李　智　徐展琦　丁　喆　趙國強

(西安電子科技大學綜合業(yè)務網(wǎng)理論及關鍵技術國家重點實驗室　陜西 西安 710071)

0　引　言

隨著互聯(lián)網(wǎng)科技與大數(shù)據(jù)技術席卷全球，新型網(wǎng)絡應用不斷興起，網(wǎng)絡流量呈爆炸式增長，網(wǎng)絡中的流量行為趨向復雜化、多元化，亟需加深對網(wǎng)絡流量行為模式的認知。業(yè)務源模型通過對真實網(wǎng)絡流量的模擬，刻畫實際流量的突出特性，是一種能夠?qū)嶋H網(wǎng)絡流量進行數(shù)學分析研究而設計出的數(shù)學模型。其對網(wǎng)絡的設計規(guī)劃、網(wǎng)絡性能評價、流量預測及準入控制等都有重要的研究意義和作用。傳統(tǒng)業(yè)務源描述方法通過建立諸如泊松模型、時序模型和小波模型等不同的數(shù)學模型，描述業(yè)務源的流量特征[1]。已有業(yè)務源模型相關研究主要是針對某類具體問題如流量預測問題，建立特定業(yè)務源模型并提出具體算法以解決相應問題[2]，缺乏從宏觀角度對業(yè)務源模型進行整體描述的研究，難以形成一個相對完整的知識庫，不利于其知識共享與重用。

知識表示將知識以計算機可理解的方式存儲并使用，是形成相應知識庫的前提，傳統(tǒng)的知識表示方法主要包括框架表示法、一階謂詞邏輯表示法和產(chǎn)生式表示法等。此類方法很難表示復雜知識，改進的知識表示方法主要有語義網(wǎng)表示法和本體表示法[3]。其中本體表示法可用于描述對象的深層語義，形成的知識具有清晰的概念層次結構和可視化的展示界面，并支持語義層面的邏輯推理，能有效提高知識重用效率。本體表示法已成功被應用于多個領域，國外已實現(xiàn)并投入使用的大型本體有：Cyc[4]、WordNet[5]和UMLS[6]等。Cyc的目標是建立一個完整的人類常識知識庫；WordNet是一種基于認知語言學的英語詞典，能夠按照單詞語義將其組成一個“單詞的網(wǎng)絡”以支持自動的文本分析和其他人工智能應用；UMLS利用本體技術實現(xiàn)對生物醫(yī)學領域詞匯的匯編。鐘秀琴等[7]國內(nèi)研究者研究了基于本體的幾何學知識獲取，為幾何學專家系統(tǒng)、信息檢索等領域提供智能基礎；文獻[8]提出基于領域本體的文獻標注算法，通過融合站點間的數(shù)據(jù)，構建游戲領域本體；史云放等[9]利用本體將語義特征引入網(wǎng)絡電子學習資源庫模型構建中，提高資源庫檢索的查全率和查準率。文獻[10]針對當前工業(yè)消防領域存在大量異構信息的問題，采用本體技術建立一種標準化格式的異構信息知識庫。目前，鮮有學者將本體應用于網(wǎng)絡業(yè)務源模型的知識表示與建模。

本文從知識表示的角度出發(fā)，將本體應用于業(yè)務源模型領域知識的形式化描述，構建了業(yè)務源模型本體TSMO(Traffic Source Models Ontology)。首先，本文提取并分析了業(yè)務源模型領域的核心概念及相關屬性，基于OWL構建TSMO；其次，以TSMO為數(shù)據(jù)源，利用本體查詢語言SPARQL(Simple Protocol and RDF Query Language)和本體推理機，并同時結合具體應用場景，對所建本體進行各類知識檢索與推理，驗證所建本體的實用性；最后，在所建本體基礎上設計開發(fā)了業(yè)務員模型智能信息檢索系統(tǒng)，在驗證所建本體的合理性和通用性的同時，為研究者和用戶提供了一個業(yè)務源模型領域知識服務語義平臺。

1　業(yè)務源模型本體構建

1.1　本體知識概述

本體是共享概念的明確形式化規(guī)范說明[11]，通過規(guī)范化描述概念、屬性及其相互關系，形成某一領域的基本知識體系，建立領域內(nèi)的語義基礎，為某個領域或領域間的實際應用提供便利。從知識工程的角度來說,本文設計的業(yè)務源模型領域本體指的是網(wǎng)絡業(yè)務源模型的本體知識描述，包含業(yè)務源模型領域中的術語、術語之間的關系、屬性及規(guī)則等。

為了將所建本體以計算機可理解的方式存儲，提升知識庫的可用性，需采用資源描述框架RDF(Resource Description Language)[12]與OWL[13]相結合的方式對其進行形式化描述。RDF是一種聲明語言，在應用中支持基于推理的知識發(fā)現(xiàn)而不是全文匹配檢索。例如，短相關模型具有對象屬性目標節(jié)點且泊松模型是其子類，上述知識可用如下RDF語言形式化描述：

ShortCorrelationModel

Destination Node

Poisson Model

OWL是W3C推薦的本體描述語言標準，擁有更多機制來描述對象和表達語義，支持RDF語法，添加了更多用于描述屬性和概念的詞匯。如類型之間的不相交性(Disjointwith)和基數(shù)(Cardinality)等，同時使用描述邏輯(Description Logic)增強其推理能力。

為了深化用戶對領域知識的認知，本文利用RDF三元組將知識以直觀的形式展現(xiàn)給用戶。RDF三元組由資源、屬性及屬性值構成，可用圖形方式展示。圖1為RDF三元組的一個示例，它表示ShortCorrelationModel是TrafficSourceModel的一個子類且與短相關模型等價。

圖1　RDF三元組示例

根據(jù)以上定義及分析，本文使用Protégé 4.2[14]作為本體編輯工具，主要作用在于描述目標領域內(nèi)概念、屬性和它們之間的關系。Protégé 4.2不僅支持本體開發(fā)，還提供可擴展的應用程序接口API，用于訪問并獲取OWL所描述的本體信息，多用于本體查詢與檢索。Protégé 4.2的文件輸出格式可以定制，可以將構建的本體轉(zhuǎn)換成以RDF和OWL為描述語言的文件表示格式。

1.2　本體構建方法

目前，大多數(shù)本體編輯采用手工方式，各個本體開發(fā)組開發(fā)原則、設計標準和定義方法都有區(qū)別。比較常用的本體構建工程思想有骨架法、TOVE企業(yè)建模法、Methontology方法、IDEF-5方法和七步法[15]等。本文通過分析傳統(tǒng)的本體構建七步法形成如圖2所示的改進的七步法構建TSMO。

圖2　改進的本體開發(fā)七步法

1.3　本體評估

本體評估[16]是本體開發(fā)過程的重要環(huán)節(jié)，主要是指運用科學的方法，遵循統(tǒng)一的標準和特定的指標體系，對本體的建設理念、應用需求、概念組織、功能設計和實際運行情況等進行綜合測評的過程和方法。為了保證業(yè)務源模型本體的構建質(zhì)量，實現(xiàn)對本體的有效管理和維護，本文主要通過本體構建過程的規(guī)范性，實現(xiàn)所建本體的合理性和通用性，具體如下：

(1) 在抽取構建本體所需的概念和屬性階段，參考業(yè)務源模型領域的統(tǒng)一標準，通過RDF三元組的形式展示領域內(nèi)的相關概念和概念之間的關系，保證概念的一致性和通用性。

(2) 在使用Protégé構建本體模型階段，采用FaCT++推理機對本體概念和屬性進行一致性和包含性檢測，對本體中的實例進行沖突檢測，確保所建本體模型的一致性和有效性。

(3) 在本體的應用階段，基于所建本體設計開發(fā)相關語義系統(tǒng)服務平臺，從而進一步驗證本體的可靠性和實用性。

1.4　業(yè)務源模型本體

業(yè)務源模型指以網(wǎng)絡流量的重要特性為出發(fā)點，為了刻畫實際流量的突出特性，同時進行數(shù)學上的理論分析研究而設計出的數(shù)學模型。它提供對網(wǎng)絡業(yè)務源特性簡明抽象化的描述,能明確量化表示網(wǎng)絡流量。按照流量時域相關性特點，業(yè)務源模型可分為兩大類：短相關模型和長相關模型，前者產(chǎn)生的流量通常在時域上僅具有短相關性，隨著時間分辨率的降低，網(wǎng)絡流量將趨于一個恒定值，即流量的突發(fā)性得到緩和；后者則在時域上具有長相關性，即自相似特性[17]。也可根據(jù)模型平穩(wěn)性將其分為寬平穩(wěn)流量模型和嚴平穩(wěn)流量模型。

根據(jù)改進的本體構建七步法，構建TSMO首先要確定復用現(xiàn)有本體的可能性，目前還沒有現(xiàn)成的業(yè)務源模型領域本體。然后需羅列出業(yè)務源模型中的關鍵概念，這些關鍵概念取自業(yè)務源模型產(chǎn)生、模擬及應用的相關領域。如圖3所示，為利用RDF三元組構建的業(yè)務源模型類結構樹，由于篇幅限制，這里只列出了其中的一部分類，通過樹型結構直觀顯示它們之間的繼承關系。根據(jù)本體的可擴展性，其他的類可以方便地添加到已有的類結構樹和已建本體中。Protégé 4.2中的Classes標簽用于創(chuàng)建類。

圖3　部分業(yè)務源模型類結構樹

Protégé 4.2工具中的Object Properties標簽用于創(chuàng)建對象屬性，Data Properties標簽用于創(chuàng)建數(shù)據(jù)屬性。圖4利用RDF三元組顯示了業(yè)務源模型領域的部分屬性結構。

圖4　部分屬性結構圖

不同的屬性約束描述屬性的不同方面，如值類型(String、Number、Boolean及Enumerated等)、允許的取值范圍和值基準等。表1列出了TSMO中的部分屬性及相應的屬性約束。

表1　TSMO部分屬性及屬性約束

最后使用Protégé 4.2的Individuals標簽即可添加具體的實例并賦予對應的屬性值。通過上述步驟，TSMO初步構建完成，利用Protégé 4.2的OWLViz插件可自動生成如圖5所示的本體結構圖。鑒于篇幅，圖中只顯示了TSMO的上層部分。

圖5　TSMO本體結構圖

圖5中Thing是Protégé 4.2內(nèi)置的公共類，是所有類的超類，TSMO的組成如前所述，在此不再贅述。為了將所建本體以計算機可理解的方式存儲，方便后續(xù)的查詢推理，需使用OWL對TSMO進行形式化描述。

圖5所示本體生成的部分OWL代碼如下：

……

……

圖6給出了各種描述語言的語義描述能力和推理能力，其中OWL在上述兩方面能力均表現(xiàn)較好。

圖6　描述語言能力

2　TSMO查詢與推理應用實例

2.1　TSMO查詢

傳統(tǒng)基于關鍵字的查詢未考慮關鍵詞間的語義關系，無法真正理解用戶的查詢請求。本體查詢關注資源對象的語義信息，在概念意義層次上實現(xiàn)語義查詢，克服基于關鍵字查詢的弊端，有效提高查準率和查全率。

SPARQL[18]是一種用于搜索RDF數(shù)據(jù)的數(shù)據(jù)協(xié)議和查詢語言，于2008年成為W3C推薦標準。SPARQL有四種查詢方式SELECT、CONSTRUCT、DESCRIBE和ASK，最常用的是SELECT查詢方式。與結構化查詢語言SQL類似，用于查詢滿足條件的數(shù)據(jù)。RDF可由三元組形式化描述，則SPARQL可通過構建相應的查詢?nèi)M來進行語義查詢。

進行本體查詢前，需給出TSMO的SPARQL查詢前綴，以識別需要查詢的本體。

PREFIX

rdf:

PREFIX

owl:

PREFIX

xsd:

PREFIX

rdfs:

PREFIX

uni:http://www.semanticweb.org/dace/ontologies

/2016/8/TrafficSourceModel#

uni是TSMO中元素的名字空間，rdf、rdfs、xsd、owl為W3C有關定義，下面給出具體本體查詢示例。

2.1.1查詢概念的類

如查詢LongCorrelationModel的子類，圖7為對應SPARQL語句及查詢結果，標簽為SPARQL query的輸入框中為查詢語句，具體如下：

SELECT ?SubClass WHERE

{?SubClassrdfs:subClassof uni:LongCorrelationModel}

圖7　查詢LongCorrelationModel子類

標簽為SubClass的輸出框中為對應的輸出結果，表明長相關模型具有四種子類。

在圖7的查詢示例中，查詢語句均在標簽名為SPARQL query的標簽框內(nèi)，不再贅述。

2.1.2查詢類的實例

如查詢Alpha-BetaOnOffModel的實例，其所包含實例如圖8所示，表明現(xiàn)在Alpha-BetaOnOffModel類中存在兩個實例。圖9為對應SPARQL語句及查詢結果，查詢結果輸出其包含的兩個實例。

圖8　Alpha-BetaOnOffModel實例

圖9　Alpha-BetaOnOffModel實例查詢

上述示例表明，本體能夠?qū)崿F(xiàn)語義層面的查詢，能夠檢索概念之間等價、包含等關系，解決傳統(tǒng)基于關鍵字查詢的不足，實現(xiàn)深度查詢。

2.2　TSMO推理

推理指由給定知識獲取隱含知識的過程，本體推理的本質(zhì)就是在語義層面將隱含在顯式定義和聲明中的知識提取出來，相對于傳統(tǒng)推理方法可實現(xiàn)語義層次的知識發(fā)現(xiàn)。本文利用Protégé 4.2中自帶本體推理機實現(xiàn)本體推理。

本文構建的TSMO采用OWL作為本體描述語言，可采用專用本體推理機，F(xiàn)aCT++[19]基于傳統(tǒng)TabLeaux設計實現(xiàn)不僅具有很高的推理效率而且有突出的檢查效率。故本文使用Protégé 4.2集成的FaCT++作為推理機，基于傳統(tǒng)描述邏輯進行推理。下面給出一個簡單示例，首先定義PoissonModel的幾個實例，然后啟動Reseaoner標簽下的FaCT++推理機實現(xiàn)推理，得到如圖10所示的推理結果。

圖10　推理結果

為說明基于業(yè)務源模型本體的實際應用，現(xiàn)假設有如圖11所示的網(wǎng)絡應用場景。當前網(wǎng)絡中存在業(yè)務A、業(yè)務B和業(yè)務C三個業(yè)務，若業(yè)務A和業(yè)務B屬于泊松模型的兩個實例，而業(yè)務C屬于長相關模型的實例。若研究者在研究過程中需查詢網(wǎng)絡中存在哪些短相關模型，并同時查詢這些業(yè)務源模型的相關參數(shù)，則可以在Protégé中利用FaCT++推理機對所建本體進行推理，推理機由PoissonModel為ShortCorrelationModel子類的給定知識獲取了PoissonModel的實例也屬于ShortCorrelationModel實例的隱含知識。圖10表示推理結果，網(wǎng)絡管理者或研究人員可以根據(jù)此方便管理管理網(wǎng)絡中業(yè)務，同時查詢業(yè)務參數(shù)，為后續(xù)研究提供便利。

圖11　網(wǎng)絡應用場景

綜上，本體推理在語義層面可有效實現(xiàn)關聯(lián)數(shù)據(jù)的鏈接發(fā)現(xiàn)，具有較高的實用價值。

3　業(yè)務源模型本體語義應用系統(tǒng)

基于已構建的業(yè)務源模型領域本體，本文設計開發(fā)了業(yè)務源模型智能信息檢索系統(tǒng)，為研究者和使用者提供相關業(yè)務源模型語義服務。業(yè)務源模型智能信息檢索系統(tǒng)采用Java語言開發(fā)，Web頁面腳本語言選用JSP，后臺服務器選用Tomcat 7.0，OWL本體文件解析推理使用Jena 2.6.3和內(nèi)嵌推理機FaCT++，XML文件的解析使用DOM4J。系統(tǒng)主要設計實現(xiàn)了本體采集、本體擴展與管理、術語檢索和實例查詢等功能。這些功能實現(xiàn)的關鍵技術主要是使用Jena API對OWL本體文件進行語義解析，獲取本體信息并存入相應的數(shù)據(jù)結構，對查詢關鍵詞進行分詞處理，調(diào)用相關SPARQL語句獲取顯性知識，并結合推理機獲取隱性知識。例如，用戶使用查詢關鍵詞“長相關”的查詢結果如圖12所示。查詢結果表明，由于本體在概念之間引入語義特征，從而能夠檢索出相關隱性知識，同時驗證了所建本體的一致性和通用性。

圖12　業(yè)務源模型智能信息檢索系統(tǒng)

4　結　語

本文從知識表示的角度出發(fā)，使用本體作為知識表示工具，探討網(wǎng)絡業(yè)務源模型領域的知識獲取與表示，給出所建本體的概念層次關系和屬性描述。結合新增實例構建一個相對完善的業(yè)務源模型領域本體TSMO，形成業(yè)務源模型的知識庫原型，實現(xiàn)對該領域知識的建模。使用RDF和SPARQL完成對TSMO的子類和實例的語義查詢，結合具體應用場景驗證本體推理的應用價值。最后基于所建本體，設計開發(fā)了業(yè)務源模型智能信息檢索系統(tǒng)，為研究者和使用者提供了一個業(yè)務源模型領域知識服務平臺。

[1] Grimm C, Schlüchtermann G. IP traffic theory and performance[M]. Berlin:Springer, 2008:1-319.

[2] Park D C. Structure optimization of BiLinear Recurrent Neural Networks and its application to Ethernet network traffic prediction[J]. Information Sciences, 2013, 237(13):18-28.

[3] 劉建煒, 燕路峰. 知識表示方法比較[J]. 計算機系統(tǒng)應用, 2011, 20(3): 242-246.

[4] Weikum G, Theobald M. From information to knowledge: harvesting entities and relationships from web sources[C]// Twenty-Ninth ACM Sigmod-Sigact-Sigart Symposium on Principles of Database Systems. ACM, 2010:65-76.

[5] Navigli R,Ponzetteo S P. BabelNet: The automatic construction and application of a wide coverage multilingual semantic network[J]. Artificial Intelligence, 2012, 193(6): 217-250.

[6] Aronson A R. Effective mapping of biomedical text to the UMLS Metathesaurus: the MetaMap program[C]// Proceedings of the AMIA Symposium. 2001:17-21.

[7] 鐘秀琴, 符紅光, 佘莉, 等. 基于本體的幾何學知識獲取及知識表示[J]. 計算機學報, 2010,33(1): 167-174.

[8] 陳小紅, 陳環(huán)環(huán), 方之家, 等. 基于領域本體的游戲攻略文本標注算法研究與實現(xiàn)[J]. 計算機應用與軟件, 2017, 34(2): 80-86.

[9] 史云放, 武東英, 劉勝利, 等. 基于本體的網(wǎng)絡攻防博弈知識庫構建方法研究[J]. 計算機應用研究, 2014, 31(11): 3460-3464.

[10] 張波濤, 代晏, 顧進廣. 面向工業(yè)消防決策的本體構建[J]. 計算機應用與軟件, 2014, 31(3): 31-35.

[11] Hyde D. Vagueness, logic and ontology[M]. Routledge, 2016.

[12] 杜方, 陳躍國, 杜小勇. RDF 數(shù)據(jù)查詢處理技術綜述[J]. 軟件學報, 2013, 24(6): 1222-1242.

[13] W3C. OWL Working Group[EB/OL]. https://www.w3.org/OWL/.

[14] Horridge M, Knublauch H, Rector A, et al. A Practical Guide To Building OWL Ontologies Using The Protégé-OWL Plugin and CO-ODE Tools[M].Berlin: Springer, 2004:3-19.

[15] 劉宇松. 本體構建方法和開發(fā)工具研究[J]. 現(xiàn)代情報, 2009, 29(9): 17-24.

[16] 馬文峰, 杜小勇. 領域本體評價研究[J]. 圖書情報工作, 2006, 50(10): 68-71.

[17] 張賓, 楊家海, 吳建平. Internet流量模型分析與評述[J]. 軟件學報, 2011, 22(1):115-131.

[18] Quilitz B, Leser U. Querying distributed RDF data sources with SPARQL[C]//European Semantic Web Conference. Springer Berlin Heidelberg, 2008: 524-538.

[19] Tsarkov D, Horrocks I. FaCT++ description logic reasoner: System description[C]//International Joint Conference on Automated Reasoning. Springer Berlin Heidelberg, 2006: 292-297.