李海波

（華僑大學 計算機科學與技術(shù)學院，福建 廈門 361021）

0 引言

為滿足企業(yè)間的頻繁交互以及業(yè)務環(huán)境和需求的動態(tài)變化，企業(yè)應用軟件的構(gòu)造和升級也逐步開始面向服務計算技術(shù)，并經(jīng)常通過Web服務組合實現(xiàn)更為復雜的業(yè)務邏輯。服務組合方式有很多種，其中，依據(jù)服務間內(nèi)在的邏輯關(guān)系，把一系列基本服務按照一定的時序組裝在一起，實現(xiàn)復雜的交互，即為服務工作流［1］。服務的優(yōu)劣通常采用服務質(zhì)量（Quality of Service，QoS）衡量，為提高服務工作流環(huán)境中服務間的時序組合效率，服務工作流選取質(zhì)量“最好”的服務來組合。但當前QoS的度量指標描述的基本都是軟件技術(shù)特性，在候選服務少的情況下，基于QoS的方法基本無法起到改善系統(tǒng)效率的作用［2］，必須尋找其他度量手段。

在服務工作流環(huán)境下，當服務節(jié)點業(yè)務量大時，大量的Web服務被不斷地組合在一起，裝入內(nèi)存、執(zhí)行、銷毀、再裝入內(nèi)存。將Web服務裝入內(nèi)存通常稱作Web服務的實例化。提高Web服務實例化的速度可以極大地縮短服務時序組合的響應時間。目前，縮短服務響應時間的方法包括基于體系結(jié)構(gòu)的方法和預取方法兩大類，前者通常采用專門的中間層緩沖一些常用服務［3－4］，如 FastSOA［5］，在服務再次收到同樣的請求時重新使用緩沖的響應，以此減少對冗余請求響應造成的服務帶寬，同時降低服務請求響應時間，但隨著企業(yè)Web服務的激增，緩沖帶來的性能改善不再顯著［6］；預取是根據(jù)訪問歷史預測用戶的未來訪問請求，并把預測對象預先存放在緩沖區(qū)中，當該對象被再次請求時，直接從緩存中提取該對象給用戶，以此降低用戶的訪問延遲［7］。如果預測的足夠準確，則采用預取技術(shù)實例化Web服務可明顯提高服務工作流的整體效率。在服務工作流的動態(tài)環(huán)境下，服務的執(zhí)行頻率隨業(yè)務的發(fā)展時刻變化，這是服務預取要考慮的主要因素。

為此，本文針對服務工作流環(huán)境，基于業(yè)務因素，提出一種Web服務的動態(tài)預取模型。首先分析業(yè)務頻率對Web服務預取的影響，體現(xiàn)在服務調(diào)用的間隔以及被反復調(diào)用的程度上，通過服務間的相對依賴強度和絕對依賴強度兩個計算模型得以體現(xiàn)，并最終獲取服務預取集合，通過實驗及對比分析驗證方法的有效性。

1 相關(guān)工作

廣義地講，可預取的服務包括 Web頁面、位置服務中的數(shù)據(jù)、流媒體、軟構(gòu)件等，服務的形態(tài)不同，預取方法也不同?；诼窂筋A測的方法通過挖掘用戶訪問的路徑獲得預取集［7－8］；文獻［9］提出基于場景的數(shù)據(jù)預取方法，根據(jù)用戶和終端上保存的訪問歷史記錄的關(guān)系，當用戶訪問某場景時，客戶端可以從服務器預取下一個可能的場景；基于位置的服務系統(tǒng)中，受帶寬和數(shù)據(jù)量的影響，通常需要預取數(shù)據(jù)資源，包括基于圖的增量預取策略［10］、基于語義的預取方法［11］、用于捕捉移動的物體的局部匹配方法［12］等；流媒體的預取則根據(jù)媒體服務的特征，多采取分段緩存的策略［13－14］。上述方法基本都是根據(jù)用戶的訪問歷史數(shù)據(jù)，針對提供服務的不同對象的特點，給出相應的預取方法。由于事先無流程引導信息，這些方法預測的準確性取決于用戶的訪問偏好和操作的熟練程度。

軟構(gòu)件作為可執(zhí)行單元，通過構(gòu)件庫為軟件系統(tǒng)提供執(zhí)行服務，可通過挖掘業(yè)務頻率獲得構(gòu)件的預取集［15］。鑒于應用領(lǐng)域的特點，該方法可提供工作流模型作為預取的引導信息，預取結(jié)果較其他方法更準確。

2 服務預取因素分析

首先，從工作流模型的角度分析。服務工作流模型是對組織結(jié)構(gòu)業(yè)務過程的抽象表示，是對一系列活動的邏輯順序的規(guī)定，如圖1所示為跨企業(yè)環(huán)境下的訂單處理流程。由于服務工作流中的活動都是由Web服務組合而成的，活動間的時序關(guān)系也決定了所包含服務的時序關(guān)系。例如，根據(jù)圖2所示的服務組合以及圖3所示的一個工作流實例，A1包含組合服務｛S1，S2｝，A2包含組合服務｛S2，S3，S4，S5，S6｝，活動A1先于活動A2執(zhí)行，則｛S1，S2｝就先于｛S2，S3，S4，S5，S6｝執(zhí)行。如果兩個服務直接相鄰，則互為直接前驅(qū)和后繼關(guān)系，如S1是S3的直接前驅(qū)，如果不直接相鄰，則互為間接前驅(qū)和后繼關(guān)系，如S1是活動A3中的S7的間接前驅(qū)?；殚g接前驅(qū)和后繼關(guān)系的服務之間的“距離”較遠。此外，服務可以在不同活動中被反復調(diào)用，如S2；兩個服務間的前驅(qū)和后繼關(guān)系也是相對的，如S2和S7被反復執(zhí)行的次數(shù)較多。

其次，從工作流運行階段的角度，由于服務工作流模型描述的是業(yè)務發(fā)生的所有可能性，運行階段會根據(jù)當前業(yè)務的發(fā)生情況選擇執(zhí)行路徑，最終導致服務調(diào)用頻率的不均衡，這也是由工作流模型中循環(huán)結(jié)構(gòu)和選擇結(jié)構(gòu)的特點決定的［16］。在同一段時間內(nèi)，不同活動執(zhí)行的頻率不同，且同一活動的執(zhí)行頻率在不同時期也不是固定的，業(yè)務頻率的變化趨勢可通過工作流日志得到如實反映。例如，當客戶下訂單后，若此類產(chǎn)品處于銷售淡季，則服務工作流按圖3執(zhí)行，服務S11，S12，S13和S14的執(zhí)行頻率將會變低；若處于銷售旺季，則銷售商經(jīng)常會庫存不夠，就會通過與制造商的協(xié)作采購產(chǎn)品，此時服務S11，S12，S13和S14的執(zhí)行頻率就會變高。因此，為了更準確地預取服務，服務預取模型中要體現(xiàn)業(yè)務頻率的持續(xù)變化。

最后，雖然Web服務技術(shù)已經(jīng)成熟，但其體系結(jié)構(gòu)仍存在性能上的局限。作為一種分布式計算模式，基于可擴展標記語言（eXtensible Markup Language，XML）的標準協(xié)議，Web服務的調(diào)用涉及到簡單對象訪問協(xié)議（Simple Object Access Protocol，SOAP）報文的解析、驗證、編碼等步驟，再考慮服務傳輸，這些延遲對性能的影響也不容忽視。

綜上分析，服務被反復執(zhí)行的程度、服務間出現(xiàn)的間隔、整個業(yè)務的發(fā)生頻率都是預取服務的決定因素，都可以通過挖掘工作流日志得到如實反映。

3 基于服務工作流日志的業(yè)務頻率識別方法

業(yè)務頻率是指一段時間內(nèi)某項業(yè)務發(fā)生的頻率。在服務工作流運行時，活動都是由服務組合而成，則每個活動的執(zhí)行頻率就是其組合服務的執(zhí)行頻率［16］。下面首先定義服務工作流日志。

定義1 服務工作流日志W(wǎng)L［16］。設A為所有工作流實例中出現(xiàn)的活動集合，A＊是A范圍內(nèi)所有工作流實例的集合，則服務工作流日志W(wǎng)L?A＊，是A上工作流實例的子集。

服務工作流日志的定義強調(diào)：①有效性，即使活動已定義在工作流模型中，但如果一直未執(zhí)行，也不屬于工作流日志的范圍；②時效性，即只考慮某段時期內(nèi)的工作流日志，一般根據(jù)最近的日志分析業(yè)務發(fā)展的最新情況。

工作流實例是活動的執(zhí)行序列，包括工作流實例號（case＿id）、活動開始時間（begin－time）和活動結(jié)束時間（end＿time）等信息，如表1所示的服務工作流日志片段來自于圖1所示的服務工作流。

表1 服務工作流日志片段

續(xù)表1

設WL 中工作流實例的集合I＝｛I1，I2，I3，…，In｝，共包含m 種業(yè)務活動，表示成 A＝｛a1，a2，a3，…，am｝，相應地，m 種活動的執(zhí)行次數(shù)Freq＝｛f1，f2，f3，…，fm｝。設actj＝Ins（ai）表示 WL 中的活動actj是工作流模型中活動ai的實例，在日志W(wǎng)L中共有M個活動實例。下面是Freq的求解算法。

算法1 WL＿Freq——計算WL中每種業(yè)務活動被執(zhí)行的次數(shù)。

輸入：某段時間內(nèi)工作流日志W(wǎng)L；

輸出：每種業(yè)務活動執(zhí)行次數(shù)Freq。

（1）令Freq的 m個分量均為0，即Freq＝（0，0，…，0）；j＝0；

（2）如果A≠?，則任取ai∈A，否則，結(jié)束算法；

（3）A＝A－｛ai｝；

（4）如果j＝M，則令j＝0，轉(zhuǎn)步驟（2）；

（5） ＝Ins（a）， ＝f＋1；如果actji則fii

（6）j＝j＋1，轉(zhuǎn)步驟（4）。

以表1的工作流日志為例，應用上述算法，可以計算出發(fā)貨單制定、發(fā)貨單審核、采購訂單制定三種業(yè)務活動出現(xiàn)的次數(shù)分別為3，3，1。設工作流模型中共定義了t種活動，若m＜t，則說明不是所有活動都有機會執(zhí)行，這是由模型中的選擇控制結(jié)構(gòu)決定的。因此，循環(huán)控制結(jié)構(gòu)下的活動經(jīng)常反復執(zhí)行，執(zhí)行次數(shù)多；而選擇控制結(jié)構(gòu)下的活動“有選擇地”執(zhí)行，執(zhí)行次數(shù)少。

4 服務預取模型

為了使給出的服務預取模型能夠反映上述幾個影響因素，即服務工作流模型中定義的服務間隔、服務被執(zhí)行頻度、業(yè)務發(fā)生頻率以及服務的執(zhí)行延遲，首先量化這幾個因素。

文獻［15］提出過軟構(gòu)件的預取方法，與集中式運行環(huán)境相比，在分布環(huán)境下這些因素對服務預取的影響既相似又有差異。

若服務A是B的直接前驅(qū)或間接前驅(qū)（表示成A?B），那么就形成了服務B對A時序上的依賴關(guān)系，表示成A→B，依賴關(guān)系的強弱需要反映出來。兩個服務間的依賴關(guān)系越強，待預取的后繼服務命中率越高，反之則越低。采用ADS（A→B）表示B對A的依賴程度，因為是單向的，所以稱作絕對依賴強度。為反映服務A、B被反復調(diào)用的關(guān)系，需綜合考慮A→B和B→A雙向的依賴強度，用RDS（A→B）表示A→B的相對依賴強度，即“扣除”A對B的依賴程度后得到的B對A的依賴程度的“凈值”。服務的絕對依賴強度模型和相對依賴強度模型是服務預取計算模型的關(guān)鍵。

根據(jù)第1章的分析，若服務A是B的前驅(qū)，則ADS（A→B）、RDS（A→B）的大小與服務A、B被調(diào)用的“間隔”和出現(xiàn)的次數(shù)有關(guān)，服務A、B被調(diào)用的間隔越小、次數(shù)越多，絕對依賴強度和相對依賴強度就越大。但對于RDS（A→B）來說，反方向依賴關(guān)系B→A的存在會使其強度減弱。在工作流日志中，對于任意一個工作流實例，用dis（A→B）表示A、B的間隔，即距離dis（A→B），若A是B的直接前驅(qū)，則dis（A→B）＝1；若A、B被組裝到同一個業(yè)務活動中，A和B之間不存在時序依賴關(guān)系，則dis（A→B）＝0。

此外，Web服務調(diào)用過程包括服務傳輸、SOAP報文的解析、驗證和編碼等步驟所產(chǎn)生的延時，同時存在于客戶端和服務端，如圖4所示。本文考慮的是調(diào)用端的服務預取，對任意A?B，要考慮以下幾種情況的延遲：①調(diào)用端和服務A、B均在同一服務器上產(chǎn)生的延時忽略；②調(diào)用端和服務A、B不在同一服務器上產(chǎn)生的延時最大；③調(diào)用端和A或者B在同一服務器上，可以忽略一半的延時。

下面給出ADS（A→B）的計算模型：

式中m為服務工作流實例的個數(shù)。服務之間時序依賴強度的總體趨勢隨著距離以指數(shù)關(guān)系減小［3－4］，要求dis（A?B）×δdis（A?B）－1隨dis（A?B）的增加而減小，即單調(diào)遞減，其中dis（A?B）取自然數(shù)。通過對δ取值的測試，當0＜δ＜0．5時可使dis（A?B）×δdis（A?B）－1的結(jié)果隨dis（A?B）的增長表現(xiàn)出單調(diào)遞減。因此，δ應該取小于0．5的最大數(shù)（δ越小，結(jié)果數(shù)據(jù)之間越難以區(qū)分），反復試驗后，δ取0．4較為合適。當dis（A?B）＝1時，系數(shù)δdis（A?B）－1＝1，表示服務A 與B 直接相鄰。對 m 個工作流實例取樣，并依上述關(guān)系做累加體現(xiàn)業(yè)務頻率。向量（LA，LB）表示服務調(diào)用延遲，0和1代表無延遲和有延遲，上述三種情況分別對應三種取值：（0，0），（1，1），（0，1）或（1，0），最后取向量的模，作為最終A→B的依賴強度。

相對依賴關(guān)系模型同時考慮了A→B和B→A的絕對依賴強度，對于A→B，如果m個工作流實例中不存在B→A，則ADS（B→A）＝0，此時A→B的相對依賴強度等于其絕對依賴強度；如果m個工作流實例中A→B和B→A各自的絕對依賴強度相同，則RDS（A→B）＝0，即服務A和B被反復調(diào)用的機會均等。

下面分析兩種依賴關(guān)系模型的語義。以圖4顯示的1次工作流實例執(zhí)行為例，假設服務S1，S2，S3，S4，S5和S6以及服務調(diào)用端均不在同一服務器上，計算絕對依賴強度和相對依賴強度。

計算結(jié)果分別如表2和表3所示。

表2 絕對依賴強度ADS（Si→Sj）計算示例

表3 相對依賴強度RDS（Si→Sj）計算示例

上述結(jié)果反映出兩個服務之間絕對依賴關(guān)系和相對依賴關(guān)系的語義，如表4所示。

表4 絕對依賴強度與相對依賴強度的語義

如果考慮服務調(diào)用端以及所有被調(diào)服務所在服務器的位置，則使用向量（LA，LB）加以區(qū)分，符合向量取模的三角性質(zhì)。絕對依賴強度雖能體現(xiàn)兩個服務間的依賴程度，但還不足以體現(xiàn)反方向的依賴程度，要靠相對依賴強度補充。當樣本數(shù)據(jù)較多時，就能充分反映某時期內(nèi)業(yè)務發(fā)生情況對服務調(diào)用的影響趨勢。

5 性能評價

5．1 實驗驗證

在制造全球化背景下，一個訂單通常由多個企業(yè)協(xié)同完成，典型的制造環(huán)境包括銷售商、制造商和物流公司等企業(yè)，以此為背景驗證和分析服務預取模型的有效性，如圖1所示的協(xié)同服務業(yè)務過程。工作流中的活動通常以服務組合的形式對外提供服務，有些服務提供給企業(yè)內(nèi)部，有些服務提供給其他企業(yè)，實現(xiàn)互操作。提供服務的節(jié)點有銷售商、制造商和物流公司3個。其中，銷售商節(jié)點上運行的業(yè)務活動有A1，A2，A3，A4，A5，A6，A7，A8，A9，制造商節(jié)點上運行的業(yè)務活動有A10，A11，A12，A13，物流公司節(jié)點上運行的業(yè)務活動有A14，A15，A16，A17。由于業(yè)務活動是由服務組合而成的，有的業(yè)務活動也會調(diào)用其他服務節(jié)點的服務?？紤]最一般的情形：服務工作流的調(diào)度和執(zhí)行獨立于這三個服務節(jié)點，以平臺的方式對外提供集成服務。

實驗包括兩個步驟：①產(chǎn)生工作流日志；②計算服務工作流中服務的依賴強度。

（1）生成模擬服務工作流日志 按圖1所示的服務工作流模型產(chǎn)生日志，每條工作流路徑按相同次數(shù)出現(xiàn)，分別運行1 000次、2 000次和3 000次（和軟件運行環(huán)境無關(guān)），活動A1，A2，…，A17執(zhí)行的次數(shù)如圖5所示。

從運行結(jié)果看，不同運行次數(shù)下的總體趨勢是相同的。

（2）計算服務工作流中服務間的依賴強度 選取運行1 000次的服務工作流日志，如圖5所示，活動 A1，A2，A3，A6，A7，A9，A14，A15，A16，A17執(zhí) 行1 000次，A4，A5，A8，A10，A11，A12，A13執(zhí)行500次，以此執(zhí)行頻率計算服務依賴強度。

首先，依據(jù)式（1）計算24個服務間的絕對依賴強度，限于篇幅，只列出12個服務（S1～S12）之間的絕對依賴強度，如表5所示。

表5 部分服務間的絕對依賴強度ADS（Si→Sj_）

其次，依據(jù)式（2）計算24個服務之間的相對依賴強度，限于篇幅，只列出12個服務（S1～S12）之間的相對依賴強度，如表6所示。

表6 部分服務之間的相對依賴強

從表4給出的定性分析結(jié)果來看，預取服務最好選取絕對依賴強度大、同時相對依賴強度小的服務，但這個閾值也可根據(jù)實際需要進行調(diào)整，如希望預取更多的服務。本例中，若選取絕對依賴強度（絕對值）最大值的1/3作為其閾值，選取相對依賴強度（絕對值）最大值的1/2作為其閾值，即需同時滿足：①0≤相對依賴強度的絕對值≤1．931；②絕對依賴強度≥6．662，最終得到服務預取集合：｛S2→S2，S2→S7，S7→S2｝。若希望預取更多服務，則可降低絕對依賴強度閾值，不妨設為最大值的1/4，若相對依賴強度閾值不變，則最終得到服務預取集合為：｛S2→S2，S2→S7，S2→S21，S7→S2，S21→S2｝。

從表4給出的定性分析結(jié)果來看，預取服務最好選取絕對依賴強度大、同時相對依賴強度小的服務，但這個閾值也可根據(jù)實際需要進行調(diào)整，如希望預取更多的服務。本例中，若選取絕對依賴強度（絕對值）最大值的1/3作為其閾值，選取相對依賴強度（絕對值）最大值的1/2作為其閾值，即需同時滿足：①0≤相對依賴強度的絕對值≤1．931；②絕對依賴強度≥6．662，最終得到服務預取集合：｛S2→S2，S2→S7，S7→S2｝。若希望預取更多服務，則可降低絕對依賴強度閾值，不妨設為最大值的1/4，若相對依賴強度閾值不變，則最終得到服務預取集合為：｛S2→S2，S2→S7，S2→S21，S7→S2，S21→S2｝。

從表4給出的定性分析結(jié)果來看，預取服務最好選取絕對依賴強度大、同時相對依賴強度小的服務，但這個閾值也可根據(jù)實際需要進行調(diào)整，如希望預取更多的服務。本例中，若選取絕對依賴強度（絕對值）最大值的1/3作為其閾值，選取相對依賴強度（絕對值）最大值的1/2作為其閾值，即需同時滿足：①0≤相對依賴強度的絕對值≤1．931；②絕對依賴強度≥6．662，最終得到服務預取集合：｛S2→S2，S2→S7，S7→S2｝。若希望預取更多服務，則可降低絕對依賴強度閾值，不妨設為最大值的1/4，若相對依賴強度閾值不變，則最終得到服務預取集合為：｛S2→S2，S2→S7，S2→S21，S7→S2，S21→S2｝。

從表4給出的定性分析結(jié)果來看，預取服務最好選取絕對依賴強度大、同時相對依賴強度小的服務，但這個閾值也可根據(jù)實際需要進行調(diào)整，如希望預取更多的服務。本例中，若選取絕對依賴強度（絕對值）最大值的1/3作為其閾值，選取相對依賴強度（絕對值）最大值的1/2作為其閾值，即需同時滿足：①0≤相對依賴強度的絕對值≤1．931；②絕對依賴強度≥6．662，最終得到服務預取集合：｛S2→S2，S2→S7，S7→S2｝。若希望預取更多服務，則可降低絕對依賴強度閾值，不妨設為最大值的1/4，若相對依賴強度閾值不變，則最終得到服務預取集合為：｛S2→S2，S2→S7，S2→S21，S7→S2，S21→S2｝。

從表4給出的定性分析結(jié)果來看，預取服務最好選取絕對依賴強度大、同時相對依賴強度小的服務，但這個閾值也可根據(jù)實際需要進行調(diào)整，如希望預取更多的服務。本例中，若選取絕對依賴強度（絕對值）最大值的1/3作為其閾值，選取相對依賴強度（絕對值）最大值的1/2作為其閾值，即需同時滿足：①0≤相對依賴強度的絕對值≤1．931；②絕對依賴強度≥6．662，最終得到服務預取集合：｛S2→S2，S2→S7，S7→S2｝。若希望預取更多服務，則可降低絕對依賴強度閾值，不妨設為最大值的1/4，若相對依賴強度閾值不變，則最終得到服務預取集合為：｛S2→S2，S2→S7，S2→S21，S7→S2，S21→S2｝。

從表4給出的定性分析結(jié)果來看，預取服務最好選取絕對依賴強度大、同時相對依賴強度小的服務，但這個閾值也可根據(jù)實際需要進行調(diào)整，如希望預取更多的服務。本例中，若選取絕對依賴強度（絕對值）最大值的1/3作為其閾值，選取相對依賴強度（絕對值）最大值的1/2作為其閾值，即需同時滿足：①0≤相對依賴強度的絕對值≤1．931；②絕對依賴強度≥6．662，最終得到服務預取集合：｛S2→S2，S2→S7，S7→S2｝。若希望預取更多服務，則可降低絕對依賴強度閾值，不妨設為最大值的1/4，若相對依賴強度閾值不變，則最終得到服務預取集合為：｛S2→S2，S2→S7，S2→S21，S7→S2，S21→S2｝。

從表4給出的定性分析結(jié)果來看，預取服務最好選取絕對依賴強度大、同時相對依賴強度小的服務，但這個閾值也可根據(jù)實際需要進行調(diào)整，如希望預取更多的服務。本例中，若選取絕對依賴強度（絕對值）最大值的1/3作為其閾值，選取相對依賴強度（絕對值）最大值的1/2作為其閾值，即需同時滿足：①0≤相對依賴強度的絕對值≤1．931；②絕對依賴強度≥6．662，最終得到服務預取集合：｛S2→S2，S2→S7，S7→S2｝。若希望預取更多服務，則可降低絕對依賴強度閾值，不妨設為最大值的1/4，若相對依賴強度閾值不變，則最終得到服務預取集合為：｛S2→S2，S2→S7，S2→S21，S7→S2，S21→S2｝。

5．2 與相關(guān)方法比較

首先，與之前的研究成果［15］相比較。文獻［15］考慮的是軟構(gòu)件的動態(tài)預取模型，在集中式的運行環(huán)境下，構(gòu)件間調(diào)用的延遲可以忽略。而本文的預取對象是Web服務，其分布運行的特點決定了服務調(diào)用產(chǎn)生的延遲不能忽略，在本文的模型中采用向量（LA，LB）以及最后取模運算來體現(xiàn)更加準確。

其次，與較典型的預取方法比較。為了對比測試模型的預取性能，本文選用與文中方法相似的兩個預取方法——基于條件概率的預測［8］和基于訪問路徑的預取方法［7］做比較，并采用預測精確度P和適用度T作為評價指標，具體定義如下：

定義2 預測精確度［17］。預測精確度P表示正確預測的Web服務對象數(shù)Np與預測總的Web服務對象數(shù)N的比率，即P＝Np/N。

如果在接下來的一個預測窗口內(nèi)用戶對預測Web服務對象進行了請求，則稱該預測是正確的，否則不正確。

定義3 適用度。適用度T表示模型預測的請求數(shù)Qp與總的請求數(shù)Q的比率，即T＝Qp/Q。

以圖1所示的服務工作流模型為例，分別用不同的方法進行模擬實驗，比較在相同的硬件條件下，選取不同的概率門限，按照三種不同方法計算出預取服務的精確度及適用度。實驗結(jié)果表明，考慮了服務間的依賴強度與業(yè)務頻率的影響，模型的預測精確度和適用度都有明顯改善。圖6a顯示了三種模型的預測精確度隨概率門限的增加而增加，本文所提方法優(yōu)于其他兩種方法。這是因為該方法充分考慮了業(yè)務頻率，縮小了模型預測的 Web服務范圍。圖6b說明三種方法的適用度隨概率門限的增加而減少，本方法所提模型保持了較高的適用度。

實驗結(jié)果表明，本文提出的方法具有明顯的優(yōu)勢。這是因為該方法建立在服務工作流模型之上，不但自身可確定被預取對象的順序，而且能挖掘業(yè)務頻率，從而縮小預測的范圍。而基于訪問路徑的預取方法，需要大量的訓練數(shù)據(jù)。基于條件概率的預取方法是根據(jù)用戶訪問記錄中Web服務之間的轉(zhuǎn)移概率P，再根據(jù)P的大小預測下一個Web服務。該方法取決于用戶的訪問偏好和操作的熟練程度。

5．3 性能討論

由于Web服務技術(shù)采用了SOAP，服務調(diào)用時延遲較大。動態(tài)網(wǎng)頁靜態(tài)化是較典型的解決辦法，對經(jīng)常被調(diào)用的Web服務可做類似處理。具體地，以協(xié)同制造環(huán)境下的某企業(yè)服務器為例，采用本文所提的預取方法預測下一個可能被調(diào)用的服務，并使用出現(xiàn)頻率高的參數(shù)對網(wǎng)頁作靜態(tài)化處理。這些服務可以屬于該服務器，也可以是其他企業(yè)的，可有效提高企業(yè)間的互操作效率。

企業(yè)的業(yè)務數(shù)據(jù)時刻在變化，對預取的服務集可并行地做靜態(tài)化處理，代價可忽略。動態(tài)網(wǎng)頁靜態(tài)化后的方法，但是靜態(tài)化處理時存在參數(shù)命中率的問題，即用戶調(diào)用服務時使用某些參數(shù)的可能性，因此預取的代價主要取決于參數(shù)的命中率，若靜態(tài)化處理所采用的參數(shù)在執(zhí)行時未被命中，則效率就沒有改善。但如果參數(shù)的使用頻率很高，則可大大提高預測的命中率，進而提高服務的響應速度，這也是所有預取、緩存技術(shù)應用的最佳環(huán)境。

6 結(jié)束語

本文方法建立在服務工作流之上，有工作流模型指導流程的推進，因此性能上占有絕對優(yōu)勢，提出的服務預取模型包括絕對依賴強度和相對依賴強度，全方位地體現(xiàn)出影響服務預取的業(yè)務因素，為服務緩沖提供了更加精確的預測，在多企業(yè)協(xié)同制造的環(huán)境下可提供更好的服務預取策略，以減輕應用服務器的運行負載，縮短用戶訪問的響應時間。近年來，云制造作為協(xié)同制造的一種新模式得到了廣泛的關(guān)注和研究，其系統(tǒng)平臺具有“集中資源分散服務”的特點，云制造環(huán)境下的服務預取更加重要，相應的預取模型是未來的研究方向。

［1］ DENG Shuiguang，HUANG Longtao，YIN Jianwei，et al．Technical framework form Web service composition and its progress［J］．Computer Integrated Manufacturing Systems，2011，17（2）：404－412（in Chinese）．［鄧水光，黃龍濤，尹建偉，等．Web服務組合技術(shù)框架及其研究進展［J］．計算機集成制造系統(tǒng)，2011，17（2）：404－412．］

［2］ GUO Chunli，LI Haibo．Controllability of quality of service in Web service workflow system based on variable granularity［J］．China Mechanical Engineering，2011，22（21）：2613－2618（in Chinese）．［郭春麗，李海波．基于可變粒度的服務工作流系統(tǒng)服務質(zhì)量可控性研究［J］．中國機械工程，2011，22（21）：2613－2618．］

［3］ CHEN Weiling，YIN Shiqun，QIU Yuhui．Schema reasoning and semantic representation for citation semantic link network［C］//Proceedings of the 3rd International Conference on Intelligent Information Technology Application．Washington，D．C．，USA：IEEE，2009：366－369．

［4］ DRAKATOSA S，PISSINOUA N，MAKKIA K et al．A context－aware cache structure for mobile computing environments［J］．Journal of System and Software，2007，80（7）：1102－1119．

［5］ COHEN F．FastSOA：accelerate SOA using XML，XQuery and native XML database technology［EB/OL］．（2006－03－06）［2012－05－06］．http：//www．ibm．com/developerworks/cn/xml/x－accsoa/index．html．

［6］ BENEVENUTO F，DUARTE F，ALMEIDA V，et al．Web cache replacement policies：Properties，limitations and implications［C］//Proceedings of the 3rd Latin American Web Congress． Washington， D． C．， USA：IEEE Computer Society，2005．

［7］ XU Huanqing，WANG Yongcheng．A Web pre－fetching model based on analyzing user access pattern［J］．Journal of Software，2003，14（6）：1142－1147（in Chinese）．［許歡慶，王永成．基于用戶訪問路徑分析的網(wǎng)頁預取模型［J］．軟件學報，2003，14（6）：1142－1147．］

［8］ ZHANG Boping，SHI Lei．Study on the Web pre－fetching based on the relationship of the Web structure［D］．Zhengzhou：University of Zhengzhou，2006（in Chinese）．［張泊平，石磊．基于網(wǎng)頁結(jié)構(gòu)相關(guān)性預取技術(shù)研究［D］．鄭州大學，2006．］

［9］ LI Song，WANG Wendong，CUI Yidong，et al．A novel pre

fetching method for scene－based mobile social network service［C］//Proceedings of the 3rd IEEE International Conference on Broadband Network and Multimedia Technology．Washington，D．C．，USA：IEEE Computer Society，2010：144－148．

［10］ YU Fang，JIANG Changjun，F(xiàn)U Ying．Incremental data prefetching for map service in mobile navigation application［C］//Proceedings of International Conference on Wireless Communications，Networking and Mobile Computing，Washington，D．C．，USA：IEEE Computer Society，2008．

［11］ KANG Sang－Won，GIL Joon－Min，KIM Jongwan，et al．Description－based semantic prefetching scheme for data management in location－based services［J］．Journal of Information Science and Engineering，2008，24（6）：1788－1820．

［12］ LIEN C C，WANG C C．An effective prefetching technique for location－based services with PPM ［C］//Proceedings of the 9th Joint Conference on Information Sciences．DOI：10．2991/jcis．2006．221．

［13］ XUE Jiansheng，CHENG Zi'ao，SUN Xin．A distribution technology based on segmentation prefetching and pipelining in classified streaming media service［C］//Proceedings of International Conference on Multimedia Technology．Washington，D．C．，USA：IEEE Computer Society，2010．

［14］ KRISHNAPPA D K M，KHEMMARAT S，GAO Lixin，et al．On the feasibility of prefetching and caching for online TV services：a measurement study on hulu［C］//Proceedings of the 12th International Conference on Passive and Active Measurement． Berlin，Germany：Springer－Verlag，2011：72－80．

［15］ LI Haibo，ZHAN Dechen，XU Xiaofei．Dynamic component prefetching method for workflow management system［J］．Chinese Journal of Computers，2012，35（5）：1038－1045（in Chinese）．［李海波，戰(zhàn)德臣，徐曉飛．面向工作流管理系統(tǒng)的動態(tài)構(gòu)件預取方法［J］．計算機學報，2012，35（5）：1038－1045．］

［16］ LI Haibo．Workflow management system oriented multigranularity component organization［J］．China Mechanical Engineering，2011，22（16）：1942－1948（in Chinese）．［李海波．面向工作流管理系統(tǒng)的多粒度構(gòu)件組織技術(shù)［J］．中國機械工程，2011，22（16）：1942－1948．］

［17］ ZHANG Zhili，QI Deyu．Study on the key techinques of Web accelerating［D］．Guangzhou：South China University of Technology，2006（in Chinese）．［張志立，齊德顯．Web加速關(guān)鍵技術(shù)研究［D］．華南理工大學，2006．］