(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111303203.4 (22)申请日 2021.11.05 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区南 山街道崇文 路2号 (72)发明人 熊安萍　田浩　蒋溢　 (74)专利代理 机构 重庆辉腾律师事务所 5 0215 代理人 卢胜斌 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 3/08(2006.01) G06F 111/08(2020.01) (54)发明名称 基于黑寡妇优化算法的最优QoS服务选择方 法及装置 (57)摘要 本发明涉及微服务领域， 涉及一种基于黑寡 妇优化算法的最优QoS服务选择方法及装置， 所 述该方法包括： 初始化CPS服务集合， 根据CPS结 构的特性， 采用微服务架构将其划分为应用层服 务、 网络层服务和物理层服务； 根据不同层服务 的参考指标， 分别构建各层的QoS 模型； 依据各层 QoS模型， 得出各层最优QoS的目标函数， 并将目 标函数作为各层对应的适应函数； 采用优化的 BWO算法对CPS服务选择进行优化， 确定CPS环境 下服务选择的QoS最优解。 本发明中采用融合柯 西变异和反向学习策略来优化黑寡妇算法， 有效 避免了搜索陷入局部最优解的情况； 本发明能够 有效降低CPS环境下服务选择的复杂性和海量 性， 使得服 务QoS达到最优。 权利要求书3页 说明书9页 附图4页 CN 113962161 A 2022.01.21 CN 113962161 A 1.一种基于黑寡妇优化 算法的最优Q oS服务选择方法， 其特 征在于， 包括以下步骤： S1、 采用微服务架构将物理信息系统服务划分为应用层服务、 网络层服务和物理层服 务； S2、 应用层服务根据支付成本、 计算时延和用户偏好参数构建应用层服务实例QoS模 型； S3、 网络层服 务根据响应时延、 可靠性和组合模式参数构建网络层服 务实例QoS模型； S4、 物理层服务根据设备出错率、 设备可动率、 设备能耗、 设备运算时延和设备状态参 数构建物理层服 务实例QoS模型； S5、 将各层服务实例QoS模型对应的目标函数作为适应度函数， 利用黑寡妇优化算法为 每一层选择 出最优QoS服务实例， 得 出最优QoS服务实例三元组集 合。 2.根据权利要求1所述的一种基于黑寡妇优化算法的最优QoS服务选择方法， 其特征在 于， 在步骤S2中应用层服 务实例的Q oS模型为： 其中， f1(x)表示应用层服务实例的最优QoS值， 表示应用层服务实例的 QoS目标函数； 的表示第i个服务实例在应用层的QoS值； Ui表示第i个服务实例的用户偏 好权重； CTi表示第i个服务实例的计算时延； Pi表示第i个服务实例的支付成本； α1和β1为参 数权重， 归一化约束α1+β1＝1。 3.根据权利要求1所述的一种基于黑寡妇优化算法的最优QoS服务选择方法， 其特征在 于， 在步骤S3中网络层服 务实例的Q oS模型为： 其中， f2(x)表示网络层服务实例的最优QoS值， 表示网络层服务实例的 QoS目标函数； 的表示第i个服务实例在网络层的QoS值； CMi表示第i个服务实例的组合模 式， 为0时表示并行， 为1时表示串行； RTi表示第i个服务实例的响应时延； Reli表示第i个服 务实例的可靠性； α2和β2为串行时的参数权重， 归一化约束α2+β2＝1； γ2和 δ2为并行时的参 数权重， 归一化约束γ2+δ2＝1。 4.根据权利要求1所述的一种基于黑寡妇优化算法的最优QoS服务选择方法， 其特征在 于， 在步骤S4中物理层服 务实例的Q oS模型为： 权　利　要　求　书 1/3 页 2 CN 113962161 A 2其中， f3(x)表示物理层服务实例的最优QoS值， 表示物理层服务实例的 QoS目标函数； 的表示第i个服务实例在物理层的QoS值； ERi表示第i个服务实例的设备出 错率； MRi表示第i个服务实例的设备可动率， Ei表示第i个服务实例的设备能耗； Ti表示第i 个服务实例的设备运算时延； CMi表示第i个服务实例的组合模式， 为0时表示 并行， 为1时表 示串行； RTi表示第i个服务实例的响应时延； Reli表示第i个服务实例的可靠性； Ci表示第i 个服务实例的设备状态， C1表示设备正常， C2表示设备故 障， 部分服务可用， C3表示设备不 可 用 ； 和 为 设 备 状 态 为 C 1 时 的 参 数 权 重 ，归 一 化 约 束 和 为设备状态为C2时的参数权重， 归一化约束 5.根据权利 要求1所述的一种CPS环境下基于BWO算法的最优QoS服务选择方法， 其特征 在于， 在步骤S5具体包括以下步骤： S51、 为每一个黑寡妇蜘蛛赋予一个服务实例， 初始化黑寡妇蜘蛛种群， 设置最大迭代 次数、 黑寡妇蜘蛛的位置、 信息素阈值以及种群数量； S52、 更新黑寡妇蜘蛛位置， 计算信息素， 更新低于信息素阈值的黑寡妇位置， 重新评估 适应度函数值， 更新 最优黑寡妇蜘蛛的位置； S53、 根据优化分布选择概率来选择柯西变异扰动策略和反向学习策略对当前最优黑 寡妇蜘蛛位置进行扰动， 并产生 新的最优黑寡妇蜘蛛位置； S54、 判断是否满足最大迭代数， 满足则输出最优黑寡妇蜘蛛位置， 并将该最优黑寡妇 蜘蛛位置对应的服 务实例输出， 否则继续迭代。 6.根据权利要求5所述的一种基于黑寡妇优化算法的最优QoS服务选择方法， 其特征在 于， 所述优化分布选择概 率表示为： 其中， t为第t次迭代， itermax为迭代总次数， θ 为调整参数； Ps表示优化分布选择概率， 当 [0， 1]范围生成的随机数rand大于Ps时采用柯西变异扰动策略， 否则采用反向学习策略， K 表示分布选择概 率控制因子 。 7.根据权利要求5所述的一种基于黑寡妇优化算法的最优QoS服务选择方法， 其特征在 于， 在步骤S 53还包括根据贪婪 规则公式对产生的新的最优黑寡妇蜘蛛位置进 行判断， 确定 是否以该新的最优黑寡妇蜘蛛位置进行位置更新。 8.一种基于黑寡妇优化算法的最优QoS服务选择装置， 所述装置搭载于微服务架构中， 其特征在于， 包括： 服务层划分模块， 用于将物理信息系统服务划分为应用 层服务、 网络层服务和物理层 服务； 服务实例QoS模型构建模块， 用于根据支付成本、 计算时延和用户偏好参数构建应用层 服务实例QoS模 型， 根据响应时延、 可靠性和组合模式参数构建网络层服务实例QoS模 型， 根 据设备出错率、 设备可动率、 设备能耗、 设备运算时延和设备状态 参数构建物理层服务 实例 QoS模型；权　利　要　求　书 2/3 页 3 CN 113962161 A 3