劉英， 焦竽鑫， 吳小竹

(福州大學 數(shù)字中國研究院(福建)， 福建 福州 350108)

近年來，隨著Web服務(wù)技術(shù)的快速發(fā)展，越來越多的Web服務(wù)被發(fā)布到網(wǎng)絡(luò)端實現(xiàn)共享，使具有相同功能但不同服務(wù)質(zhì)量(QoS)的Web服務(wù)數(shù)量劇增[1].單個Web服務(wù)由于功能簡單很難滿足用戶的復雜需求，QoS感知服務(wù)組合(QSC)研究應運而生[2].歐陽超等[3]結(jié)合模擬退火算法和遺傳算法提出一種新的服務(wù)組合方法，加速解的收斂.馬力等[4]針對傳統(tǒng)缺乏語義信息支持的Web服務(wù)選擇問題，量化QoS屬性并將該問題轉(zhuǎn)化為圖搜索問題，利用AO*算法求解.Hwang等[5]將QoS作為具有概率質(zhì)量函數(shù)的離散隨機變量進行服務(wù)選擇.Yuan等[6]提出基于自適應全局QoS約束分解的動態(tài)服務(wù)選擇方法，采用模糊邏輯和文化遺傳算法獲取局部約束組合，縮小服務(wù)的搜索范圍.Alayed等[7]提出改進蟻群優(yōu)化算法(EACO)，該方法能有效避免局部最優(yōu)，減少搜索時間.傳統(tǒng)服務(wù)組合方法容易忽略參與者的競爭關(guān)系，部分學者引入博弈論思想.馬同偉等[8]針對分配中買賣雙方的利益問題，提出雙向拍賣資源分配模型，保證雙方在公平公正的環(huán)境中競爭和購買.Wang等[9-10]認為在服務(wù)選擇過程中，參與者具有自私性且不愿完全暴露自己的信息，針對信息不完整的決策問題，考慮Web服務(wù)存在納什均衡競爭關(guān)系，提出一種激勵機制選擇最優(yōu)Web服務(wù)；并且基于激勵合同提出一種新的激勵機制，在該激勵機制中，請求者向提供者提供激勵合同，根據(jù)提供者對激勵合同的反應獲取私有信息，不斷迭代直到為每個任務(wù)均選擇出最優(yōu)服務(wù).激勵機制是將博弈論應用到服務(wù)組合中的一次大膽且成功的創(chuàng)新，有效地解決了服務(wù)選擇中尋找最優(yōu)解的問題，并且對參與者都有著正向、積極的作用.

在服務(wù)組合過程中，請求者的主要目的是在滿足其功能需求下獲取具有良好質(zhì)量保障的組合服務(wù)，提供者則需要優(yōu)化QoS和保證負載均衡[11].傳統(tǒng)服務(wù)選擇策略傾向于選擇QoS更優(yōu)的Web服務(wù)，使該Web服務(wù)的負載增加.服務(wù)的負載能力往往是有限的[12]，若達到最大負載量后，其QoS可能無法保證，并且負載不均會導致服務(wù)出現(xiàn)過載或空閑的狀態(tài)，這將影響系統(tǒng)的整體性能.李文中等[13]提出一種自適應分布式負載均衡(LCB)算法，使用負載容率測度衡量各服務(wù)副本的負載狀況.楊石等[14]針對任務(wù)調(diào)度中的時間和通信成本問題，提出基于蜜蜂覓食行為的負載均衡(HBB-LB)算法，有效平衡虛擬機的負載和響應時間.任金霞等[15]為縮短任務(wù)完成時間和提高負載均衡，提出一種具有QoS約束的模擬退火的任務(wù)調(diào)度算法，使參與者的效用均能獲得滿足.Pushpavati等[16]提出一種改進最大完成時間和遷移性能的配對樹算法，提高了響應時間、成本、活力和吞吐量等綜合服務(wù)質(zhì)量指標.Arabinda等[17]提出一種基于改進粒子群算法的負載均衡技術(shù)(LBMPSO)，能夠縮短虛擬機完工時間，提高資源的利用率.施凌鵬等[18]提出微服務(wù)鏈感知的請求負載均衡算法，減少請求響應的延遲時間，平衡主機間的負載.Muthsamy等[19]考慮完工時間、響應時間、執(zhí)行時間和任務(wù)優(yōu)先級等多種QoS屬性，提出人工蜜蜂覓食優(yōu)化任務(wù)調(diào)度(TSABF)算法，以獲得虛擬機上的最優(yōu)任務(wù)調(diào)度和負載均衡.Li等[20]考慮用戶偏好、服務(wù)水平協(xié)議和成本等因素，提出邊緣云資源模型，能在滿足負載均衡要求的同時使成本降到最低.Mohanty等[21]認為負載均衡的基本目標是最小化時間和提高系統(tǒng)性能，采用Jaya算法實現(xiàn)了云環(huán)境中的負載均衡.Asghari等[22]同時考慮負載均衡和QoS感知問題，提出反向蟻群優(yōu)化(IACO)算法，以解決云服務(wù)器的負載均衡效率低下問題.

考慮QoS的負載均衡策略不僅能夠合理分配資源的工作負載，實現(xiàn)資源的有效利用，還能夠獲取到滿足請求的優(yōu)質(zhì)方案.因此，QoS感知負載均衡的研究具有必要性.基于此，本文提出一種基于激勵機制的負載均衡和QoS感知服務(wù)組合(LBQSC)方法，通過動態(tài)調(diào)整QoS改變Web服務(wù)的選擇概率，并權(quán)衡請求和提供者的雙方需求，以解決服務(wù)組合的負載均衡QoS感知問題.

1 負載均衡和QoS感知服務(wù)組合問題

1.1 相關(guān)定義

定義1Web服務(wù)(s)是一個獨立的、功能完整的可以通過網(wǎng)絡(luò)進行發(fā)布、定位及訪問的最小資源單位，包含功能屬性和非功能屬性，可用6元組s={id，b，f，QoS，lw，lmw}表示，其中，id為s的唯一標識；b為s的基本信息，包括提供者、名稱和發(fā)布時間等；f為s的功能屬性，是服務(wù)被發(fā)現(xiàn)的首要依據(jù)；QoS為s的非功能屬性，是服務(wù)被選擇的重要評判標準；lw為s的實時負載量，是Web服務(wù)當前的服務(wù)對象個數(shù)；lmw為s的最大負載量，是被服務(wù)對象個數(shù)的最大值，lw≤lmw，一旦實時工作量達到最大負載量，服務(wù)立刻停止為其他對象提供服務(wù).

定義2服務(wù)質(zhì)量指Web服務(wù)的非功能屬性，包括一組QoS屬性QoS={q1，…，qν}.一個QoS屬性qν可用3元組qν={nν，dν，rν}表示，其中，nν為qν的名稱，如響應時間、聲譽、價格、可行性等，dν為qν的初始狀態(tài)默認值，rν為dν的可變性，存在兩種情況:1) 當rν=0時，dν不發(fā)生改變；2) 當rν≠0且rν∈(0，1)時，dν可發(fā)生改變，變化區(qū)間為[dν×(1-rν)，dν×(1+rν)].

在服務(wù)組合中，不同QoS屬性的數(shù)量級往往不同，因此，需要進行歸一化處理.施凌鵬等[18]將非功能屬性分成積極屬性和消極屬性，通過簡單加權(quán)(SAW)技術(shù)[19]進行歸一化.對于積極屬性(聲譽、可行性等)，屬性值越大，表示服務(wù)質(zhì)量越好，按照式(1)歸一化，即

(1)

對于消極屬性(響應時間、價格等)，屬性值越小，表示服務(wù)質(zhì)量越好，按照式(2)歸一化，即

(2)

定義3抽象服務(wù)(AS)代表具有相同功能、不同QoS的一組Web服務(wù)，這組服務(wù)被稱為該抽象服務(wù)的候選(具體)服務(wù)集.

定義4工作流(F)可用2元組F={AS_set，str}表示，其中，AS_set={AS1，…，ASi，…，ASm}為一組抽象服務(wù)，ASi為第i個抽象服務(wù)且ASi={si，1，si，2，…，si，j，…，si，n}；str為抽象服務(wù)的組織結(jié)構(gòu).

工作流管理聯(lián)盟(WFMC)提出順序、選擇、循環(huán)和并行4種結(jié)構(gòu)，用以支持Web服務(wù)組合建模[1].其中，選擇、循環(huán)和并行結(jié)構(gòu)均可通過文獻[20]中的技術(shù)轉(zhuǎn)化成順序結(jié)構(gòu).

(3)

組合服務(wù)的QoS屬性值是由構(gòu)成該服務(wù)的各個原子服務(wù)的QoS屬性值聚合而成.不同QoS屬性在不同工作流中的聚合公式不同，不同QoS屬性在同一工作流中的聚合公式也不同[21].Web服務(wù)的聲譽(R)、響應時間(T)和價格(P)3個QoS屬性在順序工作流下的聚合公式分別為

定義6服務(wù)負載(load)指服務(wù)資源利用率，用Web服務(wù)在某一時刻工作量與最大工作量的比值表示，即load=lw/lmw.

定義7用戶請求(r)用來存放請求者的需求信息，可用2元組r={id，C}表示，其中，id表示r的唯一標識；C表示全局QoS約束，是請求者對組合服務(wù)QoS的基本要求.

定義8全局QoS約束C={c1，c2，…，c?}，其個數(shù)不得超過Web服務(wù)QoS個數(shù)，即?≤ν.全局QoS約束是對組合服務(wù)QoS的基本約束，它要求組合服務(wù)的QoS應該優(yōu)于用戶請求中對應的全局QoS.

1.2 問題描述

minδ，

(4)

(5)

mint，

(6)

(7)

則SOL為最優(yōu)解決方案.

式(4)～(6)是最優(yōu)解決方案的評判標準，其中，式(4)表示在獲得SOL后，Web服務(wù)的總體負載標準差最小；式(5)表示SOL具有最大的平均效用；式(6)表示獲取SOL的執(zhí)行時間最少.式(7)是SOL作為最優(yōu)解決方案存在的基本條件，它要求每個組合服務(wù)CSk中QoS屬性qν整合后均優(yōu)于請求rk中對應的全局QoS約束qν.

圖1 LBQSC的總體框架 Fig.1 Overall framework of LBQSC

2 LBQSC方法設(shè)計

2.1 LBQSC的總體框架

基于LBQSC方法求解負載均衡和QoS感知服務(wù)組合問題主要分為全局約束分解(GCD)模型求解和局部服務(wù)選擇2個步驟.LBQSC的總體框架，如圖1所示.

GCD模型求解被認為是組合優(yōu)化問題，文化遺傳算法(CGA)在處理此類問題時具有快速收斂和防止早熟等優(yōu)點[9，23-24]，因此，文中采用CGA算法.在局部服務(wù)過程中，Web服務(wù)選擇激勵機制[5]，通過合同激勵服務(wù)提供者更改自身服務(wù)QoS屬性，再迭代選擇QoS更高的Web服務(wù)，從而提高服務(wù)請求者的效用.但是這種機制并沒有考慮服務(wù)的負載情況，因此，對合同進行改進，使其不僅能夠約束服務(wù)的QoS和負載，還能提供更高報酬來激勵服務(wù)提供者將本身服務(wù)的QoS根據(jù)當前負載整體水平進行動態(tài)調(diào)整，在此基礎(chǔ)上，提出一種基于激勵機制的服務(wù)選擇方法.最后，組合局部選擇的服務(wù)形成組合服務(wù).

2.2 GCD模型求解

全局QoS約束分解過程的主要目的是將服務(wù)請求者的全局QoS約束合理地分解為一組局部約束，確保滿足局部約束的Web服務(wù)復合而成的組合服務(wù)一定滿足服務(wù)請求者的全局QoS約束.保留更多的組合方案考慮2個原則：1) 確保滿足每個局部約束的候選服務(wù)個數(shù)盡量多；2) 確保滿足每個局部約束的候選服務(wù)個數(shù)盡量均衡[25].其評價公式為

E=ωsum×S+ωmul×M.

(8)

GCD模型求解過程包括初始化質(zhì)量等級和尋找最優(yōu)局部約束組合2個步驟.

尋找最優(yōu)局部約束組合是將質(zhì)量等級進行組合，從而使E近似最大化的過程.采用CGA求解該過程，通過文化算法從進化種群中抽象待解決問題的知識，反饋這些知識以指導算法的搜索過程，從而保證解的收斂.CGA的實現(xiàn)框架，如圖3所示.圖3中：種群空間由個體組成；Update()函數(shù)用于更新信仰空間的知識；Accept()函數(shù)用于從種群空間選擇一定數(shù)量的個體進入信仰空間以形成知識；Influence()函數(shù)主要通過信仰空間中的知識影響社會群體空間的進化方向；Generate()函數(shù)用于構(gòu)造個體；Evaluate()函數(shù)用于評價個體的適應度；Select()函數(shù)用于遺傳操作中選擇交叉的個體.

圖2 質(zhì)量等級分解 圖3 CGA的實現(xiàn)框架 Fig.2 Quality level decomposition Fig.3 CGA implementation framework of CGA

2.3 基于激勵機制的服務(wù)選擇

激勵機制來源于激勵理論，主要包括激勵主體、激勵客體和激勵手段3部分.在激勵機制中，激勵主體通過各種手段引導、激發(fā)激勵客體的潛能，從而實現(xiàn)激勵主體的戰(zhàn)略目標.在服務(wù)選擇過程中，請求者、提供者和選擇策略分別對應激勵主體、激勵客體和激勵手段.于是，Wang等[9]提出一種Web服務(wù)選擇激勵機制，將激勵機制的優(yōu)勢充分應用于服務(wù)選擇.該機制針對不同QoS提供具有不同報酬的合同來調(diào)動服務(wù)提供者的積極性，能夠幫助請求者快速獲取質(zhì)量更優(yōu)的服務(wù)，并保證服務(wù)本身的基本利益.但是，該機制并沒有考慮服務(wù)的負載能力.因此，對文獻[9]的方法進行改進，使之能夠解決負載均衡和QoS感知服務(wù)組合問題.通過節(jié)2.2獲取近似最優(yōu)局部約束組合，排除不滿足約束要求的候選服務(wù)，縮小服務(wù)選擇的搜索范圍.此時，提供一種新的合同，通過給不同的QoS和服務(wù)負載支付不同的報酬，激勵服務(wù)提供者動態(tài)調(diào)整其自身服務(wù)的QoS來積極競爭合同.同時，為了選擇最適合的服務(wù)，設(shè)計一個基于合同的服務(wù)選擇策略.在此基礎(chǔ)上，構(gòu)建基于激勵機制的服務(wù)選擇算法，具體描述如算法1.激勵合同構(gòu)造、QoS動態(tài)調(diào)整和Web服務(wù)選擇是其中的3個關(guān)鍵步驟.

算法1 基于激勵機制的服務(wù)選擇算法

輸入： csSet ∥滿足局部約束的候選服務(wù)集合

輸出： bos ∥最優(yōu)可選服務(wù)

1. ∥M為最大迭代次數(shù)，Size為候選服

務(wù)個數(shù)

2. IF j≤ M OR Size!=0

3. ∥構(gòu)造合同

4. conj=offerContract(s_set， canSet， j)

5. ∥滿足當前合同的候選服務(wù)集中存放

到osSetj

7. ∥添加到osSet中

8. osSet←osSetj

9. ∥不滿足的動態(tài)調(diào)整其QoS后存放到

csSet中

10. csSet=AdjustQoSValue(Unsatisfy

(conj))

11. ENDIF

12. ∥選擇服務(wù)

13. bos=ServiceSelect(osSet)

帶合閘電阻斷路器裝置示意如圖3所示，其中R1為合閘電阻，D1為輔助觸頭，D2為主觸頭。合閘命令發(fā)出后，D1先合閘，合閘電阻投入并作用一段時間，而后D2合閘，合閘電阻旁路退出運行，D1再分閘。

14. Return bos∥最優(yōu)可選服務(wù)

2.3.1 激勵合同構(gòu)造 合同(con)是請求者對負載和服務(wù)質(zhì)量這2個影響因子提出的要求，并確保若服務(wù)提供者可以提供滿足合同約束的Web服務(wù)，服務(wù)請求者會支付合同中所給定的報酬.一個合同用4元組conτ=(τ，QoS，τ，loadτ，rewardτ)表示，其中，τ為合同的唯一標識；QoS，τ為合同中除價格之外的QoS屬性約束；loadτ為合同中的服務(wù)負載約束；rewardτ為針對當前的負載和服務(wù)質(zhì)量，服務(wù)請求者支付的費用，也是服務(wù)價格的上限.

在合同中，2個影響因子的數(shù)值不同，提供的報酬也隨之發(fā)生變化.就服務(wù)請求者而言，在其預算范圍內(nèi)，他們愿意支付更多的報酬去獲取QoS更優(yōu)、負載更低的Web服務(wù).對于一個抽象服務(wù)，以其局部約束為依據(jù)，提供一組合同Con={con1，…，conτ-1，conτ}，合同conτ的負載和服務(wù)質(zhì)量均優(yōu)于合同conτ-1的負載和服務(wù)質(zhì)量，且前者的報酬高于后者，則這組合同被稱為激勵合同.服務(wù)提供者若想獲得更多的報酬，就需要調(diào)整服務(wù)自身的QoS來進行競爭.將滿足合同約束的候選服務(wù)稱作可選服務(wù)(os)，將效用值最大的服務(wù)稱作最優(yōu)可選Web服務(wù)(bos).

2.3.2 QoS動態(tài)調(diào)整 在不滿足當前合同的情況下，候選服務(wù)若還想獲得被選擇的機會且獲得更高的報酬，就必須改變自身的QoS屬性去參與新的合同的競爭.就候選服務(wù)來說，若改變當前的響應時間、聲譽等QoS屬性使之較先前更優(yōu)，則其價格也會隨之增長.因此，給定一個服務(wù)提供策略：1) 如果候選服務(wù)的負載小于服務(wù)的總體負載均值，則優(yōu)化候選服務(wù)除價格以外的QoS屬性，并提高候選服務(wù)的價格；2) 如果候選服務(wù)的負載等于服務(wù)的總體負載均值，則保持候選服務(wù)的所有QoS屬性不變；3) 如果候選服務(wù)的負載大于服務(wù)的總體負載均值，則劣化候選服務(wù)的除價格以外的QoS屬性，并減少候選服的價格.

2.3.3 服務(wù)選擇策略 激勵機制運行完畢后，得到多組可選服務(wù)集，提供一個服務(wù)選擇策略確定最終選擇的服務(wù)，即確定可選服務(wù)os個數(shù)最多的可選服務(wù)集，選擇該服務(wù)集中的最優(yōu)可選服務(wù)bos.

3 實驗分析

通過實驗對比LBQSC，EACO[7]，IACO[22]方法，驗證LBQSC方法在處理負載均衡和QoS感知服務(wù)組合問題時的優(yōu)越性.

3.1 實驗數(shù)據(jù)與環(huán)境

實驗數(shù)據(jù)來源于綜合服務(wù)數(shù)據(jù)集QWS 2.0.該數(shù)據(jù)集包含真實世界中2 507個Web服務(wù)數(shù)據(jù)，每個Web服務(wù)有9個QoS屬性，包括響應時間、聲譽、價格、吞吐量和可靠性等，具體信息可參考文獻[21].考慮到對比實驗中數(shù)據(jù)條件的分配情況，僅挑選QWS 2.0數(shù)據(jù)集中的2 000個Web服務(wù)數(shù)據(jù)，并重點關(guān)注Web服務(wù)的聲譽、響應時間、價格、實時工作量和最大工作量5個QoS屬性，聲譽和響應時間可從數(shù)據(jù)集中獲取，價格、實時工作量和最大工作量則采用隨機算法構(gòu)造.其中，價格取值控制在50～500；最大工作量取值控制在50～100；實時工作量取值控制在0到最大工作量之間；假設(shè)響應時間和價格均是可變的QoS屬性，其變化率分別設(shè)置為rt=0.2，rp=0.2.在計算組合服務(wù)的效用時，聲譽、響應時間和負載的權(quán)重分別賦值為0.3，0.3，0.4.請求數(shù)據(jù)根據(jù)服務(wù)數(shù)據(jù)特征隨機構(gòu)造.實驗結(jié)果都是運行10次之后取平均值.

實驗使用的算法開發(fā)語言是Java，實現(xiàn)工具為MyEclipse 2016 CI，運行環(huán)境的具體配置為Windows 7專業(yè)版操作系統(tǒng)，內(nèi)存為4 GB，處理器為Intel(R)Core(TM) i5-2500 CPU@3.30 GHz.

3.2 實驗結(jié)果與分析

采用LBQSC，EACO和IACO方法在不同的數(shù)據(jù)條件下分別進行實驗，并對各指標進行評估.

3.2.1 負載標準差 為驗證LBQSC，IACO和EACO在進行大規(guī)模服務(wù)組合后，服務(wù)的負載標準差較初始狀態(tài)的優(yōu)化程度，進行3組對比實驗，具體如下.

1) 當抽象服務(wù)數(shù)(Na)范圍為1～10且步長為1，具體服務(wù)數(shù)(Nc)為200，請求數(shù)(Nr)為100時，3種方法的負載標準差(δ)對比，如圖4(a)所示.圖4(a)中：INT為初始狀態(tài)下服務(wù)總體的負載標準差.

2) 當具體服務(wù)數(shù)范圍為40～400且步長為40，Na=5，Nr=100時，3種方法的負載標準差對比，如圖4(b)所示.

(a) 不同抽象服務(wù)數(shù)

3) 當請求數(shù)范圍為20～200且步長為20，Na=5，Nc=200時，3種方法的負載標準差對比情況，如圖4(c)所示.

(b) 不同具體服務(wù)數(shù) (c) 不同請求數(shù)圖4 不同數(shù)據(jù)條件下3種方法的負載標準差對比 Fig.4 Comparison of load standard deviation in three methods under different data conditions

由圖4(a)可知：在相同具體服務(wù)數(shù)和請求數(shù)情況下，隨著抽象服務(wù)數(shù)的增加，3種方法的負載標準差比初始狀態(tài)均有所減小，其中，LBQSC方法減小得最明顯.由圖4(b)可知：不論具體服務(wù)數(shù)如何變化，LBQSC方法的負載標準差始終最小，其次為IACO方法.由圖4(c)可知：服務(wù)的數(shù)據(jù)條件相同，隨著請求數(shù)的增加，EACO方法的負載標準差雖低于INT，但基本沒有太大改變；而LBQSC和EACO方法的負載標準差都逐漸下降且很明顯，LBQSC方法下降尤為迅速.

(a) 不同抽象服務(wù)數(shù)

(b) 不同具體服務(wù)數(shù) (c) 不同請求數(shù)圖5 不同數(shù)據(jù)條件下3種方法獲取的解決方案的平均效用對比 Fig.5 Comparison of average utility in three methods under different data conditions

(a) 不同抽象服務(wù)數(shù)

(b) 不同具體服務(wù)數(shù) (c) 不同請求數(shù)圖6 不同數(shù)據(jù)條件下3種方法的執(zhí)行時間對比 Fig.6 Comparison of execution time in three methods under different data conditions

由圖5(a)可知：在具體服務(wù)數(shù)和請求數(shù)相同時，隨著抽象服務(wù)數(shù)的增加，通過3種方法獲取的解決方案的平均效用也隨之增加，且平均效用與抽象服務(wù)數(shù)大小呈現(xiàn)近似線性關(guān)系.由圖5(b)可知：隨著具體服務(wù)數(shù)的增加，LBQSC方法的平均效用明顯高于其他兩種方法，但當Na<4且Nc<120時，LBQSC方法的平均效用比其他兩種方法差，這是因為蟻群算法在小規(guī)模服務(wù)組合下較激勵機制具有更好的收斂性.由圖5(c)可知：在服務(wù)數(shù)據(jù)相同的條件下，請求數(shù)越多，3種方法的平均效用越差，其主要原因是在大量請求下，QoS較高的Web服務(wù)被選擇達到最大負載量后，后續(xù)的請求只能選擇一些QoS較差的Web服務(wù)代替，使組合服務(wù)效用降低，從而使解決方案的平均效用減小.

3.2.3 執(zhí)行時間 為進一步驗證LBQSC，IACO，EACO方法的時間開銷，同樣采用節(jié)3.2.1的3組數(shù)據(jù)進行對比實驗.不同數(shù)據(jù)條件下，3種方法的執(zhí)行時間(t)對比，如圖6所示.

由圖6可知:不論數(shù)據(jù)條件如何變化，所提LBQSC方法的執(zhí)行時間均小于其他兩種方法，能快速地獲取解決方案.

結(jié)合3個指標的對比結(jié)果可知，LBQSC方法能夠有效解決多請求下的負載均衡和QoS感知服務(wù)組合問題，且具有較少的時間開銷.

4 結(jié)論

針對請求者的高QoS需求、提供者的負載均衡需求及QoS的動態(tài)性等問題，提出基于激勵機制的負載均衡和QoS感知服務(wù)組合(LBQSC)方法.首先，利用文化遺傳算法將全局QoS約束分解為一組局部約束；然后，基于激勵機制，在滿足局部約束且具有動態(tài)QoS的候選服務(wù)中迭代選擇出最佳Web服務(wù)；最后，采用QWS 2.0數(shù)據(jù)集進行實驗.實驗結(jié)果表明：與EACO和IACO方法相比，LBQSC方法能夠有效地處理負載均衡和QoS感知服務(wù)組合問題.

在未來的工作中，將完善LBQSC方法，使其可靈活地運用到工作流的其他3種基本結(jié)構(gòu)(并行、選擇、循環(huán))；改善激勵機制中的服務(wù)提供策略，使服務(wù)QoS的動態(tài)調(diào)整更加依賴于激勵合同的變化，以更好地服務(wù)于服務(wù)選擇過程；考慮用戶請求的時序特征，研究面向多連續(xù)請求的負載均衡和QoS感知服務(wù)組合方法.