郭蘭蘭，王 輝，陳翔濤

（河南科技大學(xué)電子信息工程學(xué)院，河南 洛陽 471023)

基于NEI的免疫自學(xué)習(xí)Web服務(wù)突現(xiàn)方法研究＊

郭蘭蘭，王 輝，陳翔濤

（河南科技大學(xué)電子信息工程學(xué)院，河南 洛陽 471023)

針對復(fù)雜任務(wù)的Web服務(wù)組合問題，借鑒生物神經(jīng)內(nèi)分泌免疫（NEI)系統(tǒng)的突現(xiàn)和自學(xué)習(xí)機(jī)制，提出了一種免疫自學(xué)習(xí)服務(wù)突現(xiàn)方法。移動Agent設(shè)計為具有免疫行為的生物實(shí)體，并代理Web服務(wù)。突現(xiàn)的服務(wù)組合是生物實(shí)體Agent通過親合力匹配算法形成的突現(xiàn)實(shí)體網(wǎng)絡(luò)提供的，并且能夠動態(tài)地調(diào)整其內(nèi)部的服務(wù)。采用免疫原理和自學(xué)習(xí)機(jī)制，將親和力匹配形成的服務(wù)組合視為抗體進(jìn)行記憶。當(dāng)再次遇到相同或相似服務(wù)請求時，將直接進(jìn)行二次應(yīng)答或?qū)贵w庫中的抗體進(jìn)行修正組合，形成新的中間抗體，從而更加快速且節(jié)省能量地完成服務(wù)響應(yīng)。實(shí)驗(yàn)表明，該方法能夠自組織地完成服務(wù)的動態(tài)組合、自主學(xué)習(xí)和管理等工作，而且可以提高響應(yīng)速度和服務(wù)效率。

Web服務(wù)組合；語義Web服務(wù)；突現(xiàn)；親和力匹配；免疫學(xué)習(xí)

1 引言

Internet技術(shù)的飛速發(fā)展，使得面向服務(wù)的體系結(jié)構(gòu)SOA（Service-Oriented Architecture)正逐漸成為一種新的應(yīng)用開發(fā)模式。近年來，國內(nèi)外研究者紛紛參與到SOA技術(shù)的研究中并達(dá)成共識：將服務(wù)作為向用戶所提供的基本單位，通過匹配用戶需求與服務(wù)本身的功能，對服務(wù)資源池中合適的服務(wù)進(jìn)行重用、組合和驗(yàn)證，構(gòu)成“按需服務(wù)”的松耦合網(wǎng)絡(luò)應(yīng)用，是SOA從概念走向應(yīng)用的關(guān)鍵。

服務(wù)組合的理論、方法和技術(shù)作為實(shí)現(xiàn)SOA的核心技術(shù)，受到軟件理論、軟件工程、人工智能以及中間件與應(yīng)用集成等多個領(lǐng)域研究工作的影響和推動，目前己取得了一些有價值的研究成果。文獻(xiàn)［1］針對普及計算環(huán)境，提出了基于接口語義描述的動態(tài)服務(wù)組合方法；文獻(xiàn)［2］提出了一種基于AI規(guī)劃的采用分層分解的服務(wù)組合方法；文獻(xiàn)［3］針對開放環(huán)境對大規(guī)模服務(wù)組合的可伸縮性及自治性的需求，提出基于角色的分布式動態(tài)服務(wù)組合方法；文獻(xiàn)［4］利用已有的業(yè)務(wù)流程技術(shù)和服務(wù)技術(shù)匹配的思想，提出了一種基于匹配策略的動態(tài)Web服務(wù)組合方法；文獻(xiàn)［5］提出了一種基于領(lǐng)域本體的服務(wù)動態(tài)組合方法；文獻(xiàn)［6］為服務(wù)請求的每個輸出參數(shù)構(gòu)造一棵完備回溯樹，提出了基于回溯樹的 Web服務(wù)組合方法；文獻(xiàn)［7］采用啟發(fā)式搜索策略，提出了一種基于圖的服務(wù)自動組合方法。但是，作為一項(xiàng)新興的研究課題，動態(tài)服務(wù)組合的理論體系、工程方法以及實(shí)現(xiàn)技術(shù)仍不夠完善，在開放Internet環(huán)境中實(shí)施服務(wù)組合面臨諸多技術(shù)挑戰(zhàn)。

根據(jù)生物界近年來的系統(tǒng)研究表明，神經(jīng)系統(tǒng)、內(nèi)分泌系統(tǒng)和免疫系統(tǒng)三者之間存在著相互的控制協(xié)調(diào)關(guān)系，已經(jīng)證實(shí)神經(jīng)內(nèi)分泌系統(tǒng)與免疫系統(tǒng)之間是一個有機(jī)的智能生物網(wǎng)絡(luò)管理系統(tǒng)，并存在細(xì)胞因子和受體構(gòu)成交互的生物網(wǎng)絡(luò)通用語言，通過雙向信息傳遞機(jī)制和相互作用，從而使整體生物系統(tǒng)體現(xiàn)出了突現(xiàn)、自組織、自適應(yīng)、自擴(kuò)展、協(xié)同等重要特征。每個個體遵循一組簡單的行為規(guī)則，而一群個體則展示復(fù)雜的突現(xiàn)行為［8］。本文針對復(fù)雜任務(wù)的Web服務(wù)組合問題，借鑒生物神經(jīng)內(nèi)分泌免疫 NEI（Neuro＿Endocrine Immune)系統(tǒng)的突現(xiàn)和自學(xué)習(xí)機(jī)制，提出了一種免疫自學(xué)習(xí)服務(wù)突現(xiàn)方法。實(shí)驗(yàn)表明，該方法能夠自組織地完成服務(wù)的動態(tài)組合、自主學(xué)習(xí)和管理等工作，而且可以提高響應(yīng)速度和服務(wù)效率。

2 研究基礎(chǔ)

2.1 Web服務(wù)及組合和免疫自學(xué)習(xí)機(jī)制

（1)Web服務(wù)：Web服務(wù)是指由企業(yè)發(fā)布的完成其特別商務(wù)需求的在線應(yīng)用服務(wù)，其他公司或軟件能夠通過Internet來訪問并使用這項(xiàng)在線服務(wù)。它允許在 Web站點(diǎn)上放置可編元素，進(jìn)行基于Web的分布式計算和處理。

（2)Web服務(wù)組合：Web服務(wù)組合是指自動組合已有的Web服務(wù)從而獲得新的功能。Web服務(wù)組合以兩種方式進(jìn)行：靜態(tài)方式和動態(tài)方式。

（3)免疫學(xué)習(xí)：免疫學(xué)習(xí)機(jī)制，如圖1所示，具有兩種類型的免疫應(yīng)答：初次免疫應(yīng)答和二次免疫應(yīng)答。當(dāng)抗原第一次侵入生物體就會引發(fā)初次應(yīng)答，淋巴細(xì)胞實(shí)現(xiàn)對抗原的識別后，B細(xì)胞被激活并增殖復(fù)制產(chǎn)生B細(xì)胞克隆，隨后克隆細(xì)胞經(jīng)過變異過程，產(chǎn)生對抗原具有特異性的抗體，使免疫系統(tǒng)產(chǎn)生抗體消滅抗原。在這個過程中，免疫系統(tǒng)通過學(xué)習(xí)抗原，一些B細(xì)胞變成了長期存活的記憶細(xì)胞。當(dāng)相同類型的抗原再次入侵時，二次免疫應(yīng)答被觸發(fā)，免疫系統(tǒng)通過喚醒記憶細(xì)胞，在比初次免疫應(yīng)答短的時間周期內(nèi)產(chǎn)生大量的抗體消滅抗原。免疫學(xué)習(xí)一般有以下幾種途徑：增強(qiáng)式學(xué)習(xí)、親和度學(xué)習(xí)、低度的重復(fù)感染和聯(lián)想學(xué)習(xí)［9］。

Figure 1 Immune learning mechanism圖1 免疫學(xué)習(xí)機(jī)制

本文正是采用親和力匹配算法形成Web服務(wù)動態(tài)組合，并利用免疫學(xué)習(xí)機(jī)制來實(shí)現(xiàn)系統(tǒng)響應(yīng)速度和服務(wù)效率的優(yōu)化［9～13］。

2.2 面向Web服務(wù)突現(xiàn)的整體智能平臺

Web服務(wù)突現(xiàn)平臺分為Web服務(wù)智能調(diào)節(jié)層（神經(jīng)內(nèi)分泌調(diào)節(jié)系統(tǒng))、Web服務(wù)控制層（免疫系統(tǒng))和Web服務(wù)層三個層次，如圖2所示，通過Agent實(shí)現(xiàn)的生物服務(wù)實(shí)體代理Web服務(wù)。

（1)Web服務(wù)智能管理調(diào)節(jié)層：主要作用是對Web服務(wù)控制層進(jìn)行動態(tài)管理，調(diào)節(jié)生物服務(wù)實(shí)體操作優(yōu)化，引導(dǎo)實(shí)體的自治行為和自主決策，形成群體智能的同時保持系統(tǒng)穩(wěn)定。

Figure 2 Web service emergence platform structure圖2 Web服務(wù)突現(xiàn)平臺結(jié)構(gòu)

（2)Web服務(wù)控制層：在 Web服務(wù)智能管理調(diào)節(jié)層的動態(tài)調(diào)節(jié)下實(shí)現(xiàn)服務(wù)發(fā)現(xiàn)、選擇、突現(xiàn)的管理工作。

基于該平臺的Web服務(wù)突現(xiàn)不僅完成了傳統(tǒng)的Web合成服務(wù)，并能實(shí)現(xiàn)分布式、自適應(yīng)的動態(tài)管理。下面設(shè)計的免疫學(xué)習(xí)服務(wù)突現(xiàn)模型，正是在該平臺形成的服務(wù)突現(xiàn)基礎(chǔ)上，采用免疫自學(xué)習(xí)機(jī)理構(gòu)建而成。

3 免疫學(xué)習(xí)服務(wù)突現(xiàn)方法設(shè)計

3.1 免疫學(xué)習(xí)服務(wù)突現(xiàn)模型

本文結(jié)合Web服實(shí)體Agent的實(shí)現(xiàn)原理，采用親和力算法和免疫學(xué)習(xí)算法，設(shè)計了免疫自學(xué)習(xí)服務(wù)實(shí)現(xiàn)模型，如圖3所示。

3.1.1 免疫學(xué)習(xí)服務(wù)突現(xiàn)模型各功能部分的免疫描述

（1)抗原：將用戶請求的網(wǎng)絡(luò)任務(wù)作為免疫系統(tǒng)的抗原；

（2)抗體：將網(wǎng)絡(luò)中單一功能的Agent服務(wù)實(shí)體，通過親和力匹配算法，動態(tài)地形成實(shí)體Agent網(wǎng)絡(luò)，即突現(xiàn)服務(wù)組合，從而提供更強(qiáng)大的服務(wù)功能。將這樣的突現(xiàn)服務(wù)組合視作免疫系統(tǒng)中的抗體；

（3)抗原錄入：將得到的網(wǎng)絡(luò)任務(wù)轉(zhuǎn)化為可供識別的抗原數(shù)據(jù)，即按照既定的數(shù)據(jù)格式將網(wǎng)絡(luò)任務(wù)進(jìn)行編碼錄入；

（4)記憶單元：把與該抗原（網(wǎng)絡(luò)任務(wù))有最強(qiáng)親和度的抗體（Web服務(wù)組合)加入記憶細(xì)胞，記憶細(xì)胞是有限的，所以較低親和力的抗體會被新產(chǎn)生的與抗原更高親和度的抗體所替換，這樣形成抗體庫，記作cA，抗體庫中的抗體記為cA（i)，其中i＝1，2，…，n（n為抗體庫中抗體總數(shù)目)，利用抗體庫對抗原產(chǎn)生二次應(yīng)答；

（5)抗體庫：記錄了已有的最佳服務(wù)匹配的、可以提供服務(wù)的聚類本地系統(tǒng)數(shù)據(jù)庫，針對具體的請求服務(wù)存儲不同的服務(wù)匹配記錄信息；

（6)抗體規(guī)則庫：保存著進(jìn)行抗原－抗體匹配的相關(guān)算法或約束條件；

（7)親和力匹配算法：在初次免疫時，依據(jù)該算法將生物實(shí)體（移動Agent設(shè)計為具有親和力的免疫行為單元)組成生物實(shí)體網(wǎng)絡(luò)（突現(xiàn)服務(wù)組合)，從而提供突現(xiàn)服務(wù)，即產(chǎn)生抗體；

（8)抗體庫的免疫學(xué)習(xí)算法：在任務(wù)復(fù)雜度與匹配抗體不完全匹配的情況下，利用該算法對抗體的輸出自動修正，形成新的中間抗體。

Figure 3 Immune learning service emergence model圖3 免疫學(xué)習(xí)服務(wù)突現(xiàn)模型

3.1.2 免疫學(xué)習(xí)服務(wù)突現(xiàn)模型各功能模塊的描述

（1)決策處理模塊：依據(jù)抗體知識庫中決策約束條件、規(guī)則和相關(guān)算法，提供決策支持；

（2)執(zhí)行模塊：依據(jù)約定好的系統(tǒng)消息格式，負(fù)責(zé)消息的封裝并發(fā)送給通信模塊；

（3)通信模塊：負(fù)責(zé)實(shí)體Agent之間以及實(shí)體Agent與用戶之間的交互；

（4)網(wǎng)絡(luò)服務(wù)環(huán)境模塊：感知外界服務(wù)請求信息，通過它感知的外界狀態(tài)及信息進(jìn)行交互。

3.2 服務(wù)突現(xiàn)的免疫自學(xué)習(xí)體制

3.2.1 特征值初始設(shè)置

系統(tǒng)接收用戶請求后，首先判斷是否需要將不同種類、不同數(shù)量的已有單一Web服務(wù)進(jìn)行重組來為用戶提供服務(wù)。Web服務(wù)組合復(fù)雜度是指針對用戶請求自動選擇出的、用來組合的單一 Web服務(wù)種類所占服務(wù)個數(shù)的比例。

（1)提取特征值：突現(xiàn)服務(wù)cA（i)形成時的設(shè)定值v（t0)及其 Web服務(wù)組合復(fù)雜度c（t0)；

（2)記憶調(diào)整輸出值Δui：

其中，ui（t)和ui（t0)分別是在抗體cA（i)突現(xiàn)服務(wù)形成過程中的最終和形成時的輸出值；

（3)抗原特征值：用戶請求提出時設(shè)定值v（t)和為用戶提供服務(wù)的Web服務(wù)組合復(fù)雜度c（t)。

3.2.2 Web服務(wù)組合復(fù)雜度識別過程

抗原（用戶請求)被識別時的實(shí)際輸出值可能與修正后的中間抗體生成過程中的最終輸出值存在著一定程度的誤差，影響Web服務(wù)組合復(fù)雜度的識別精確度。為了更加準(zhǔn)確地識別Web服務(wù)組合復(fù)雜度，引入了比例增益系數(shù)kp：

其中，u（t)是最終動態(tài)調(diào)節(jié)輸出值；u（t0)是 Web服務(wù)組合復(fù)雜度的初始值；Δu（t)是修正后的中間抗體cA（n＋1)的輸出變化值。

通常，比例增益系數(shù)kp值越大，用戶等待服務(wù)的時間就越短，但也不能無限制地增大，否則Web服務(wù)組合容易出現(xiàn)雜亂，會對Web服務(wù)組合整體控制性能造成不良影響；相反，則容易使用戶等待時間過長。因此，kp值應(yīng)該針對不同的用戶請求進(jìn)行適當(dāng)?shù)倪x擇，以便提高服務(wù)響應(yīng)速度。

3.2.3 初次應(yīng)答

起初Web服務(wù)組合系統(tǒng)中并沒有存儲突現(xiàn)服務(wù)（抗體)，在用戶請求（抗原)第一次出現(xiàn)時得不到及時響應(yīng)。在傳統(tǒng)防御識別過程中，通過親和力匹配選擇免疫學(xué)習(xí)突現(xiàn)過程產(chǎn)生Web服務(wù)組合系統(tǒng)的第一例抗體cA（1)。具體產(chǎn)生過程描述如下：

（1)提取特征值：當(dāng)所需的Web服務(wù)組合復(fù)雜度超過閾值ε時，記錄設(shè)定值v（t0)、Web服務(wù)組合復(fù)雜度c（t0)、輸出值ui（t0)。閾值ε的取值應(yīng)該適當(dāng)，因?yàn)楫?dāng)c（t0)＞ε時，用戶請求將需要大量的Web服務(wù)進(jìn)行重組，而ε太小，將會有大量的用戶請求需要大量的Web服務(wù)重組，從而導(dǎo)致抗體大量產(chǎn)生；相反，形成的抗體將會不足，以致二次免疫應(yīng)答受到影響。這些都會影響用戶得到服務(wù)的效率和質(zhì)量。

（2)記錄和計算：識別 Web服務(wù)組合復(fù)雜度c（t0)，并記錄最終的輸出ui（t)，最后根據(jù)公式（1)計算動態(tài)調(diào)整輸出Δui。

（3)基于親和力算法形成突現(xiàn)服務(wù)（抗體)：借鑒生物突現(xiàn)機(jī)理，由親和力算法選擇出親和力值A(chǔ)ff最大的一些實(shí)體組成的實(shí)體網(wǎng)絡(luò)提供突現(xiàn)服務(wù)。這種方法可以針對用戶不同的服務(wù)請求分步、自治地選擇組合的實(shí)體服務(wù) wS1，wS2，wS3，…，wSn，并及時動態(tài)地調(diào)整實(shí)體，產(chǎn)生抗體，為用戶提供相應(yīng)的服務(wù)。

親和力匹配算法綜合實(shí)體Agent的匹配強(qiáng)度（代表服務(wù)匹配能力)M（ws1，ws2)和服務(wù)質(zhì)量相對值（評定質(zhì)量各因素的綜合度量值)S s（)i以及信任值（實(shí)體間信任關(guān)系的度量)Tij三方面的參數(shù)因素，計算兩個實(shí)體間的親和力：

本文取權(quán)重系數(shù)λ＝0.5（λ∈ ［0 ，1］)。根據(jù)公 式 Affinity ＝ Max｛Affinity（wsi，wsj)，i ∈（1，n)，j∈ （1，n)｝動態(tài)選擇最佳實(shí)體，完成服務(wù)組合，為用戶提供突現(xiàn)服務(wù)。最終突現(xiàn)服務(wù)親和力值為：

設(shè)定α且α∈（0，1)為系統(tǒng)服務(wù)突現(xiàn)閾值，如果突現(xiàn)服務(wù)親和力值A(chǔ)ff不大于α值，則突現(xiàn)成功，形成抗體，并儲存到抗體庫cA中。

3.2.4 二次應(yīng)答

當(dāng)用戶再次提出類似的請求時，Web服務(wù)組合系統(tǒng)利用免疫機(jī)制的自學(xué)習(xí)、自適應(yīng)能力就可以進(jìn)行免疫二次應(yīng)答。具體過程：

（1)預(yù)設(shè)置：抗體庫cA（i)，其中i＝n。

（2)提取抗原特征值：當(dāng)用戶請求出現(xiàn)且c（t0)＞ε時，提取當(dāng)前設(shè)定值v（t0)、Web服務(wù)組合復(fù)雜度c（t0)和輸出值ui（t0)。

（3)聯(lián)想記憶匹配過程：將當(dāng)前用戶請求（抗原)和待匹配突現(xiàn)服務(wù)（抗體)的特征值vi（t0)和ci（t0)進(jìn)行比較，根據(jù)公式（5)計算所有抗體相應(yīng)的匹配度ψi（i＝1，2，…，n)。

本文設(shè)?＝0.5，其中?∈ （0，1)。ψi值最大的為抗體（最佳 Web服務(wù)組合)cA（k)（k≤n)。通過抗體的聯(lián)想記憶過程，如果匹配成功將直接交給執(zhí)行模塊進(jìn)行二次應(yīng)答；否則，轉(zhuǎn)入遺傳自進(jìn)化過程。

（4)遺傳自進(jìn)化過程：利用公式（6)完成抗體cA（k)自進(jìn)化修正，輸出最佳 Web服務(wù)組合cA（n＋1)的變化值Δu（t)：

（5)提供服務(wù)：利用最佳Web服務(wù)組合為用戶提供相應(yīng)的服務(wù)。

（6)抗體存儲和繁殖過程：當(dāng)用戶得到相應(yīng)的服務(wù)時，將中間抗體cA（n＋1)的特征值計算出來并作為新抗體儲存起來。

4 仿真實(shí)驗(yàn)

免疫自學(xué)習(xí)服務(wù)突現(xiàn)方法的仿真是采用Java語言編程實(shí)現(xiàn)的。仿真平臺所增加的軟件接口、公用結(jié)構(gòu)體、仿真器等整個系統(tǒng)構(gòu)建在Java虛擬機(jī)上。這樣整個仿真平臺就支持“即插即用”和靈活的API操作。本仿真實(shí)驗(yàn)將親和力匹配和免疫學(xué)習(xí)兩種算法結(jié)合，實(shí)現(xiàn)免疫學(xué)習(xí)服務(wù)突現(xiàn)的模型仿真，其拓?fù)浣Y(jié)構(gòu)如圖4所示。

Figure 4 Topological graph圖4 拓?fù)浣Y(jié)構(gòu)

仿真實(shí)驗(yàn)采用AMD Athlon2處理器（3.0GHz和3GB RAM)的計算機(jī)，實(shí)驗(yàn)設(shè)置具有768個（32×24)節(jié)點(diǎn)的網(wǎng)絡(luò)結(jié)構(gòu)，假設(shè)每個虛擬機(jī)的網(wǎng)絡(luò)節(jié)點(diǎn)上都運(yùn)行仿真平臺，網(wǎng)絡(luò)平臺上資源花費(fèi)能量相同。訪問的服務(wù)請求頻率不隨時間變化。為了形成對比，實(shí)現(xiàn)了在沒有任何機(jī)制控制下的Web服務(wù)組合，即采用隨機(jī)控制；還實(shí)現(xiàn)了只有親和力匹配算法的服務(wù)突現(xiàn)模型。評定服務(wù)質(zhì)量的一個重要指標(biāo)是服務(wù)響應(yīng)時間。

仿真結(jié)果如圖5所示，隨機(jī)條件下，Web服務(wù)響應(yīng)開始時最快，但是之后趨勢變化不大。在親和力匹配服務(wù)突現(xiàn)算法的控制下，Web服務(wù)響應(yīng)剛開始較慢之后較快，這是因?yàn)樯飳?shí)體在開始階段要建立相應(yīng)的親和力關(guān)系，許多的時間浪費(fèi)在盲目的尋找上，且開始時生物操作要存儲能量，進(jìn)行遷移、變異和交叉操作等生物操作以完成突現(xiàn)服務(wù)，隨著時間的推移，生物實(shí)體形成了關(guān)系聚類，較快響應(yīng)提供服務(wù)。在本文提出的服務(wù)突現(xiàn)的免疫學(xué)習(xí)機(jī)制控制下，剛開始沒有形成Web服務(wù)組合（抗體)，因此為用戶提供服務(wù)速度較慢，之后大幅加快，這是因?yàn)闀r間越久，形成的 Web服務(wù)組合（抗體)越多，通過突現(xiàn)組合和免疫學(xué)習(xí)等策略快速識別用戶請求（抗原)，迅速進(jìn)行 Web服務(wù)組合而很快響應(yīng)提供服務(wù)?？傊疚奶岢龅拿庖邔W(xué)習(xí)服務(wù)突現(xiàn)模型能在無中心控制的條件下為用戶提供動態(tài)服務(wù)。

從圖6可以看出，在免疫學(xué)習(xí)服務(wù)突現(xiàn)模型中，為用戶提供服務(wù)的有效性（包括服務(wù)的效率和質(zhì)量)開始時可能不夠好，時間越久，Web服務(wù)的有效性就越高。

Figure 5 Web service response time圖5 Web服務(wù)響應(yīng)時間

Figure 6 Web service response efficiency圖6 Web服務(wù)響應(yīng)效率

以上實(shí)驗(yàn)驗(yàn)證了免疫學(xué)習(xí)服務(wù)突現(xiàn)模型在響應(yīng)時間和服務(wù)效率方面有一定優(yōu)勢，能夠很好地適應(yīng)Web服務(wù)組合需求，滿足未來Internet無中心控制、動態(tài)自學(xué)習(xí)的服務(wù)突現(xiàn)組合的需求。

5 結(jié)束語

由于在服務(wù)的組合和管理方面，生物神經(jīng)內(nèi)分泌免疫系統(tǒng)的一些特點(diǎn)正是Web服務(wù)動態(tài)組合所要實(shí)現(xiàn)的目標(biāo)。所以，本文從神經(jīng)內(nèi)分泌免疫網(wǎng)絡(luò)的特點(diǎn)出發(fā)，探究其突現(xiàn)機(jī)理和免疫學(xué)習(xí)機(jī)制，并結(jié)合Agent親和力匹配算法、Web服務(wù)組合、語義等有關(guān)知識，設(shè)計了免疫自學(xué)習(xí)服務(wù)突現(xiàn)模型，仿真結(jié)果證實(shí)了該模型能夠動態(tài)學(xué)習(xí)適應(yīng)提高服務(wù)響應(yīng)速度，可以為基于NEI的突現(xiàn)Web服務(wù)組合的進(jìn)一步研究提供參考。當(dāng)然系統(tǒng)的并行效率和語義匹配效率還有待進(jìn)一步提高，仿真實(shí)驗(yàn)也有待進(jìn)一步完善，并且需要進(jìn)一步探究使其能更好地投入實(shí)際應(yīng)用。

［1］ Li Jing-shan，Liao Hua-ming，Hou Zi-feng，et al.A dynamic service composition method based on semantic interface description in pervasive computing［J］.Journal of Computer Research and Development，2004，41（7)：1124-1134.（in Chinese)

［2］ Sirin E，Parsia B，Wu D，et al.HTN planning for web service composition using SHOP2［J］.Journal of Web Semantics，2004，1（4)：377-396.

［3］ Liu Bi-xin，Wang Yu-feng，Jia Yan，et al.A role-based approach for decentralized dynamic service composition［J］.Journal of Software，2005，16（11)：1659-1687.（in Chinese)

［4］ Zheng Yong－qing，Liang Wei.A matching strategy-based web service composition method［J］.Computer Science，2005，32（9)：127-130.（in Chinese)

［5］ Li Man，Wang Da-zhi，Du Xiao-yong，et al.Dynamic composition of web services based on domain ontology［J］.Chinese Journal of Computers，2005，28（4)：644-650.（in Chinese)

［6］ Deng Shui-guang，Wu Jian，Li Ying，et al.Automatic web service composition based on backward tree［J］.Journal of Software，2007，18（8)：1896-1910.（in Chinese)

［7］ Zou Jin-an，Yang Yan-ping.Study on automatic web services composition based on graph［J］.Journal of Chinese Computer Systems，2008，29（11)：2020-2026.（in Chinese)

［8］ Ding Yong-sheng.Natural computation and network intelligence［M］.Shanghai：Shanghai Jiao Tong University Press，2008.（in Chinese)

［9］ Sun Hong-bin，Ding Yong-sheng.Study and simulation of emergent method based on bio-network in pervasive service environment［J］.Journal of System Simulation，2008，20（1)：228-232.（in Chinese)

［10］ Tang Xin-ting，Zhang Xiao-feng，Yang Hong－yong.Model of web service emergence based on immune-learning［J］.Computer Engineering，2010，36（9)：173-175.（in Chinese)

［11］ Mo Hong-wei.Research of immune system response based on partial differential equation［J］.Computer Engineering and Applications，2009，45（11)：1-4.（in Chinese)

［12］ Rao Jing-hai，Kuengas P，Matskin M，et al.Composition of semantic web services using linear logic theorem proving［J］.Information Systems，2006，31（4/5)：340-360.

［13］ Mcllralth S A，Tran C S，Zeng Hong-lei.Semantic web services［J］.IEEE Intelligent Systems，2001，1（2)：46-53.

附中文參考文獻(xiàn)：

［1］ 李景山，廖華明，侯紫峰，等.普及計算中基于接口語義描述的動態(tài)服務(wù)組合方法［J］.計算機(jī)研究與發(fā)展，2004，41（7)：1124-1134.

［3］ 劉必欣，王玉峰，賈焰，等.一種基于角色的分布式動態(tài)服務(wù)組合方法［J］.軟件學(xué)報，2005，16（11)：1859-1867.

［4］ 鄭永清，梁偉.一種基于匹配策略的 Web服務(wù)組合方法［J］.計算機(jī)科學(xué)，2005，32（9)：127-130.

［5］ 李曼，王大治，杜小勇，等.基于領(lǐng)域本體的 Web服務(wù)動態(tài)組合［J］.計算機(jī)學(xué)報，2005，28（4)：644-650.

［6］ 鄧水光，吳健，李瑩，等.基于回溯樹的 Web服務(wù)自動組合［J］.軟件學(xué)報，2007，18（8)：1896-1910.

［7］ 鄒金安，楊艷萍.圖在自動 Web服務(wù)組合中的應(yīng)用研究［J］.小型微型計算機(jī)系統(tǒng)，2008，29（11)：2020-2026.

［8］ 丁永生.自然計算與網(wǎng)絡(luò)智能［M］.上海：上海交通大學(xué)出版社，2008.

［9］ 孫宏彬，丁永生.基于生物網(wǎng)絡(luò)的普適服務(wù)突現(xiàn)的方法與仿真［J］.系統(tǒng)仿真學(xué)報，2008，20（1)：228-232.

［10］ 唐新亭，張小峰，楊洪勇.基于免疫學(xué)習(xí)的 Web服務(wù)突現(xiàn)模型［J］.計算機(jī)工程，2010，36（9)：173-175.

［11］ 莫宏偉.免疫系統(tǒng)應(yīng)答仿真研究［J］.計算機(jī)工程與應(yīng)用，2009，45（11)：1-4.

Research of immune self-learning Web service emergence method based on biological neuro-endocrine immune system

GUO Lan-lan，WANG Hui，CHEN Xiang-tao
（School of Electronic Information Engineering，Henan University of Science and Technology，Luoyang 471023，China)

In order to resolve the combination problems of Web service for complicated tasks，inspired by the characteristics of system emergence and self-learning in biological neuroendocrine and immune system，a method of immune learning Web service emergence is proposed.Mobile agent is designed as a biological entity with immune behaviors and acts for Web services.Emergent bio-entity network is constructed through bio-entities affinity matching and provides emergent services composition，in the process，service can be added or removed dynamically in service emergence.Based on immune principle and self-learning mechanism，affinity matching service combination is viewed as antibody for memory.When system encounters the same or similar service requests，it directly forms the new secondary response or updates antibody library to form the new intermediate antibody，and completes the response in a more rapid and energy-serving way.Through experiment verification，the method can complete self-organizing dynamic combination，independent learning and management，and improve the response speed and efficiency of services.

web services composition；semantic web service；emergence；affinity matching；immune learning

1007-130X（2014)04-0713-06

TP183

A

10.3969/j.issn.1007-130X.2014.04.024

2012-08-29；

2013-01-15

河南省教育廳自然科學(xué)研究項(xiàng)目（2010A520017)；河南省教育廳科學(xué)技術(shù)研究重點(diǎn)項(xiàng)目（2012B520019)

通訊地址：471023河南省洛陽市河南科技大學(xué)電子信息工程學(xué)院

Address：School of Electronic Information Engineering，Henan University of Science and Technology，Luoyang 471023，Henan，P.R.China

郭蘭蘭（1986-)，女，河南孟津人，碩士生，研究方向?yàn)閿?shù)據(jù)集成。E-mail：lanlanshilanwang＠163.com

GUO Lan-lan，born in 1986，MS candidate，her research interest includes data integration.

王輝（1966-)，女，河南洛陽人，碩士，教授，研究方向?yàn)榫W(wǎng)絡(luò)性能改善和數(shù)據(jù)挖掘。E-mail：wh＠m(xù)ail.haust.edu.cn

WANG Hui，born in 1966，MS，professor，her research interests include network performance improvement，and data mining.

陳祥濤（1978-)，男，河南商丘人，碩士生，研究方向?yàn)榉?wù)計算。E-mail：cxt＠m(xù)ail.haust.edu.cn

CHEN Xiang-tao，born in 1978，MS candidate，his research interest includes service computing.