何宜超，孫 鵬，焦志強(qiáng)，張杰勇，王 衡

(1.空軍工程大學(xué)信息與導(dǎo)航學(xué)院，西安，710077； 2.空裝合肥第一軍代室，合肥，230000)

近年來(lái)，隨著云計(jì)算、虛擬化[1]、云制造[2]等各種新技術(shù)的不斷發(fā)展，軍事網(wǎng)絡(luò)信息體系的開(kāi)放性不斷增加，新型指揮信息系統(tǒng)正朝著“智能與韌性”的方向發(fā)展[3]。在新型指揮信息系統(tǒng)建設(shè)過(guò)程中，作戰(zhàn)資源的整合接入問(wèn)題及新型指揮信息系統(tǒng)的服務(wù)模式問(wèn)題亟待解決。

作戰(zhàn)資源的部署使其地理位置具有特殊性，各層級(jí)資源結(jié)構(gòu)各異，規(guī)模巨大，難以實(shí)現(xiàn)共享與集中管理。為了實(shí)現(xiàn)對(duì)作戰(zhàn)資源的有效利用，使其動(dòng)態(tài)接入網(wǎng)絡(luò)化指揮信息系統(tǒng)，將面向服務(wù)[4]的思想應(yīng)用于系統(tǒng)，需要對(duì)作戰(zhàn)資源解耦合，將其能力映射至服務(wù)，從而實(shí)現(xiàn)對(duì)作戰(zhàn)資源的統(tǒng)一管理?；谏鲜鏊悸?，需要對(duì)大量云服務(wù)進(jìn)行聚類重組，減小作戰(zhàn)資源服務(wù)組織管理對(duì)象的規(guī)模，提高服務(wù)組織效率，同時(shí)為系統(tǒng)敏捷演化提供依據(jù)。

針對(duì)軍事組織中作戰(zhàn)資源的整合管理問(wèn)題，文獻(xiàn)[5]引入了一種以接口匹配作為服務(wù)約束的思想，重點(diǎn)以輸入輸出的形式定義接口，提供了對(duì)云服務(wù)化作戰(zhàn)資源的相關(guān)服務(wù)操作，雖然易于在云協(xié)同中管理云服務(wù)，但定義形成的云服務(wù)規(guī)模大，管理效率低。文獻(xiàn)[6]提出一種面向應(yīng)用的軍事信息服務(wù)規(guī)劃(Application-Oriented Military Information Service Planning, AOMISP)，將軍事應(yīng)用抽象成服務(wù)，并通過(guò)PASW statistics軟件對(duì)作戰(zhàn)資源按功能屬性聚類，但聚類方法較簡(jiǎn)易，聚類效果一般。文獻(xiàn)[7]基于SOA架構(gòu)提出了新型工業(yè)制造理念——云制造，將制造資源服務(wù)化，以網(wǎng)絡(luò)平臺(tái)和云服務(wù)架構(gòu)為基礎(chǔ)，完成資源的虛擬及整合，文獻(xiàn)[8～9]對(duì)實(shí)現(xiàn)云制造的關(guān)鍵技術(shù)進(jìn)行了研究，實(shí)現(xiàn)了制造資源云服務(wù)化。

就資源服務(wù)化而言，對(duì)其形成的云服務(wù)應(yīng)進(jìn)行描述以實(shí)現(xiàn)系統(tǒng)的機(jī)器互識(shí)。目前已有關(guān)于對(duì)服務(wù)進(jìn)行語(yǔ)義描述的研究。文獻(xiàn)[10]提出了一種新型服務(wù)描述模型，以動(dòng)態(tài)描述的思路對(duì)傳統(tǒng)方式進(jìn)行改進(jìn)，并對(duì)服務(wù)進(jìn)行模型化處理，使其能作為動(dòng)態(tài)資源接入計(jì)算系統(tǒng)。

對(duì)于資源進(jìn)行服務(wù)建?？梢哉J(rèn)為是一種池化過(guò)程。對(duì)于大規(guī)模的服務(wù)池，文獻(xiàn)[11]利用遺傳K-means算法對(duì)服務(wù)池進(jìn)行聚類處理，在結(jié)合遺傳算法的基礎(chǔ)上，有效地提高了K-means聚類算法的穩(wěn)定性，但在尋優(yōu)后期搜索能力較弱。

為更好解決云化資源的機(jī)器互識(shí)和拼接整合問(wèn)題，本文采用服務(wù)本體描述語(yǔ)言(Ontology Web Language of Service, OWL-S)[12]作為語(yǔ)義描述規(guī)范，通過(guò)分析作戰(zhàn)資源特征和屬性，對(duì)虛擬化作戰(zhàn)資源進(jìn)行了服務(wù)化建模，然后設(shè)計(jì)了一種改進(jìn)聚類算法對(duì)云化作戰(zhàn)資源服務(wù)進(jìn)行聚類，提高了聚類目標(biāo)優(yōu)化效果，改善了算法穩(wěn)定性。

1 作戰(zhàn)資源服務(wù)化

作戰(zhàn)資源服務(wù)化是將同型異構(gòu)的作戰(zhàn)資源進(jìn)行抽象聚合，形成彈性可擴(kuò)展的資源池，使其能夠?qū)崿F(xiàn)動(dòng)態(tài)分配，靈活調(diào)度與多域共享，從而使得作戰(zhàn)資源的利用率得以提高，簡(jiǎn)化了對(duì)作戰(zhàn)資源的管理，同時(shí)使戰(zhàn)時(shí)作戰(zhàn)方案得以優(yōu)化。

1.1 作戰(zhàn)資源概述

作戰(zhàn)資源是指與作戰(zhàn)直接相關(guān)的資源，它可以直接為作戰(zhàn)行動(dòng)提供支撐，包含武器裝備、態(tài)勢(shì)信息、后勤保障等相關(guān)資源。

戰(zhàn)場(chǎng)中存在著數(shù)量龐大、形式不同的作戰(zhàn)資源，為了對(duì)作戰(zhàn)資源進(jìn)行統(tǒng)一組織和運(yùn)用，需要按照資源的物理屬性及其功能作用，先對(duì)作戰(zhàn)資源進(jìn)行邏輯分類和建模，形成統(tǒng)一的語(yǔ)義描述，實(shí)現(xiàn)作戰(zhàn)資源的機(jī)器互識(shí)。在復(fù)雜多變的戰(zhàn)場(chǎng)環(huán)境下，武器裝備等作戰(zhàn)資源具有不同于普通計(jì)算資源的特征。若想更好地將武器資源應(yīng)用于戰(zhàn)場(chǎng)，需要對(duì)其屬性進(jìn)行分析研究[13]。

1.2 作戰(zhàn)資源的屬性模型

作戰(zhàn)資源種類眾多，形態(tài)各異，對(duì)其進(jìn)行服務(wù)化封裝需要屬性建模，屏蔽其異構(gòu)性。作戰(zhàn)資源可以按照主從屬性進(jìn)行劃分，其中主要屬性包括元屬性(Basic)、實(shí)時(shí)屬性(Rtime)、地理屬性(Location)、功能屬性(Capability)[14]。

元屬性是對(duì)作戰(zhàn)資源固有特征的描述，包含了作戰(zhàn)資源的名稱、編號(hào)、類別、基本描述。實(shí)時(shí)屬性是對(duì)該作戰(zhàn)資源實(shí)時(shí)可用狀態(tài)的描述，包含可用狀態(tài)、隊(duì)列狀態(tài)、占用狀態(tài)、失效狀態(tài)。地理屬性主要包含作戰(zhàn)資源的經(jīng)緯度坐標(biāo)。功能屬性下包含多個(gè)二級(jí)服務(wù)屬性，每個(gè)服務(wù)屬性都包含其唯一編碼、描述、接口屬性等。

1.2.1 Basic

Basic = {CR_Id, CR_Name, CR_Type, CR_Description}

其中：CR_Id為作戰(zhàn)資源的唯一編碼；CR_Name為作戰(zhàn)資源名稱；CR_Type為作戰(zhàn)資源類型；CR_Description為作戰(zhàn)資源描述。

1.2.2 Rtime

Rtime={Available, Occupied, Error, Scheduled}

其中：Available指該作戰(zhàn)資源處于可調(diào)用狀態(tài)，用戶可以對(duì)該資源進(jìn)行選擇；Scheduled指該作戰(zhàn)資源已處于隊(duì)列狀態(tài)，需完成前置任務(wù)需求；Occupied指該作戰(zhàn)資源處于執(zhí)行任務(wù)狀態(tài)，其他用戶無(wú)法調(diào)用；Error指該作戰(zhàn)資源由于技術(shù)故障失效，無(wú)法被調(diào)用。

1.2.3 Location

Location = {Lo_x, Lo_y}表示作戰(zhàn)資源的經(jīng)緯度坐標(biāo)。

1.2.4 Capability

Capability={Service1, Service2, Service3, …, Servicen}

Servicen作為該作戰(zhàn)資源的二級(jí)屬性，表示該作戰(zhàn)資源可提供更小粒度的功能性原子級(jí)服務(wù)，用X元組表示為：

Servicen={S_basic, S_Access, S_interface}

1)S_basic表示該原子級(jí)服務(wù)的基本屬性，有：

S_basic={S_Id, S_Name, S_Type, S_Description, S_Qos}

其中：S_Id表示該服務(wù)的唯一標(biāo)識(shí)；S_Name表示該服務(wù)的名稱；S_Type表示該服務(wù)的類型；S_Description表示該服務(wù)的具體描述；S_Qos表示該原子級(jí)服務(wù)的服務(wù)質(zhì)量。

2)S_Access表示作戰(zhàn)資源服務(wù)的訪問(wèn)屬性，可形式化表示為以下四元組：

S_Access={Input, Output, Precondition, Effect}

其中：Input指服務(wù)的輸入；Output指服務(wù)的輸出；Precondition指服務(wù)的先決條件；Effect指服務(wù)執(zhí)行后產(chǎn)生的結(jié)果。

3)S_interface表示服務(wù)的接口屬性，可形式化表示為以下三元組：

S_interface={Protocol, Message format, Interface Type}

其中：Protocol指通信協(xié)議；Message format指消息格式；Interface Type指接口類型。

1.3 作戰(zhàn)資源服務(wù)化建模

作戰(zhàn)資源具備多種能力，將其服務(wù)化是在云環(huán)境下得以廣泛共享應(yīng)用的前提。將作戰(zhàn)資源能力以原子級(jí)服務(wù)的形式表示，并結(jié)合本體語(yǔ)言進(jìn)行描述，即一切作戰(zhàn)資源提供的能力以服務(wù)的形式共享，見(jiàn)圖1。OWL-S是一種在語(yǔ)義網(wǎng)中用于對(duì)服務(wù)進(jìn)行規(guī)范化描述的本體語(yǔ)言[14]。根據(jù)該語(yǔ)言的語(yǔ)法約束，對(duì)原子級(jí)服務(wù)進(jìn)行本體建模，其中原子級(jí)服務(wù)繼承作戰(zhàn)資源的元屬性、實(shí)時(shí)屬性、地理屬性，同時(shí)擁有自己專有的訪問(wèn)屬性。

2 作戰(zhàn)資源服務(wù)聚類

對(duì)于統(tǒng)一建模的作戰(zhàn)資源原子級(jí)服務(wù)，由于其數(shù)量規(guī)模龐大，根據(jù)任務(wù)需求對(duì)其進(jìn)行快速組合與匹配難度較大。為縮小服務(wù)組合優(yōu)選管理對(duì)象規(guī)模，并為后續(xù)服務(wù)組合優(yōu)選等操作提供候選服務(wù)集合，需對(duì)作戰(zhàn)資源中的原子級(jí)服務(wù)進(jìn)行聚類分析。原子級(jí)服務(wù)相似度和服務(wù)聚類目標(biāo)是作戰(zhàn)資源服務(wù)聚類分析的基礎(chǔ)。

2.1 作戰(zhàn)資源原子級(jí)服務(wù)相似度

本文對(duì)于作戰(zhàn)資源原子級(jí)服務(wù)間相似度定義主要體現(xiàn)在其概念相似度(SA)及服務(wù)質(zhì)量相似度(SQ)的綜合相似度。首先計(jì)算2個(gè)服務(wù)間的屬性重合度作為共同概念相似度，由式(1)可知，當(dāng)兩服務(wù)間不具備屬性重合時(shí)，兩者間概念屬性相似度為0，即兩服務(wù)不相似。

(1)

式中：AX、AY分別表示樣本X、Y的屬性集合，服務(wù)質(zhì)量相似度則采用歐氏距離作為QoS間的距離度量:

(2)

式中：xi,yi表示AX與AY屬性集中的單一屬性；n表示屬性集元素個(gè)數(shù)，則其綜合相似度定義為：

(3)

2.2 作戰(zhàn)資源服務(wù)聚類目標(biāo)

作戰(zhàn)資源服務(wù)聚類的目標(biāo)是將到某類中心距離之和最短的資源劃分為同一類(相似度最大)，即：

(4)

式中：m表示作戰(zhàn)資源類別數(shù)；xi指樣本為待求解的決策變量；S表示不同類的樣本集合；Sj則為第j類的樣本集合；zj為第j類的聚類中心。

3 基于遺傳的模擬退火K-means聚類方法

到目前為止，K-means是最經(jīng)典的聚類分析方法之一[15-18]。其原理是基于分區(qū)聚類的無(wú)監(jiān)督聚類方法，該方法根據(jù)給定的度量距離，將具有相似特征的數(shù)據(jù)聚類為K個(gè)簇，最后通過(guò)投票情況決定對(duì)象的類型。算法時(shí)間復(fù)雜度為O(n2)，局部搜索能力強(qiáng)，收斂快，但是在求最優(yōu)解時(shí)需要選擇合理聚類中心，并且進(jìn)行全局搜索時(shí)，特征計(jì)算能力較弱，難以得到全局最優(yōu)解。文獻(xiàn)[19]提出結(jié)合遺傳算法的K-means聚類方法，用于尋找初始聚類中心，增強(qiáng)局部搜索能力，雖然一定程度上提高了全局搜索能力，但遺傳算法自身存在早熟現(xiàn)象，且最優(yōu)解有可能會(huì)出現(xiàn)倒退，算法難以得出最優(yōu)結(jié)果。

本文提出一種基于遺傳的模擬退火K-means算法，通過(guò)結(jié)合模擬退火算法與K-means操作改善遺傳算法本身的缺陷，使得聚類性能得以提高。

3.1 染色體編碼

對(duì)于個(gè)體的基因編碼是遺傳算法中的首要操作。假設(shè)作戰(zhàn)資源原子級(jí)服務(wù)的總體樣本數(shù)量為N，聚類中心為m，則個(gè)體中每一基因點(diǎn)GX表示該作戰(zhàn)資源服務(wù)所歸屬的類別號(hào)，由此得該個(gè)體樣本見(jiàn)圖2。

將作戰(zhàn)資源屬性樣本隨機(jī)分至m類中，并根據(jù)分類結(jié)果生成染色體編碼GN。設(shè)定種群大小為Q，將該操作迭代Q次以形成初始種群P0。

3.2 選擇操作

選擇操作的主要目的是從當(dāng)前種群中選取合適的個(gè)體為后續(xù)的操作提供父代個(gè)體。直觀來(lái)看，優(yōu)秀的父代個(gè)體可以產(chǎn)生更加優(yōu)秀的后代，但強(qiáng)制選擇適應(yīng)度高的個(gè)體作為父代容易造成算法陷入局部最優(yōu)，從而影響算法的尋優(yōu)性。因此，在執(zhí)行選擇操作時(shí)，還需要兼顧到當(dāng)前情況下處于劣勢(shì)的個(gè)體，以保證算法的全局搜索能力?；谏鲜隹紤]，本文采用輪盤賭策略對(duì)個(gè)體進(jìn)行選擇，通過(guò)計(jì)算適應(yīng)度確定其被選擇的可能性，適應(yīng)度越高，被選擇的概率也就越大。由此可得種群P中每一個(gè)體被遺傳至下一代的概率為：

(5)

3.3 基于K-means的交叉操作

對(duì)于選擇操作后形成的新種群，使用K-means算法代替遺傳算法中的交叉操作以實(shí)現(xiàn)加速聚類的目的。具體過(guò)程為：對(duì)新個(gè)體更新其聚類中心，重新計(jì)算所有樣本到中心的距離，并重新分配至最近的類，從而獲得新個(gè)體。對(duì)上一步操作中形成的新種群中的所有個(gè)體進(jìn)行該操作從而獲得新種群。聚類中心的更新體現(xiàn)如下：

(6)

3.4 模擬退火變異

在種群更替過(guò)程中，每一個(gè)體的編碼情況都存在有一定的幾率Ii發(fā)生變異。本文采用均勻變異操作，即每一染色體上不同位的基因，根據(jù)其與聚類中心的距離，以一小概率Ii發(fā)生變異。

(7)

3.5 整體流程

1)參數(shù)初始化：聚類樣本總數(shù)N，聚類中心為m，種群大小Q，模擬退火初始溫度T0，最終溫度Te，常數(shù)K，模擬退火變異迭代次數(shù)iter；

2)將作戰(zhàn)資源服務(wù)屬性樣本向量隨機(jī)分至m類，并根據(jù)分類結(jié)果生成染色體編碼GN，迭代Q次形成初始種群P0；

3)根據(jù)式(1)～(4)計(jì)算該種群中每個(gè)個(gè)體的目標(biāo)函數(shù)值E(xi)；

4)根據(jù)式(5)～(7)對(duì)初始種群進(jìn)行選擇變異及交叉操作，生成新種群；

5)將3)和4)重復(fù)執(zhí)行iter次；

6)輸出該種群中的最優(yōu)個(gè)體作為最優(yōu)解。

4 實(shí)驗(yàn)仿真

4.1 實(shí)驗(yàn)設(shè)計(jì)

根據(jù)前文設(shè)計(jì)的本體模型，采用模擬生成的3個(gè)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，驗(yàn)證算法的尋優(yōu)性與穩(wěn)定性。

數(shù)據(jù)集1：樣本數(shù)據(jù)N=200，每組樣本屬性數(shù)n=11,聚類中心數(shù)m=15；

數(shù)據(jù)集2：樣本數(shù)據(jù)N=400，每組樣本屬性數(shù)n=15，聚類中心數(shù)m=6；

數(shù)據(jù)集3：樣本數(shù)據(jù)N=500，每組樣本屬性數(shù)n=20，聚類中心數(shù)m=12。

給出數(shù)據(jù)集1的一組樣本數(shù)據(jù)實(shí)例，如表1所示。其中，每個(gè)聚類樣本皆具有其11元屬性組作為聚類參數(shù)，通過(guò)樣本參數(shù)計(jì)算相似度并使用本文的改進(jìn)算法對(duì)實(shí)驗(yàn)進(jìn)行仿真。

表1 作戰(zhàn)資源樣本服務(wù)

4.2 算法尋優(yōu)性實(shí)驗(yàn)

為驗(yàn)證本文改進(jìn)算法的尋優(yōu)性，本文對(duì)基于遺傳的模擬退火算法(GS)，基于遺傳的K-means算法(GK)及本文提出的改進(jìn)算法(GKS)進(jìn)行比較，選取目標(biāo)函數(shù)最優(yōu)值及時(shí)間開(kāi)銷為對(duì)比數(shù)據(jù)，以對(duì)比3種算法的性能。結(jié)果見(jiàn)圖3。

圖3 3種數(shù)據(jù)集下實(shí)驗(yàn)結(jié)果

具體結(jié)果見(jiàn)表2，best_obj表示目標(biāo)函數(shù)最優(yōu)值，time_c表示算法每代的時(shí)間開(kāi)銷。

表2 3種算法結(jié)果對(duì)比

可以看出，由于在本問(wèn)題中GS算法沒(méi)有采用基于K-means的交叉操作，搜索能力較弱，目標(biāo)函數(shù)值較低；本文提出的GKS算法的目標(biāo)函數(shù)值均優(yōu)于另外2種算法，由于改進(jìn)算法中引入了模擬退火操作，所需的時(shí)間開(kāi)銷大于GK算法。整體來(lái)看，本文提出的算法可以得出更優(yōu)的目標(biāo)函數(shù)值、更優(yōu)的聚類結(jié)果。

4.3 算法穩(wěn)定性實(shí)驗(yàn)

為進(jìn)一步驗(yàn)證本文提出改進(jìn)算法的穩(wěn)定性，本文選取第3組數(shù)據(jù)集進(jìn)行6次實(shí)驗(yàn)，并記錄3種算法的最優(yōu)函數(shù)值，實(shí)驗(yàn)結(jié)果見(jiàn)圖4。

圖4 實(shí)驗(yàn)結(jié)果對(duì)比

圖5為算法穩(wěn)定測(cè)試測(cè)試結(jié)果，本文所提出的改進(jìn)算法性能均優(yōu)于GK與GS算法。為驗(yàn)證算法穩(wěn)定性，選取標(biāo)準(zhǔn)差這一指標(biāo)對(duì)目標(biāo)函數(shù)值的結(jié)果進(jìn)行分析，結(jié)果見(jiàn)表3，本文提出的GKS算法仿真結(jié)果的標(biāo)準(zhǔn)差值為0.033 641 777，小于GK與GS算法的標(biāo)準(zhǔn)差值，相比于GK算法和GS算法更為穩(wěn)定。綜上所述，本文提出的改進(jìn)算法具有較好的尋優(yōu)與穩(wěn)定性。

圖5 算法穩(wěn)定性測(cè)試結(jié)果

表3 統(tǒng)計(jì)參數(shù)結(jié)果

5 結(jié)語(yǔ)

對(duì)服務(wù)化組織的作戰(zhàn)資源進(jìn)行聚類是減小服務(wù)管理對(duì)象規(guī)模、提高作戰(zhàn)資源組織運(yùn)用效率的重要手段。本文首先基于OWL-S構(gòu)建原子級(jí)服務(wù)本體模型，為作戰(zhàn)資源聚類提供資源描述的基礎(chǔ)，然后根據(jù)服務(wù)本體模型描述特點(diǎn)改進(jìn)服務(wù)間相似度定義，最后結(jié)合模擬退火算法改進(jìn)變異操作，基于K-means算法的思想改進(jìn)了交叉操作，提出了一種基于遺傳的模擬退火K-means算法。通過(guò)實(shí)驗(yàn)驗(yàn)證，該方法相較于GS算法和GK算法具有更好的尋優(yōu)性和穩(wěn)定性。