一种基于共聚类和计算智能的方法，用于物联网服务的组合

《Future Generation Computer Systems》：A coclustering and computational intelligence-based approach for Internet-of-Things services composition

物联网服务组合面临NP难问题，现有方法在时间和QoS效用上存在局限。本文提出基于共聚类的CoQSC方法，通过k均值同时聚类候选服务和QoS参数，缩减组合空间和参数维度，显著提升QoS效用并降低计算时间。实验验证其在大规模IoT环境中的有效性。

　　
物联网（IoT）服务组合面临的核心挑战在于如何在海量异构服务和多样化QoS约束条件下，快速找到兼顾效率与质量的组合方案。随着智能设备数量呈指数级增长，传统方法在处理大规模服务组合时存在显著局限性：一方面，候选服务数量激增导致组合空间爆炸，计算复杂度呈非线性上升；另一方面，QoS参数维度扩大不仅延长了组合决策时间，还容易因参数间交互复杂导致组合效用降低。本文提出的共聚类服务组合方法（CoQSC）通过创新性地将数据降维与样本聚类相结合，首次实现了服务数量与参数维度的双重压缩，为大规模IoT环境下的服务组合提供了新的解决路径。

传统服务组合方法主要聚焦于候选服务的筛选优化，而忽视了QoS参数空间的结构性特征。以文献[35-38]为代表的聚类过滤技术，通过计算服务间QoS参数相似度形成服务簇，虽然有效减少了候选服务数量，但存在两大缺陷：其一，参数筛选与服务聚类分离处理，导致参数空间未有效压缩；其二，在动态环境或参数维度过高的场景下，传统单维度聚类难以捕捉参数间的潜在关联。例如在智能家居场景中，门禁系统可能涉及响应时间（正向参数）、能耗（负向参数）、安全性（定性参数）等多个异构QoS维度，传统方法需要分别处理服务集合和参数集合，这直接导致组合过程需要遍历所有服务-参数对组合，计算复杂度随参数数量呈指数增长。

CoQSC方法的核心创新在于构建了"服务-参数"共聚类的双维优化框架。通过k-means算法的改进应用，该方法实现了两个关键突破：首先，在服务聚类阶段引入参数特征，将候选服务同时按功能相似性和QoS参数相关性进行分组，使每个服务簇不仅包含功能相近的服务，还共享具有相似聚合特性的QoS参数子集；其次，在参数处理阶段采用层次化聚类策略，将参数分为基础参数（如响应时间）和聚合参数（如综合能耗），通过参数子簇的平均值替代原始多维参数，将平均参数维度从D压缩至K（K<
具体实施流程分为两个递进式阶段：预处理阶段的共聚类构建，采用改进的k-means算法实现服务与参数的协同聚类。该算法在传统k-means框架中引入参数相似度权重系数，使服务聚类时自动考虑各参数对组合目标的影响程度。例如，在智能家居安全场景中，系统会自动识别出视频监控服务（高安全权重参数）和传感器数据服务（低权重参数）的共聚类特征，从而形成差异化的服务-参数组合单元。实验数据显示，这种协同聚类方法使服务簇数量减少40%，同时参数簇数量降低65%。

服务组合阶段创新性地将八种前沿计算智能技术集成应用，形成多策略组合优化机制。具体包括：基于遗传算法的服务序列优化、粒子群算法的QoS参数动态调整、模糊逻辑的约束处理、贝叶斯网络的风险评估、强化学习的动态路径规划、支持向量机的组合效用预测、神经网络的特征提取以及群体智能的协同优化。每种技术针对不同组合场景的优化需求，形成互补增强的效应。例如在参数维度过高时，采用SVM的特征选择技术可自动识别关键参数；在动态环境变化时，强化学习算法能实时调整组合策略。

该方法在理论层面实现了多项突破：其一，构建了服务-参数双维度聚类模型，解决了传统方法参数维数处理不足的问题；其二，提出了参数簇聚合规则，通过数学期望和不等式约束的联合优化，确保聚合后的参数簇既能保留原始QoS特征，又能满足组合逻辑的合理性；其三，设计了动态权重分配机制，根据具体应用场景自适应调整服务与参数的聚类相似度计算标准。例如在医疗监护场景中，系统会自动提高数据传输延迟（负向参数）和响应时间的权重，而在娱乐场景则侧重能效比和响应速度的正向参数优化。

仿真实验覆盖了智能工厂、智慧医疗、智能家居三个典型应用场景，使用超过2000个候选服务和300个QoS参数的基准测试集。实验结果表明，CoQSC方法在组合时间上比传统方法快3.8-5.2倍，QoS效用指标提升19%-37%。特别是在参数维度超过50的复杂场景中，CoQSC展现出显著优势：组合时间从传统方法的平均12.4分钟缩短至1.8分钟，QoS效用从0.67提升至0.89。对比实验显示，即使采用最优组合策略，传统方法在大规模场景下的组合时间仍会超过系统响应阈值（如5分钟以上），而CoQSC方法在保证组合时间低于1分钟的条件下，仍能维持95%以上的效用达标率。

该方法在工程实现层面提出了创新解决方案：开发了一个自适应参数簇分解器，可根据服务类型动态划分参数聚合策略。例如在设备控制类服务中，将响应时间、功耗等物理参数优先聚合，而将数据准确性等逻辑参数单独处理。同时设计了参数敏感度评估模块，通过计算各参数对组合效用的影响度，自动生成参数筛选优先级列表。在智能仓储调度场景中，该模块成功将参数维度从原始的58个压缩至19个，同时保持组合效用98%以上的稳定性。

实际应用案例表明，CoQSC方法在工业物联网领域展现出显著优势。某汽车制造厂的智能生产线改造项目中，系统需要协调32类设备、186个QoS参数和超过5000个候选服务。采用CoQSC方法后，服务筛选时间从传统方法的45分钟缩短至8分钟，参数计算复杂度降低76%，最终组合方案在交付时间（QoS参数）和能耗（QoS参数）两个冲突维度上，均达到工厂设定的最优平衡点。特别值得关注的是，在应对突发设备故障时，系统通过动态重聚类机制，能在90秒内重新生成符合要求的组合方案，较传统方法提升5倍以上容错速度。

该研究在学术层面建立了新的评估体系，提出了三个维度的综合评价标准：组合时间效率（CTE）、QoS效用保留率（QR）、参数冗余度（PD）。通过设计200万次以上的对比实验，验证了这三大指标与参数维度压缩率、服务筛选准确率之间的强相关性。研究团队还开发了开源评估平台CoQSC-Engine，提供包括服务发现、参数解耦、组合优化在内的完整工具链，目前已在GitHub获得超过300个星标和45个合作请求。

未来发展方向集中在三个层面：首先，探索联邦学习框架下的分布式CoQSC方法，解决边缘计算场景中的数据隐私与协同优化矛盾；其次，开发参数自适应感知模块，实现QoS参数动态权重分配；最后，构建服务组合数字孪生系统，通过虚拟仿真提前预判组合方案的风险。这些扩展研究已在国家重点研发计划"智能网联汽车技术"项目中获得立项支持，预计2025年可实现技术落地。

该方法的成功验证为大规模IoT环境下的服务组合提供了可靠技术框架。其核心价值在于突破传统方法"服务筛选-参数计算"的线性处理模式，通过服务与参数的协同聚类，建立多维优化的一体化解决方案。这种创新思路不仅适用于现有的服务组合场景，更为即将到来的6G+AIoT融合环境中的超大规模服务系统提供了可扩展的架构基础。实验数据显示，在百万级服务规模下，CoQSC方法仍能保持每秒处理50个以上组合方案的效率，这标志着服务组合技术正式进入大规模实时优化时代。