張祥平，劉建勛，肖巧翔，石敏，曹步清

?

基于LDA和模糊均值的Web服務(wù)多功能聚類

張祥平，劉建勛，肖巧翔，石敏，曹步清

(湖南科技大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，知識(shí)處理與網(wǎng)絡(luò)化制造湖南省普通高校重點(diǎn)實(shí)驗(yàn)室，湖南 湘潭，411201)

基于Web服務(wù)發(fā)現(xiàn)方法通常是將Web服務(wù)聚在某一個(gè)固定的功能類中，導(dǎo)致該Web服務(wù)的其余功能特性被忽略，Web服務(wù)的資源利用率降低的問題，提出一種基于LDA和模糊C均值的Web服務(wù)多功能聚類方法。首先，從ProgrammableWeb.com網(wǎng)站上爬取Web服務(wù)數(shù)據(jù)，并抽取Web服務(wù)描述文檔；其次，使用LDA主題模型對(duì)Web服務(wù)描述文檔進(jìn)行建模，獲得包含不同功能信息的文檔主題矩陣；最后，在文檔主題矩陣上使用模糊均值算法將Web服務(wù)聚類到不同的功能類中，完成Web服務(wù)的多功能聚類。研究結(jié)果表明：Web服務(wù)的多功能特性切實(shí)提高了服務(wù)發(fā)現(xiàn)的精度。

Web服務(wù)；模糊均值算法；LDA主題模型；Web服務(wù)發(fā)現(xiàn)

Web服務(wù)是一種依賴于互聯(lián)網(wǎng)的應(yīng)用系統(tǒng)，是由組織機(jī)構(gòu)發(fā)布的完成一定功能的在線應(yīng)用服務(wù)，其他使用者能夠通過Internet來訪問并使用[1]。隨著Web服務(wù)數(shù)量的快速增大，通過基于Web服務(wù)的應(yīng)用，如服務(wù)發(fā)現(xiàn)[2?3]、服務(wù)組合[4?5]等來管理Web服務(wù)就顯得十分必要。對(duì)Web服務(wù)進(jìn)行聚類是一種促進(jìn)Web服務(wù)發(fā)現(xiàn)的有效手段，能夠有效地提高Web服務(wù)搜索引擎的搜索能力[6?7]。在用戶搜索Web服務(wù)時(shí)，通常是鍵入自己需要的功能名稱，搜索引擎通過用戶請(qǐng)求的多個(gè)功能，在具有與這些功能相似的功能簇中選擇滿足用戶功能需求的Web服務(wù)，在功能簇中進(jìn)行查找將有效地降低Web服務(wù)的搜索空間。已有研究表明，Web服務(wù)的標(biāo)簽是Web服務(wù)功能的概括說明[8],可以利用標(biāo)簽對(duì)Web服務(wù)進(jìn)行功能劃分。API結(jié)構(gòu)如圖1所示，該API具有5個(gè)標(biāo)簽，這表明該API具有5種不同的功能。若按照傳統(tǒng)的聚類方法，則只能發(fā)現(xiàn)該API的1個(gè)功能“Tools”，而其余的如“3D”和“Visualizations”等功能就無法被發(fā)現(xiàn)，無法被利用。在Web服務(wù)聚類及發(fā)現(xiàn)中，這將造成很大的資源浪費(fèi)。

圖1 API結(jié)構(gòu)圖

目前關(guān)于Web服務(wù)聚類的研究可以歸納為3類：基于功能屬性的Web服務(wù)聚類研究[9]；基于非功能屬性的Web聚類研究[10?11]；對(duì)于現(xiàn)有的Web服務(wù)聚類算法進(jìn)行改進(jìn)的研究[12?13]。其中，基于功能屬性的Web服務(wù)聚類能夠提高Web服務(wù)搜索引擎的能力?；诠δ芟嗨贫鹊腤eb服務(wù)聚類方法[6?7]，首先從WSDL文檔中抽取Web服務(wù)的關(guān)鍵特征，通過計(jì)算Web服務(wù)之間的余弦相似度等方法計(jì)算Web服務(wù)之間的相似性。LIU等[14]提出從Web服務(wù)描述文本中提取出內(nèi)容、上下文、主機(jī)名和服務(wù)名這4個(gè)特征實(shí)現(xiàn)Web服務(wù)聚類。POP等[15]提出使用基于蟻群的方法，用于基于語義相似度的Web服務(wù)聚類；黃興等[16]結(jié)合Mashup服務(wù)的描述文檔和相應(yīng)標(biāo)簽，提出一種基于Mashup服務(wù)相似性的K-Means算法進(jìn)行服務(wù)聚類。此外，基于非功能屬性的Web服務(wù)聚類研究主要考慮Web服務(wù)的質(zhì)量(QoS，即quality of service)，通常使用到的QoS包括吞吐量、可用性、執(zhí)行時(shí)間等。但是，這些工作沒有利用到Web服務(wù)的多個(gè)標(biāo)簽，而僅僅是將Web服務(wù)固定地分到1個(gè)功能類中，忽略了Web服務(wù)的多功能特性。實(shí)際上，Web服務(wù)的標(biāo)簽就體現(xiàn)了它的功能屬性，而多個(gè)標(biāo)簽正好表征了Web服務(wù)的多功能特性?；诖?，本文提出一種Web服務(wù)多功能聚類方法，通過將LDA模型與模糊均值算法進(jìn)行結(jié)合，實(shí)現(xiàn)對(duì)Web服務(wù)的多功能劃分。

1 方法介紹

1.1 LDA主題模型

LDA由BLEI等[17]提出的一種主題生成模型，是一種非監(jiān)督的機(jī)器學(xué)習(xí)算法。LDA可以將每篇文檔屬于的主題以概率分布的形式給出，能夠用于識(shí)別大規(guī)模文本中隱含的主題信息。它是1個(gè)多層的概率模型，包含詞、文檔和主題3層結(jié)構(gòu)。LDA假設(shè)詞由1個(gè)主題混合產(chǎn)生，同時(shí)，每個(gè)主題是在固定詞表上的一個(gè)多項(xiàng)式分布，這些主題由集合中的所有文檔共享。

圖2 LDA主題模型的盤子表示法

LDA的主要作用是推斷出每一個(gè)Web服務(wù)描述文檔的主題分布，所有Web服務(wù)描述文檔的主題分布矩陣可以被用于Web服務(wù)聚類。

1.2 模糊C聚類

模糊聚類是監(jiān)督機(jī)器學(xué)習(xí)的一種，它來源于模糊理論。在經(jīng)典集合論中，論域中的某一元素，要么完全屬于某集合，要么完全不屬于[19]，兩者必居其一，元素之間的分類有清晰的分界，但這并不能很好地反映數(shù)據(jù)點(diǎn)與類中心的實(shí)際關(guān)系。這是因?yàn)樵诂F(xiàn)實(shí)世界，1個(gè)對(duì)象只是在某一個(gè)程度上屬于某一個(gè)簇[20]。比如1個(gè)Web服務(wù)就會(huì)有多個(gè)功能標(biāo)簽，固定地把1個(gè)Web服務(wù)分到某一個(gè)功能標(biāo)簽中，則會(huì)忽略其他功能標(biāo)簽所表征的Web服務(wù)多功能特性，因此，采用模糊均值聚類算法來計(jì)算得到每個(gè)Web服務(wù)屬于某個(gè)功能標(biāo)簽的程度。模糊均值聚類能夠把個(gè)向量(=1，2，…，)劃分到人為指定的個(gè)模糊簇中，并且生成隸屬度矩陣。隸屬度矩陣用于表示每一個(gè)向量屬于某個(gè)簇的概率。模糊均值的主要思想是使得類間的數(shù)據(jù)差別盡可能的大，類內(nèi)之間的數(shù)據(jù)差別盡可能小。模糊均值聚類算法在目標(biāo)函數(shù)中增加了模糊因子，用于控制模糊類間的分享程度，當(dāng)=1時(shí)，模糊聚類就退化成k-means聚類。其目標(biāo)函數(shù)[21]為

其中：(x，v)為x與v之間的距離，本文采用余弦距離作為每個(gè)Web服務(wù)到聚類中心服務(wù)的距離。通過使目標(biāo)函數(shù)值達(dá)到最小來滿足其主要思想，下面給出聚類中心和隸屬度更新規(guī)則：

其中：={1，2，3，…，v}，表示聚類中心點(diǎn)集；=[u]×，為隸屬度矩陣。

模糊聚類算法流程如下。

第1步：隨機(jī)初始隸屬度矩陣，初始化聚類中心，初始化點(diǎn)間距離。

第2步：計(jì)算聚類中心。

第3步：更新隸屬度矩陣。

第4步：檢查是否滿足迭代結(jié)束條件，若滿足，則結(jié)束迭代，否則轉(zhuǎn)到第2步。

通過上述算法流程，可以獲得隸屬度矩陣用于Web服務(wù)的多標(biāo)簽分類。

2 實(shí)驗(yàn)步驟

本文提出的方法總體框架如圖3所示。從ProgrammableWeb.com網(wǎng)站上爬取的數(shù)據(jù)包含了Web服務(wù)的描述文檔以及它們的標(biāo)簽信息。首先，對(duì)獲得的Web服務(wù)的描述文檔進(jìn)行預(yù)處理，得到預(yù)處理后的描述文檔。接著，采用LDA主題模型訓(xùn)練得到每一個(gè)Web服務(wù)預(yù)處理描述文檔的文檔主題分布向量。將獲得的向量進(jìn)行模糊聚類，進(jìn)而完成對(duì)Web服務(wù)的多功能聚類。

圖3 本文方法總體框架

2.1 文本預(yù)處理

Web服務(wù)的開發(fā)者在上傳該Web服務(wù)時(shí)會(huì)添加對(duì)該服務(wù)的功能描述文檔。Web服務(wù)的描述文本描述了該Web服務(wù)的全部功能。根據(jù)Web服務(wù)的描述文檔，對(duì)Web服務(wù)進(jìn)行多功能分類。由于有些詞條含有大量的無用信息，為了提高文本聚類的精確度，首先對(duì)描述文檔進(jìn)行預(yù)處理。

預(yù)處理主要包含以下幾個(gè)步驟。

1) 文本數(shù)據(jù)的獲取與整理：從ProgramableWeb.com上爬取了12 919個(gè)Web服務(wù)以及它們的描述文檔。對(duì)這些文檔進(jìn)行切割，使得每個(gè)文本文件只包含1個(gè)Web服務(wù)的描述文檔。

2) 文本令牌化(tokenize)：將單詞按照空格進(jìn)行分詞，并且將標(biāo)點(diǎn)符號(hào)與單詞分開。這里使用的是python中的自然語言處理工具包NLTK(Natural Language Toolkit)進(jìn)行處理[22]。

3) 過濾停用詞(stop words)：英文中有很多無效的詞以及標(biāo)點(diǎn)符號(hào)，如“a”，“to”和“，”，這些沒有實(shí)際意義的詞或符號(hào)被稱為停用詞。本文使用NLTK中自帶的停用詞表用于去除停用詞。

4) 詞干化處理(stemming)：在英文中，同一個(gè)單詞會(huì)因?yàn)闀r(shí)態(tài)、人稱的不同而有不同的表現(xiàn)形式，如“provide”，“providing”和“provides”，它們實(shí)際上都是同一個(gè)單詞“provide”，若將這些單詞看作是不同的單詞，那么之后的實(shí)驗(yàn)結(jié)果準(zhǔn)確度將會(huì)降低。故需要進(jìn)行詞干化處理。

通過以上4個(gè)步驟，可獲得WSDL文檔中有意義的詞語，之后對(duì)這些處理過的文檔使用LDA模型進(jìn)行主題建模。

2.2 LDA(latent dirichlet allocation)主題建模

2.3 主題向量隸屬度矩陣計(jì)算

若只給第1個(gè)Web服務(wù)打上2個(gè)標(biāo)簽，那么需要在隸屬度矩陣中找到該Web服務(wù)所屬概率最大的前兩個(gè)簇。由圖4可以知道：第1個(gè)Web服務(wù)有0.4的概率屬于第2個(gè)簇，有0.12的概率屬于第1個(gè)簇，有0.04的概率屬于第個(gè)簇。這個(gè)Web服務(wù)的標(biāo)簽就是簇2和3的隱含主題。

圖4 隸屬度矩陣

3 實(shí)驗(yàn)評(píng)估

3.1 數(shù)據(jù)集描述

為了評(píng)估提出的方法，于2016?10—2016?11，從ProgrammableWeb.com網(wǎng)站上供爬取12 919個(gè)Web服務(wù)的信息。包括Web服務(wù)名稱、描述文檔、擁有標(biāo)簽類型等信息。詳細(xì)的統(tǒng)計(jì)信息見表1。

表1 API統(tǒng)計(jì)信息

在爬取的數(shù)據(jù)中，標(biāo)簽為“Tools”的API就有790個(gè)，而標(biāo)簽為“Law”僅僅包含了1個(gè)API。因此，選取了標(biāo)簽數(shù)量最多的前十類Web服務(wù)，共計(jì)4 351個(gè)Web服務(wù)用于實(shí)驗(yàn)，詳細(xì)的API分布情況見表2。

表2 數(shù)量最多的前十類Web服務(wù)標(biāo)簽分布

3.2 評(píng)估標(biāo)準(zhǔn)

(5)

(6)

所有描述文檔的平均準(zhǔn)確率與平均召回率為：

采用來反映方法的綜合性能：

3.3 對(duì)比方法

本文采用LDA主題模型與本文方法進(jìn)行比較。

LDA方法：對(duì)Web服務(wù)的描述文本進(jìn)行建模，得到每個(gè)Web服務(wù)描述文本的文檔主題分布向量，根據(jù)最大的前個(gè)主題概率將Web服務(wù)進(jìn)行主題劃分。

LDA-FCM方法：即本文所提方法。對(duì)LDA生成的每個(gè)文檔的文檔?主題向量使用FCM算法，計(jì)算出其隸屬度矩陣。根據(jù)隸屬度矩陣對(duì)Web服務(wù)進(jìn)行劃分主題。

在實(shí)驗(yàn)中，首先進(jìn)行2種方法的聚類性能比較；之后，在LDA-FCM方法中，通過調(diào)整模糊因子來找到其最優(yōu)值用于Web服務(wù)聚類。

3.4 實(shí)驗(yàn)結(jié)果

3.4.1 模糊因子對(duì)Web服務(wù)聚類的影響

在LDA-FCM方法中，為了找出最佳的模糊因子[23]，設(shè)置了一組實(shí)驗(yàn)，在主題數(shù)=100的情況下，獲得對(duì)Web服務(wù)聚類的影響。這里取間隔為0.1。圖5表示在不同時(shí)LDA-FCM方法的分布情況。從圖5可以看出：當(dāng)=2.0時(shí)，最高；隨著遠(yuǎn)離2.0，大致呈逐漸降低的趨勢。因此，在LDA-FCM方法中，取=2.0，以期獲得較好的實(shí)驗(yàn)效果。

圖5 在k=100的情況下，m對(duì)實(shí)驗(yàn)結(jié)果的影響

3.4.2 聚類性能比較

將LDA預(yù)先設(shè)定的主題數(shù)設(shè)置為20，40，60，80和100，迭代次數(shù)=1 000。同時(shí)，LDA模型中的先驗(yàn)參數(shù)和根據(jù)主題數(shù)來設(shè)定，=50/，=0.1。模糊聚類中的模糊因子，取之前獲得最佳值=2，聚類簇個(gè)數(shù)=。對(duì)于每一個(gè)值，進(jìn)行了100次模糊聚類實(shí)驗(yàn)，以降低初始點(diǎn)選取對(duì)聚類結(jié)果的影響。

圖6所示為2種方法的準(zhǔn)確率。從圖6可以看出：LDA-FCM在同一主題數(shù)下的準(zhǔn)確率比LDA方法的高。這是因?yàn)楸痉椒紤]了Web服務(wù)的多功能性，較好地識(shí)別出Web服務(wù)的多種功能。并且隨著主題數(shù)增加，每種方法的準(zhǔn)確率都會(huì)上升。這是因?yàn)橹黝}數(shù)越多，劃分出的簇類包含的領(lǐng)域就越精確。聚類召回率隨主題數(shù)的變化見圖7。從圖7可見：在同一主題下LDA-FCM方法的召回率也比LDA方法的高，這說明LDA-FCM方法比LDA方法能夠發(fā)現(xiàn)出更多的有用的Web服務(wù)標(biāo)簽并達(dá)到更精準(zhǔn)的聚類效果。

1—LDA；2—LDA+FCM。

1—LDA；2—LDA+FCM。

隨主題數(shù)的變化見圖8。從圖8可以看出：在同一主題數(shù)下，LDA-FCM方法的綜合效果也要優(yōu)于LDA方法的綜合效果。

1—LDA；2—LDA+FCM。

4 結(jié)論

1) 針對(duì)當(dāng)前Web服務(wù)聚類算法不能實(shí)現(xiàn)Web服務(wù)的多功能聚類問題，提出一種基于LDA模型和模糊均值算法的Web服務(wù)多功能聚類方法。該方法首先使用LDA模型對(duì)Web服務(wù)文檔進(jìn)行主題建模；然后，計(jì)算Web服務(wù)與各個(gè)功能之間的隸屬度矩陣，并根據(jù)隸屬度矩陣對(duì)其功能進(jìn)行劃分。

2) 本文方法能夠更有效地發(fā)現(xiàn)Web服務(wù)的多種功能特性，提高Web服務(wù)發(fā)現(xiàn)的精度。

在下一步工作中，擬將Word2Vec與LSTM神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，對(duì)Web服務(wù)文檔進(jìn)行建模，以進(jìn)一步提高Web服務(wù)多功能分類的準(zhǔn)確性。

[1] STANCULEA L. Service Oriented Architecture[J]. Wiley Interdisciplinary Reviews: Computational Statistics, 2009, 1(1): 101?105.

[2] NAYAK R, LEE B. Web service discovery with additional semantics and clustering[C]//IEEE/WIC/ACM International Conference on Web Intelligence. Fremont, CA: IEEE, 2007: 555?558.

[3] ZHANG Xizhe, YIN Ying, ZHANG Mingwei, et al. Web service community discovery based on spectrum clustering[C]//International Conference on Computational Intelligence and Security. Beijing, China: IEEE Computer Society, 2009: 187?191.

[4] ZHANG Liangjie, LI Bing. Requirements driven dynamic services composition for Web services and grid solutions[J]. Journal of Grid Computing, 2004, 2(2): 121?140.

[5] DUSTDAR S, SCHREINER W. A survey on web services composition[J]. International Journal of Web & Grid Services, 2005, 1(1): 1?30.

[6] CHEN Liang, HU Liukai, ZHENG Zibin, et al. WTCluster: Utilizing Tags for Web Services Clustering[C]// International Conference on Service-Oriented Computing. Paphos, Cyprus: Springer-Verlag, 2011: 204?218.

[7] ELGAZZAR K, HASSAN A E, MARTIN P. Clustering WSDL Documents to Bootstrap the Discovery of Web Services. IEEE International Conference on Web Services. Washington D C, USA: IEEE Computer Society, 2010: 147?154.

[8] 石磊, 謝濤, 曹仰杰. 基于語義相似度與信息量的Web服務(wù)標(biāo)簽優(yōu)化[J]. 小型微型計(jì)算機(jī)系統(tǒng), 2015, 36(6): 1153?1157. SHI Lei, XIE Tao, CAO Yangjie. Web service tags optimization based on semantic similarity and quantity of information[J]. Journal of Chinese Computer Systems, 2015, 36(6): 1153?1157.

[9] CAO Buqing, LIU Xiaoqing, LI Bing, et al. Mashup service clustering based on an integration of service content and network via exploiting a two-level topic model[J]. IEEE International Conference on Web Services. San Francisco, USA: IEEE, 2016: 212?219.

[10] ZHANG Meng, LIU Xudong, ZHANG Richong, et al. A Web service recommendation approach based on QoS prediction using fuzzy clustering[C]//IEEE Ninth International Conference on Services Computing. Honolulu, USA: IEEE Computer Society, 2012: 138?145.

[11] ZHU Jieming, KANG Yu, ZHENG Zibin, et al. A Clustering-based QoS prediction approach for Web service recommendation. international symposium on object/component/ service-oriented real-time distributed computing workshops[J]. Shenzhen, China: IEEE Computer Society, 2012: 93?98.

[12] PLATZER C, ROSENBERG F, DUSTDAR S. Web service clustering using multidimensional angles as proximity measures[M]. New York, USA: ACM, 2009: 1?11.

[13] SUKUMAR A S S, LOGANATHAN J, GEETHA T. Clustering web services based on multi-criteria service dominance relationship using Peano Space filling curve[C]//International Conference on Data Science & Engineering. Washington D C, USA: IEEE, 2012: 13?18.

[14] LIU W, WONG W. Web service clustering using text mining techniques[J]. International Journal of Agent-Oriented Software Engineering, 2009, 3(1): 6?26.

[15] POP C B, CHIFU V R, SALOMIE I, et al. Semantic Web service clustering for efficient discovery using an ant-based method[M]. Intelligent Distributed Computing IV. Berlin, Heidecberg: Springer, 2010: 23?33.

[16] 黃興, 劉小青, 曹步清, 等. 融合K-Means與Agnes的Mashup服務(wù)聚類方法[J]. 小型微型計(jì)算機(jī)系統(tǒng), 2015, 36(11): 2492?2497. HUANG Xing, LIU Xiaoqing, CAO Buqing, et al. MSCA: Mashup service clustering approach integrating K-means and agnes algorithms[J]. Journal of Chinese Computer Systems, 2015, 36(11): 2492?2497.

[17] BLEI D M, NG A Y, JORDAN M I. Latent dirichlet allocation[J]. Journal of Machine Learning Reserach, 2003, 3(3): 993?1022.

[18] AZNAG M, QUAFAFOU M, ROCHD E M, et al. Probabilistic topic models for web services clustering and discovery[C]// ESOCC. Berlin, Heidelberg: Springer-Verlag, 2013: 19?33.

[19] 張敏, 于劍. 基于劃分的模糊聚類算法[J]. 軟件學(xué)報(bào), 2004, 15(6): 858?868. ZHANG Min, YU Jian. Fuzzy partitional clustering algorithms[J]. Journal of Software, 2004, 15(6): 858?868.

[20] HASAN M H, JAAFAR J, HASSAN M F. Development of web services fuzzy quality models using data clustering approach[J]. Lecture Notes in Electrical Engineering, 2014, 285: 631?640.

[21] GHOLAMZADEH N, TAGHIYAREH F, SHAKERY A. Fuzzy clustering for semantic web services discovery based on ontology[J]. International Journal of Information & Communication Technology, 2010, 2(3): 1?8.

[22] LOPER E, BIRD S. NLTK: the natural language toolkit[C]//Proceedings of the ACL Workshop on Effective Tools and Methodologies for Teaching Natural Language Processing and Computational Linguistics. Philadelphia, USA, 2002: 17?21.

[23] 高新波, 裴繼紅, 謝維信. 模糊c-均值聚類算法中加權(quán)指數(shù)m的研究[J]. 電子學(xué)報(bào), 2000, 28(4): 80?83. GAO Xinbo, PEI Jihong, XIE weixin. A study of weighting exponent m in a fuzzy c-means algorithm[J]. Chinese Journal of Electronics, 2000, 28(4): 80?83.

Web services clustering with multi-functionality based on LDA and fuzzy-means algorithm

ZHAGN Xiangping, LIU Jianxun, XIAO Qiaoxiang, SHI Min, CAO Buqing

(Key Laboratory of Knowledge Processing & Networked Manufacturing of Hunan Province, School of Computer Science and Engineering, Hunan University of Science & Technology, Xiangtan 411201, China)

Considering that Web service discovery usually classifies Web service into one fixed cluster, which neglects other important function attributions of the Web service, a Web services clustering method with multi-functionality was proposed based on LDA and fuzzy c-means algorithm. The method firstly crawled Web services from ProgrammableWeb.com and extracted the description document of them. Then LDA was used to model the description documents of Web services, and the document-topic matrix which contained different functional information was obtained. Finally, they were clustered into various clusters with similar functionality by exploiting fuzzy-means algorithm. The results show that the multifunctionality of Web services effectively improve the accuracy of Web services discovery.

Web services; fuzzy C-means algorithm; LDA topic model; Web services discover

10.11817/j.issn.1672?7207.2018.12.012

TP301

A

1672?7207(2018)12?2986?07

2018?01?12；

2018?03?21

國家自然科學(xué)基金資助項(xiàng)目(61872139，61873316，61572187，61702181)；湖南省自然科學(xué)基金資助項(xiàng)目(2017JJ2098，2018JJ2136)(Projects(61872139, 61873316, 61572187, 61702181) supported by the National Natural Science Foundation of China; Projects(2017JJ2098, 2018JJ2136) supported by the Natural Science Foundation of Hunan Province)

劉建勛，教授，博士生導(dǎo)師，從事服務(wù)計(jì)算與云計(jì)算、工作流管理的理論與應(yīng)用的研究；E-mail：ljx529@gmail.com

(編輯 陳燦華)