的Web服務(wù)組合過程通過第三方平臺執(zhí)行，服務(wù)集成者可以隨意修改數(shù)據(jù)信息；服務(wù)提供商也可以在不被監(jiān)管的情況下修改服務(wù)；所有的服務(wù)數(shù)據(jù)均處于互聯(lián)網(wǎng)中，容易遭受惡意攻擊。大量的可信性問題使服務(wù)組合的方案不能滿足用戶的需求。超級賬本的區(qū)塊鏈網(wǎng)絡(luò)由多種網(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行構(gòu)建，它能夠讓傳統(tǒng)服務(wù)組合過程中第三方平臺的中心化權(quán)力分散到各網(wǎng)絡(luò)節(jié)點(diǎn)上，可以有效地監(jiān)管服務(wù)提供商對所提供服務(wù)的修改，區(qū)塊鏈的自身特性也能有效地避免數(shù)據(jù)遭受網(wǎng)絡(luò)攻擊。然后使用智能合約技術(shù)，在執(zhí)行組合服務(wù)任務(wù)前對發(fā)布在鏈上的服務(wù)進(jìn)行驗(yàn)證，獲取一個可信的候選服務(wù)集。最后在區(qū)塊鏈網(wǎng)絡(luò)上運(yùn)行服務(wù)組合算法，保障服務(wù)組合方案的可信性，有效地解決了用戶、服務(wù)提供商和平臺之間的信任問題。本文基于超級賬本平臺提出了一種可信服務(wù)框架用于保障服務(wù)組合的執(zhí)行，為用戶尋求最優(yōu)的服務(wù)組合方案，該框架分為身份認(rèn)證、動態(tài)組合驗(yàn)證和服務(wù)組合進(jìn)程三個部分，如圖1所示。

a）身份認(rèn)證，用于驗(yàn)證用戶和服務(wù)提供商提供的身份信息，并賦予發(fā)布服務(wù)和服務(wù)請求的權(quán)限。如圖2所示，用戶和服務(wù)提供商通過應(yīng)用程序訪問注冊合約；注冊合約通過區(qū)塊鏈網(wǎng)絡(luò)與權(quán)威機(jī)構(gòu)進(jìn)行交互，將信息與證書交予權(quán)威機(jī)構(gòu)進(jìn)行驗(yàn)證，證書則需從權(quán)威機(jī)構(gòu)獲得；通過權(quán)威機(jī)構(gòu)中的證書對比和信息校驗(yàn)，然后返回驗(yàn)證結(jié)果。

通過驗(yàn)證后，用戶和服務(wù)提供商將獲得此權(quán)威機(jī)構(gòu)的數(shù)字身份信息，并獲得相應(yīng)的賬戶和權(quán)限。服務(wù)提供商通過發(fā)布合約發(fā)布服務(wù)并提供服務(wù)接口。當(dāng)服務(wù)發(fā)布成功后，服務(wù)會與其數(shù)字信息進(jìn)行綁定，且服務(wù)只能通過該賬戶進(jìn)行發(fā)布更新，也會對服務(wù)的修改進(jìn)行監(jiān)管，一旦出現(xiàn)失信行為，將會永久地記錄在賬本上，這將會對失信行為起到一定的約束。用戶則使用發(fā)布合約發(fā)布服務(wù)請求，當(dāng)請求發(fā)布成功后，將自動執(zhí)行下一個智能合約，為用戶尋求最優(yōu)服務(wù)組合。

b）動態(tài)組合驗(yàn)證。接收到服務(wù)請求后，自動啟動驗(yàn)證合約，獲得用戶的功能性需求和服務(wù)工作流。首先根據(jù)用戶的功能性需求從發(fā)布的服務(wù)中，篩選出滿足功能性條件的候選服務(wù)集合；然后根據(jù)服務(wù)工作流，選擇驗(yàn)證合約下相應(yīng)的工作流驗(yàn)證程序，將獲得最新的服務(wù)數(shù)據(jù)，排除異常數(shù)據(jù)的服務(wù)，以獲取可信的候選服務(wù)集合。

c）服務(wù)組合進(jìn)程。執(zhí)行完動態(tài)驗(yàn)證后，將可信的候選服務(wù)集合傳入組合合約。組合合約將會自動調(diào)用ACOF-DE算法，為用戶尋求服務(wù)組合的最優(yōu)方案。

3.2 基于ACOF-DE的服務(wù)組合優(yōu)化

3.2.1 服務(wù)組合優(yōu)化問題概述

經(jīng)過動態(tài)組合驗(yàn)證后，每個服務(wù)節(jié)點(diǎn)存在大量的候選服務(wù)，如圖3所示，假設(shè)組合服務(wù)由四個子服務(wù)進(jìn)行組合，每個候選服務(wù)集分別有1 000個子服務(wù)，則服務(wù)組合方案將達(dá)到萬億個。如何從眾多的服務(wù)組合方案中得到一個滿足用戶需求的方案，是服務(wù)組合優(yōu)化所面臨的問題。

智能優(yōu)化算法已在解決服務(wù)組合優(yōu)化問題上體現(xiàn)了其優(yōu)越性。例如差分進(jìn)化算法（DE）［24］，它采取“優(yōu)勝劣汰，適者生存”的策略，在保全樣本的全局搜索策略下，根據(jù)父代樣本間的差分矢量進(jìn)行變異交叉操作，并采取一對一的競爭生存原則，提高了局部搜索能力，降低遺傳的復(fù)雜性。但在求解復(fù)雜優(yōu)化問題時，隨著種群多樣性的降低，差分進(jìn)化算法容易早熟，并且在搜索后期易陷入局部最優(yōu)值，收斂的精度也會降低。蟻群算法（ACO）是由Colorni等人［25］受螞蟻尋找食物的最短路徑行的啟發(fā)而提出的一種智能優(yōu)化算法。蟻群算法通過信息素進(jìn)行交流，可以幫助其他種群螞蟻互相追蹤，通過感知路徑上沉積的信息素來尋找最優(yōu)路徑。但由于信息素的累積較慢，導(dǎo)致前期收斂速度緩慢，并且隨著信息素的累積，算法易于陷入停滯。

針對服務(wù)組合優(yōu)化問題的特點(diǎn)以及現(xiàn)有算法存在的問題，本文提出一種基于蟻群因子的差分進(jìn)化算法（ACOF-DE），將改進(jìn)的蟻群因子［26］加入到差分進(jìn)化算法的變異策略中，改善原有算法在服務(wù)組合優(yōu)化問題上的不足，融合后的算法具有更好的尋優(yōu)能力。

3.2.2 ACOF-DE算法服務(wù)組合優(yōu)化流程

a）初始化參數(shù)。本文算法采取實(shí)數(shù)編碼。首先根據(jù)用戶的服務(wù)請求確定組合方案規(guī)模，再確定種群維數(shù)和種群數(shù)量；然后對蟻群因子進(jìn)行初始化賦值；最后通過組合服務(wù)之間的執(zhí)行關(guān)系選擇對應(yīng)的QoS評價函數(shù)進(jìn)行適應(yīng)度值計算。

b）變異策略。通過分析差分進(jìn)化算法與蟻群算法存在的問題，本文引入了蟻群路徑因子、最優(yōu)蟻群因子、信息素因子以及基于蟻群因子的差分計算，如圖4所示。

c）蟻群路徑因子。算法的搜索空間過大將影響算法的收斂速度與尋優(yōu)效率，對無效的搜索空間進(jìn)行搜索，將會導(dǎo)致算法收斂變緩以及陷入局部最優(yōu)。蟻群路徑因子可以分化算法的搜索空間，在初始階段平均所有搜索空間，隨著算法迭代過程中最優(yōu)適應(yīng)度值的變化，逐步縮小算法的搜索空間，以提高算法的收斂性。蟻群路徑因子為算法選擇搜索空間，它包含蟻群訪問記錄和蟻群路徑選擇參數(shù)，記錄每一次選擇的服務(wù)路徑，當(dāng)搜尋到更好的服務(wù)或蟻群訪問記錄達(dá)到預(yù)設(shè)上限，蟻群訪問記錄便會被清零。蟻群訪問記錄的計算公式如下：

d）信息素因子與最優(yōu)蟻群因子。蟻群算法中，通過信息素引導(dǎo)算法選擇最優(yōu)路徑，加快了算法的收斂速度的同時也使算法容易陷入局部最優(yōu)，只有合理地運(yùn)用搜索過程中的信息素才能增加算法選擇到最優(yōu)值的概率。本文使用兩種因子記錄蟻群探索過程中所留信息，其中信息素因子是記錄蟻群選擇服務(wù)后所產(chǎn)生的信息素，優(yōu)質(zhì)的服務(wù)會通過不斷迭代的信息素集合大量蟻群不斷前往，使算法優(yōu)先選擇此服務(wù)。最優(yōu)蟻群因子則記錄著當(dāng)前每個路徑下的最優(yōu)服務(wù)，如式（7）所示，其中baco表示最優(yōu)路徑點(diǎn)集合，sk為蟻群第k個路徑下的最優(yōu)服務(wù)。

算法的每一次迭代，蟻群都會與最優(yōu)蟻群因子發(fā)生競爭，以此不斷更新并保存優(yōu)良服務(wù)，從而加快算法收斂。種群根據(jù)路徑因子選擇一個服務(wù)路徑，將該路徑下的服務(wù)更替為最優(yōu)蟻群因子的服務(wù)，形成一個新的種群Px。然后通過信息素因子所記錄的信息素進(jìn)行輪盤賭計算，選取服務(wù)進(jìn)行替換，形成一個新的種群Py。

e）基于蟻群因子差分計算。算法在后期由于信息素的堆積，會多次選擇相同服務(wù)，容易陷入局部最優(yōu)。采用基于蟻群因子的差分計算式（8），能幫助算法探索最優(yōu)蟻群因子周圍的服務(wù)，在前期加速算法搜索，在后期幫助算法跳出局部最優(yōu)。種群通過此方法形成一個新的種群Pz。

其中：xnew表示新的服務(wù)；xbest表示最優(yōu)蟻群因子的服務(wù)；xτ表示信息素因子選擇的服務(wù)；F為縮放因子，取值為［0，1］。

f）信息素的產(chǎn)生與更新。本文算法在前期由于最優(yōu)蟻群因子的存在，會快速地為服務(wù)堆積大量的信息素，從而導(dǎo)致算法容易陷入局部最優(yōu)。所以針對最優(yōu)蟻群因子所選擇的服務(wù)，縮減其產(chǎn)生的信息素；并同時加大其他兩種變異策略所產(chǎn)生的信息素，從而增強(qiáng)算法搜索能力。然后在每次迭代后，對信息素進(jìn)行更新，避免過往的信息素對當(dāng)前搜尋影響過大，殘留信息素更新公式如下：

其中：τ（si）為某一服務(wù)的信息素;ρ為蒸發(fā)系數(shù);Δτ（si）為迭代結(jié)束后信息素增量。通過對比待定種群Px、Py和Pz的適應(yīng)度值，選取適應(yīng)度值更高的待定種群作為下一代種群。通過一定次數(shù)的迭代，找出最優(yōu)的服務(wù)組合方案。

算法1 ACOF-DE算法

a）初始化算法參數(shù)：種群規(guī)模N，最大迭代次數(shù)max，適應(yīng)度函數(shù)Q，蟻群訪問記錄acr，蟻群路徑選擇參數(shù)acoP，最優(yōu)蟻群因子baco，蟻群信息素τ（si）；

b）初始化各種群并計算出各種群的適應(yīng)度值Q；

c）根據(jù)蟻群路徑選擇參數(shù)，使用式（6）選擇當(dāng)前蟻群搜尋路徑；

d）根據(jù)最優(yōu)路徑點(diǎn)集合選擇當(dāng)前最優(yōu)服務(wù)進(jìn)行替換，獲得新種群Px；

e）根據(jù)蟻群信息素隨機(jī)選擇新服務(wù)進(jìn)行替換，獲得新種群Py；

f）根據(jù)式（8）獲得新種群Pz；

g）計算并對比Px、Py和Pz的適應(yīng)度值Q，選擇出最佳的種群P；

h）根據(jù)種群P的選擇，更新最優(yōu)蟻群因子；

i）根據(jù)式（4）（5）分別對蟻群訪問記錄和蟻群路徑選擇參數(shù)進(jìn)行更新；

j）根據(jù)式（9）對蟻群信息素進(jìn)行更新，并在下一代種群產(chǎn)生前對蟻群信息素進(jìn)行衰減；

k）重復(fù)之前的過程，直到設(shè)置的最大迭代次數(shù)。

4 實(shí)驗(yàn)設(shè)計與結(jié)果分析

為驗(yàn)證本文所提出的基于超級賬本的可信框架和評估ACOF-DE算法的性能，進(jìn)行以下一系列實(shí)驗(yàn)。首先基于QoS感知Web服務(wù)組合模型，采用本文提出的ACOF-DE算法與其他幾種算法進(jìn)行對比，對本文算法性能進(jìn)行評估。然后在虛擬機(jī)Ubuntu系統(tǒng)上部署超級賬本網(wǎng)絡(luò)，驗(yàn)證本文可信框架的有效性。所有實(shí)驗(yàn)都在一臺Intel Core i5-11300H 3.1 GHz CPU，16 GB內(nèi)存的電腦上進(jìn)行。

4.1 實(shí)驗(yàn)設(shè)置

4.1.1 數(shù)據(jù)集

本文實(shí)驗(yàn)采用通用綜合服務(wù)數(shù)據(jù)集QWS［27］。此外，為了保證實(shí)驗(yàn)結(jié)果的客觀性，隨機(jī)生成一組仿真數(shù)據(jù)集（Synthetic數(shù)據(jù)集），具體生成方法見文獻(xiàn)［28］。

4.1.2 實(shí)驗(yàn)方法與評估

為驗(yàn)證ACOF-DE在基于QoS感知的Web服務(wù)組合模型求解服務(wù)組合問題的有效性，本文的仿真實(shí)驗(yàn)采取順序拓?fù)浣Y(jié)構(gòu)，與ACO、DE兩種初始算法、基于突變因子改進(jìn)的差分進(jìn)化算法ASFDE、基于多搜索策略島嶼模型改進(jìn)的人工蜂群算法MSSIABC［29］和基于遺傳變異策略與動態(tài)視野改進(jìn)的北極熊算法MPBO［30］進(jìn)行對比。通過比較各算法的最佳適應(yīng)度值，以評估算法的尋優(yōu)能力；通過對比算法的收斂性，以評估算法的執(zhí)行效率。算法性能會隨著不同的服務(wù)組合規(guī)模而變化，為了測試算法效果，實(shí)驗(yàn)需要在不同的服務(wù)組合規(guī)模下進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)配置方案如表2所示。主要是對候選服務(wù)集合的數(shù)量和服務(wù)請求的數(shù)量進(jìn)行變更，以達(dá)到不同的場景，測試算法在不同的場景所發(fā)揮的性能的差異性，最后綜合評估算法的性能。

為評估基于超級賬本的可信框架的有效性，首先采取文獻(xiàn)［5］中的if-then規(guī)則為基于QWS數(shù)據(jù)集的服務(wù)數(shù)據(jù)打上可信標(biāo)簽，形成if-then規(guī)則的可信驗(yàn)證服務(wù)數(shù)據(jù)集；同時通過隨機(jī)的方式為服務(wù)數(shù)據(jù)打上可信標(biāo)簽，形成一種隨機(jī)變化的可信驗(yàn)證服務(wù)數(shù)據(jù)集。在兩種不同規(guī)則的數(shù)據(jù)集下，對比超級賬本實(shí)時驗(yàn)證方法與多種分類器算法REPTree、J48和BayesNet的可信識別準(zhǔn)確率，以證明超級賬本實(shí)時驗(yàn)證方法的有效性。然后在超級賬本平臺上隨機(jī)生成服務(wù)的QoS數(shù)據(jù)并記錄在候選服務(wù)集，并隨機(jī)選取候選服務(wù)集中一定比例的服務(wù)設(shè)置為不可信服務(wù)，然后使用可信框架進(jìn)行服務(wù)組合，排除失信服務(wù)。實(shí)驗(yàn)的服務(wù)請求數(shù)量為5，候選服務(wù)數(shù)量為100，設(shè)置不同數(shù)量的不可信服務(wù)，其QoS值設(shè)置為原始的40%。通過對比可信框架下的服務(wù)組合與無可信框架下的服務(wù)組合方案的真實(shí)適應(yīng)度值，以驗(yàn)證可信框架能否確保服務(wù)組合選擇可信服務(wù)；并在不同數(shù)量的失信候選服務(wù)集下，測試可信框架的效果。最后綜合評估可信框架的有效性。

4.2 實(shí)驗(yàn)結(jié)果

4.2.1 算法性能

圖5展示了場景1中，迭代300次各個算法的最佳適應(yīng)度值。它們都是根據(jù)QWS數(shù)據(jù)集進(jìn)行計算的，通過柱狀圖展示了ACOF-DE、ASFDE、ACO、DE、MPBO和MSSIABC算法的最佳適應(yīng)度值。通過觀察可以明顯看到，ACOF-DE的適應(yīng)度值高于ASFDE、ACO、MPBO和DE的值，與MSSIABC算法持平。但隨著候選服務(wù)數(shù)量的增長，ACOF-DE算法性能保持著穩(wěn)定的增長，而其他算法都略微有所降低。

表3展示了場景2中，各個算法迭代300次，計算所得的服務(wù)的最佳適應(yīng)度值?？梢钥吹剑珹COF-DE算法的最佳適應(yīng)度明顯高于ASFDE、ACO、DE和MPBO，與MSSIABC持平。并且隨著組合服務(wù)的數(shù)量的增加，ACOF-DE和MSSIABC的值不相上下，隨著規(guī)模不斷變大，ACOF-DE顯現(xiàn)出了在大規(guī)模上的優(yōu)勢，并擴(kuò)大與其他算法的差距。通過對兩組實(shí)驗(yàn)的觀察，可以發(fā)現(xiàn)ACOF-DE算法總是能尋找出適應(yīng)度高的服務(wù)組合結(jié)果，相比于其他算法，它有著較好的效果。不論是服務(wù)請求的數(shù)量增加，還是候選服務(wù)集的增加，ACOF-DE都能很好地適應(yīng)，有著非常優(yōu)良的效果和穩(wěn)定性?？梢娡ㄟ^引入多種蟻群因子來指導(dǎo)變異，使算法更好探索服務(wù)組合的解空間。正如本文在3.2節(jié)中所介紹，蟻群因子增強(qiáng)了原始進(jìn)化算法的搜索能力，使算法能夠利用蟻群因子搜集的信息對候選服務(wù)集合進(jìn)行有效的探索，使算法的優(yōu)化程度得到了提高，并且通過擴(kuò)展蟻群因子的規(guī)模能適應(yīng)各種場景下的服務(wù)組合問題。

圖6展示了各算法迭代1 000次尋找到最佳適應(yīng)度值的次數(shù)的情況。實(shí)驗(yàn)的候選服務(wù)集為100、服務(wù)請求數(shù)量為5，根據(jù)QWS數(shù)據(jù)集計算。觀察折線圖的趨勢可以明顯看出，ACOF-DE在算法早期就能尋找到最優(yōu)適應(yīng)度值，相對于其他算法具有極快的收斂速度。迭代1 000代的平均時間如表4所示，ACOF-DE執(zhí)行時間優(yōu)于ACO、MPBO和MSSIABC算法，但慢于ASFDE、DE。ACOF-DE是在初始DE算法的基礎(chǔ)上引入相關(guān)蟻群因子，算法的復(fù)雜度遠(yuǎn)大于原始算法，但也擁有了更佳的搜索能力和收斂速度，使算法能夠快速地搜尋到最優(yōu)的服務(wù)組合方案；由于ACOF-DE算法的快速收斂，算法在后期的執(zhí)行過程中只執(zhí)行改進(jìn)的差分進(jìn)化策略，算法復(fù)雜度降低，使得算法速度接近于原始算法；而蟻群因子是對ACO部分的抽離，并且通過改進(jìn)加快了信息素的積攢，并解決了ACO算法易陷入局部最優(yōu)的問題，使ACOF-DE快于ACO算法。與先進(jìn)算法的對比中，在獲取相對較好的結(jié)果上ACOF-DE的收斂速度更快。結(jié)合圖6中各算法收斂的代數(shù)和表4的時間可知，雖然ACOF-DE算法運(yùn)行時間不是最快的，但其快速的收斂速度，使其能夠在更早的時間尋找到最優(yōu)值，說明ACOF-DE具有更好的效率。

4.2.2 可信框架的有效性

圖7展示了REPTree、J48、BayesNet算法和超級賬本可信框架對可信服務(wù)的驗(yàn)證的準(zhǔn)確率，通過柱狀圖可以發(fā)現(xiàn)，基于可信框架的驗(yàn)證可以非常準(zhǔn)確地驗(yàn)證服務(wù)的可信性。分類器算法在通過if-then規(guī)則構(gòu)建的數(shù)據(jù)集中達(dá)到了90%多的準(zhǔn)確率，但在隨機(jī)標(biāo)記的情況下只有50%左右的準(zhǔn)確率。分類器算法能夠?qū)M足相關(guān)規(guī)律的服務(wù)數(shù)據(jù)進(jìn)行準(zhǔn)確驗(yàn)證，但在實(shí)際的情況中，服務(wù)質(zhì)量的改變是無規(guī)則的，這種情況下分類器難以通過歷史數(shù)據(jù)獲得的模型對服務(wù)進(jìn)行有效的判別。而超級賬本的實(shí)時動態(tài)檢測能在服務(wù)組合過程前對候選服務(wù)集進(jìn)行實(shí)時驗(yàn)證，通過準(zhǔn)確客觀地對服務(wù)進(jìn)行檢測，以此排除不可信的服務(wù)。圖8展示了ACOF-DE在有無可信框架下連續(xù)驗(yàn)證10次真實(shí)適應(yīng)度值的變化，不可信服務(wù)數(shù)量設(shè)置為20。通過觀察可以明顯地看出，ACOF-DE在無可信框架下的情況下，算法多次因?yàn)檫x擇了不可信的服務(wù)，導(dǎo)致服務(wù)組合的結(jié)果十分不理想，遠(yuǎn)遠(yuǎn)低于在可信框架下的結(jié)果。較少情況服務(wù)組合的方案一致，這是由于隨機(jī)設(shè)置的不可信服務(wù)未影響到優(yōu)質(zhì)的服務(wù)。對于失信服務(wù)數(shù)量的不同，表5展示了可信框架下服務(wù)組合的真實(shí)適應(yīng)度值與無可信框架的差異性，其真實(shí)適應(yīng)度值的結(jié)果遠(yuǎn)大于無可信框架下的結(jié)果。并且隨著失信服務(wù)的增加，真實(shí)適應(yīng)度值在下降，但各算法的結(jié)果仍然大于無可信框架下的結(jié)果，服務(wù)組合方案也均由可信服務(wù)組成，可見可信框架能在有限的可信服務(wù)中確保服務(wù)組合選擇可信服務(wù)，但是由于可信服務(wù)的減少，其適應(yīng)度值會逐漸降低。在可信框架下ACOF-DE和ASFDE算法都受到了保障，可見可信框架適用于任何算法，使算法能夠有效運(yùn)行，選擇可信的服務(wù)進(jìn)行服務(wù)組合。綜上所述，可見服務(wù)組合的可信性問題十分重要，只有真實(shí)可信的服務(wù)數(shù)據(jù)，才能使服務(wù)算法選擇的方案滿足用戶需求；而在基于超級賬本的可信框架下則能夠有效地排除失信服務(wù)，保障服務(wù)組合算法的有效性，為用戶提供有效的服務(wù)組合方案。

5 結(jié)束語

本文針對服務(wù)組合過程中的優(yōu)化問題和可信問題，首先基于超級賬本平臺提出一種可信框架，保障服務(wù)組合過程中的服務(wù)數(shù)據(jù)的真實(shí)性；然后基于QoS的感知模型提出一種基于蟻群因子的差分進(jìn)化算法的服務(wù)組合優(yōu)化方法，通過引入蟻群路徑因子加快算法收斂性，使用最優(yōu)蟻群因子和信息素因子增強(qiáng)算法尋優(yōu)能力，而基于蟻群因子的差分計算能加快前期信息素的堆積和幫助算法跳出局部最優(yōu);最后通過在不同的任務(wù)規(guī)模下與其他先進(jìn)的智能優(yōu)化算法進(jìn)行實(shí)驗(yàn)對比，結(jié)果表明本文方法有著更優(yōu)秀的尋優(yōu)能力和效率，并有著更強(qiáng)的適應(yīng)性。通過對比實(shí)驗(yàn)分析出分類器算法對于不規(guī)則數(shù)據(jù)的局限性，而實(shí)時檢測能夠準(zhǔn)確客觀地對任何服務(wù)作出評價；然后通過加入虛假數(shù)據(jù)，驗(yàn)證了可信框架能夠辨別不可信服務(wù)，保障服務(wù)組合方案的有效性。在未來工作中，會在此基礎(chǔ)上為服務(wù)組合問題設(shè)計相關(guān)可信性模型，更好地解決服務(wù)組合相關(guān)的可信性問題；進(jìn)一步對其他優(yōu)化算法進(jìn)行研究，探索更為有效的算法，應(yīng)用到服務(wù)組合的優(yōu)化問題上。

參考文獻(xiàn)：

[1]Yao Yan， Cao Jian， Jiang Yusheng， et al. An optimal engine component placement strategy for cloud workflow service［C］//Proc of IEEE International Conference on Web Services.Piscataway，NJ：IEEE Press，2016：380-387.

［2]Xu Xiaofei， Sheng Q Z， Zhang Liangjie， et al. From big data to big service［J］.Computer，2015，48（7）：80-83.

［3]Jsang A， Ismail R， Boyd C. A survey of trust and reputation systems for online service provision［J］.Decision Support Systems，2007，43（2）：618-644.

［4]Xiong Weiqing， Lim M K， Tseng M L， et al. An effective service trust evaluation and preprocessing approach considering multi-user interests in cloud manufacturing［J］.Computers & Industrial Engineering，2022，173：108728.

［5]Hasnain M， Ghani I， Pasha M F， et al. Machine learning methods for trust-based selection of Web services［J］.KSII Trans on Internet and Information Systems，2022，16（1）：38-59.

［6]韓敏，段彥忠.融合可信性評價的Web服務(wù)組合QoS優(yōu)化［J］.控制與決策，2020，35（8）：1859-1865.（Han Min， Duan Yanzhong. QoS optimization of Web services composition incorporating with credibility evaluation［J］.Control and Decision，2022，35（8）：1859-1865.）

［7]Yang Ming， Gao Tilei， Xie Wanyu， et al. The assessment of cloud service trustworthiness state based on DS theory and Markov chain［J］.IEEE Access，2022，10：68618-68632.

［8]Jatoth C， Gangadharan G R， Buyya R. Computational intelligence based QoS-aware Web service composition： a systematic literature review［J］.IEEE Trans on Services Computing，2017，10（3）：475-492.

［9]Shehu U G， Epiphaniou G， Safdar G A. A survey of QoS-aware Web service composition techniques［J］.Foundation of Computer Science，2014，89（12）：10-17.

［10]Sridevi S， Karpagam G R. Investigation on blockchain technology for Web service composition：a case study［J］.International Journal of Web Services Research，2021，18（1）：70-92.

［11]Jin Hong， Lyu Shengping， Yang Zhou， et al. Eagle strategy using uniform mutation and modified whale optimization algorithm for QoS-aware cloud service composition［J］.Applied Soft Computing，2022，114：108053.

［12]Kumara B T G S， Paik I， Siriweera T， et al. QoS aware service clustering to bootstrap the Web service selection［C］//Proc of IEEE International Conference on Services Computing.Piscataway，NJ：IEEE Press，2017：233-240.

［13]Choudhary N， Sharma H， Sharma N. Adaptive scale factor based differential evolution algorithm［C］//Proc of the 6th International Conference on Soft Computing for Problem Solving.Berlin：Springer，2017：1-11.

［14]Dahan F. An effective multi-agent ant colony optimization algorithm for QoS-aware cloud service composition［J］.IEEE Access，2021，9：17196-17207.

［15]Swetha N G， Karpagam G R. Reinforcement learning infused intelli-gent framework for semantic Web service composition［J］.Applied Intelligence，2022，52（2）：1979-2000.

［16]Liu Li， Gu Shuxian， Fu Dongmei， et al. A new multi-objective evolutionary algorithm for inter-cloud service composition［J］.KSII Trans on Internet and Information Systems，2018，12（1）：1-20.

［17]Christidis K， Devetsikiotis M. Blockchains and smart contracts for the Internet of Things［J］.IEEE Access，2016，4：2292-2303.

［18]Gorenflo C， Lee S， Golab L， et al. FastFabric： scaling Hyperledger Fabric to 20 000 trans per second［C］//Proc of IEEE International Conference on Blockchain and Cryptocurrency.Piscataway，NJ：IEEE Press，2019：455-463.

［19]Viriyasitavat W， Li Daxu， Bi Zhuming， et al. Blockchain-based business process management （BPM） framework for service composition in industry 4.0［J］.Journal of Intelligent Manufacturing，2020，31（7）：1737-1748.

［20]Liu Sen， Hu Yanan， Zhang Xiao， et al. Blockchain service provider selection based on an integrated BWM-Entropy-TOPSIS method under an intuitionistic fuzzy environment［J］.IEEE Access，2020，8：104148-104164.

［21]Li Yuhui， Xu Jianglong， Liang Wei. GraphMF：QoS prediction for large scale blockchain service selection［C］//Proc of the 3rd International Conference on Smart BlockChain （SmartBlock）.Piscataway，NJ：IEEE Press，2020：167-172.

［22]Wang Puwei， Liu Xiaohe， Chen Jinchuan， et al. QoS-aware service composition using blockchain-based smart contracts［C］//Proc of the 40th International Conference on Software Engineering：Companion Proceeedings.2018：296-297.

［23]Wang Puwei， Meng Ji， Chen Jinchuan， et al. Smart contract-based negotiation for adaptive QoS-aware service composition［J］.IEEE Trans on Parallel and Distributed Systems，2018，30（6）：1403-1420.

［24]Storn R， Price K. Differential evolution-a simple and efficient heuristic for global optimization over continuous spaces［J］.Journal of Global Optimization，1997，11（4）：341-359.

［25]Colorni A， Dorigo M， Maniezzo V. Distributed optimization by ant colonies［C］//Proc of the 1st European Conference on Artificial Life.1991：134-142.

［26]Chitty D M. Partial-ACO as a GA mutation operator applied to TSP instances［C］//Proc of Genetic and Evolutionary Computation Confe-rence Companion.2021：69-70.

［27]Al-Masri E， Mahmoud Q H. QoS-based discovery and ranking of Web services［C］//Proc of the 16th International Conference on Computer Communications and Networks.Piscataway，NJ：IEEE Press，2007：529-534.

［28]Wang Hongbing， Zou Bin， Guo Guibing， et al. Integrating trust with user preference for effective Web service composition［J］.IEEE Trans on Services Computing，2017，10（4）：574-588.

［29]胡強(qiáng)，田雨晴，綦浩泉，等.基于改進(jìn)人工蜂群算法的云制造服務(wù)組合優(yōu)化方法［J］.通信學(xué)報，2023，44（1）：200-210.（Hu Qiang， Tian Yuqing， Qi Haoquan， et al. Optimization method for cloud manufacturing service composition based on the improved artificial bee colony algorithm［J］.Journal of Communications，2023，44（1）：200-210.）

［30]廖文利，魏樂，王宇.基于改進(jìn)北極熊算法的制造云服務(wù)組合優(yōu)化［J］.計算機(jī)應(yīng)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.）

收稿日期：2023-01-07；修回日期：2023-02-17

基金項目：重慶市技術(shù)創(chuàng)新與應(yīng)用發(fā)展專項面上項目（cstc2020jscx-msxmX0190）；重慶市教委科學(xué)技術(shù)研究項目（KJZD-K202100505，KJQN202100515）；重慶師范大學(xué)（人才引進(jìn)/博士啟動）基金項目（21XLB003）

作者簡介：冉瑞生（1976-），男，教授，碩導(dǎo)，博士，CCF會員，主要研究方向?yàn)闄C(jī)器學(xué)習(xí)、計算機(jī)視覺；劉震（1997-），男，碩士研究生，主要研究方向?yàn)榉?wù)組合、智能算法；祁翔（1998-），男，碩士研究生，主要研究方向?yàn)榉?wù)組合、智能算法；彭順順（1987-），女（通信作者），講師，博士，主要研究方向?yàn)榉?wù)計算、智能算法（pss@cqnu.edu.cn）.