何宜超，孫 鵬，焦志強，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，隨著云計算、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)過程中，作戰(zhàn)資源的整合接入問題及新型指揮信息系統(tǒng)的服務(wù)模式問題亟待解決。

作戰(zhàn)資源的部署使其地理位置具有特殊性，各層級資源結(jié)構(gòu)各異，規(guī)模巨大，難以實現(xiàn)共享與集中管理。為了實現(xiàn)對作戰(zhàn)資源的有效利用，使其動態(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)，需要對作戰(zhàn)資源解耦合，將其能力映射至服務(wù)，從而實現(xiàn)對作戰(zhàn)資源的統(tǒng)一管理。基于上述思路，需要對大量云服務(wù)進行聚類重組，減小作戰(zhàn)資源服務(wù)組織管理對象的規(guī)模，提高服務(wù)組織效率，同時為系統(tǒng)敏捷演化提供依據(jù)。

針對軍事組織中作戰(zhàn)資源的整合管理問題，文獻[5]引入了一種以接口匹配作為服務(wù)約束的思想，重點以輸入輸出的形式定義接口，提供了對云服務(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[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PASW statistics軟件對作戰(zhàn)資源按功能屬性聚類，但聚類方法較簡易，聚類效果一般。文獻[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)平臺和云服務(wù)架構(gòu)為基礎(chǔ)，完成資源的虛擬及整合，文獻[8～9]對實現(xiàn)云制造的關(guān)鍵技術(shù)進行了研究，實現(xiàn)了制造資源云服務(wù)化。

就資源服務(wù)化而言，對其形成的云服務(wù)應(yīng)進行描述以實現(xiàn)系統(tǒng)的機器互識。目前已有關(guān)于對服務(wù)進行語義描述的研究。文獻[10]提出了一種新型服務(wù)描述模型，以動態(tài)描述的思路對傳統(tǒng)方式進行改進，并對服務(wù)進行模型化處理，使其能作為動態(tài)資源接入計算系統(tǒng)。

對于資源進行服務(wù)建?？梢哉J為是一種池化過程。對于大規(guī)模的服務(wù)池，文獻[11]利用遺傳K-means算法對服務(wù)池進行聚類處理，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器互識和拼接整合問題，本文采用服務(wù)本體描述語言(Ontology Web Language of Service, OWL-S)[12]作為語義描述規(guī)范，通過分析作戰(zhàn)資源特征和屬性，對虛擬化作戰(zhàn)資源進行了服務(wù)化建模，然后設(shè)計了一種改進聚類算法對云化作戰(zhàn)資源服務(wù)進行聚類，提高了聚類目標優(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)資源進行抽象聚合，形成彈性可擴展的資源池，使其能夠?qū)崿F(xiàn)動態(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，簡化了對作戰(zhàn)資源的管理，同時使戰(zhàn)時作戰(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)行動提供支撐，包含武器裝備、態(tài)勢信息、后勤保障等相關(guān)資源。

戰(zhàn)場中存在著數(shù)量龐大、形式不同的作戰(zhàn)資源，為了對作戰(zhàn)資源進行統(tǒng)一組織和運用，需要按照資源的物理屬性及其功能作用，先對作戰(zhàn)資源進行邏輯分類和建模，形成統(tǒng)一的語義描述，實現(xiàn)作戰(zhàn)資源的機器互識。在復(fù)雜多變的戰(zhàn)場環(huán)境下，武器裝備等作戰(zhàn)資源具有不同于普通計算資源的特征。若想更好地將武器資源應(yīng)用于戰(zhàn)場，需要對其屬性進行分析研究[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，對其進行服務(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行劃分，其中主要屬性包括元屬性(Basic)、實時屬性(Rtime)、地理屬性(Location)、功能屬性(Capability)[14]。

元屬性是對作戰(zhàn)資源固有特征的描述，包含了作戰(zhàn)資源的名稱、編號、類別、基本描述。實時屬性是對該作戰(zhàn)資源實時可用狀態(tài)的描述，包含可用狀態(tài)、隊列狀態(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。功能屬性下包含多個二級服務(wù)屬性，每個服務(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)，用戶可以對該資源進行選擇；Scheduled指該作戰(zhàn)資源已處于隊列狀態(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)，其他用戶無法調(diào)用；Error指該作戰(zhàn)資源由于技術(shù)故障失效，無法被調(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。

1.2.4 Capability

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

Servicen作為該作戰(zhàn)資源的二級屬性，表示該作戰(zhàn)資源可提供更小粒度的功能性原子級服務(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)的唯一標識；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)資源能力以原子級服務(wù)的形式表示，并結(jié)合本體語言進行描述，即一切作戰(zhàn)資源提供的能力以服務(wù)的形式共享，見圖1。OWL-S是一種在語義網(wǎng)中用于對服務(wù)進行規(guī)范化描述的本體語言[14]。根據(jù)該語言的語法約束，對原子級服務(wù)進行本體建模，其中原子級服務(wù)繼承作戰(zhàn)資源的元屬性、實時屬性、地理屬性，同時擁有自己專有的訪問屬性。

2 作戰(zhàn)資源服務(wù)聚類

對于統(tǒng)一建模的作戰(zhàn)資源原子級服務(wù)，由于其數(shù)量規(guī)模龐大，根據(jù)任務(wù)需求對其進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，需對作戰(zhàn)資源中的原子級服務(wù)進行聚類分析。原子級服務(wù)相似度和服務(wù)聚類目標是作戰(zhàn)資源服務(wù)聚類分析的基礎(chǔ)。

2.1 作戰(zhàn)資源原子級服務(wù)相似度

本文對于作戰(zhàn)資源原子級服務(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。首先計算2個服務(wù)間的屬性重合度作為共同概念相似度，由式(1)可知，當兩服務(wù)間不具備屬性重合時，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

作戰(zhàn)資源服務(wù)聚類的目標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個簇，最后通過投票情況決定對象的類型。算法時間復(fù)雜度為O(n2)，局部搜索能力強，收斂快，但是在求最優(yōu)解時需要選擇合理聚類中心，并且進行全局搜索時，特征計算能力較弱，難以得到全局最優(yōu)解。文獻[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

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

將作戰(zhàn)資源屬性樣本隨機分至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前種群中選取合適的個體為后續(xù)的操作提供父代個體。直觀來看，優(yōu)秀的父代個體可以產(chǎn)生更加優(yōu)秀的后代，但強制選擇適應(yīng)度高的個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，還需要兼顧到當前情況下處于劣勢的個體，以保證算法的全局搜索能力。基于上述考慮，本文采用輪盤賭策略對個體進行選擇，通過計算適應(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現(xiàn)加速聚類的目的。具體過程為：對新個體更新其聚類中心，重新計算所有樣本到中心的距離，并重新分配至最近的類，從而獲得新個體。對上一步操作中形成的新種群中的所有個體進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

在種群更替過程中，每一個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)計算該種群中每個個體的目標函數(shù)值E(xi)；

4)根據(jù)式(5)～(7)對初始種群進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)個體作為最優(yōu)解。

4 實驗仿真

4.1 實驗設(shè)計

根據(jù)前文設(shè)計的本體模型，采用模擬生成的3個數(shù)據(jù)集進行實驗，驗證算法的尋優(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)實例，如表1所示。其中，每個聚類樣本皆具有其11元屬性組作為聚類參數(shù)，通過樣本參數(shù)計算相似度并使用本文的改進算法對實驗進行仿真。

表1 作戰(zhàn)資源樣本服務(wù)

4.2 算法尋優(yōu)性實驗

為驗證本文改進算法的尋優(yōu)性，本文對基于遺傳的模擬退火算法(GS)，基于遺傳的K-means算法(GK)及本文提出的改進算法(GKS)進行比較，選取目標函數(shù)最優(yōu)值及時間開銷為對比數(shù)據(jù)，以對比3種算法的性能。結(jié)果見圖3。

圖3 3種數(shù)據(jù)集下實驗結(jié)果

具體結(jié)果見表2，best_obj表示目標函數(shù)最優(yōu)值，time_c表示算法每代的時間開銷。

表2 3種算法結(jié)果對比

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

4.3 算法穩(wěn)定性實驗

為進一步驗證本文提出改進算法的穩(wěn)定性，本文選取第3組數(shù)據(jù)集進行6次實驗，并記錄3種算法的最優(yōu)函數(shù)值，實驗結(jié)果見圖4。

圖4 實驗結(jié)果對比

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

圖5 算法穩(wěn)定性測試結(jié)果

表3 統(tǒng)計參數(shù)結(jié)果

5 結(jié)語

對服務(wù)化組織的作戰(zhàn)資源進行聚類是減小服務(wù)管理對象規(guī)模、提高作戰(zhàn)資源組織運用效率的重要手段。本文首先基于OWL-S構(gòu)建原子級服務(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)本體模型描述特點改進服務(wù)間相似度定義，最后結(jié)合模擬退火算法改進變異操作，基于K-means算法的思想改進了交叉操作，提出了一種基于遺傳的模擬退火K-means算法。通過實驗驗證，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。