本介绍来源于国家自然科学基金重点项目“大数据环境下的大服务理论与方法研究(No. 61832004)”，起止时间2019.01-2023.12。本项目工作概括如下： 一、研究取得成果的总体情况 本项目围绕着“大数据环境下的大服务理论与方法”开展了研究，形成了四大标志性成果：大服务体系结构与聚合理论、基于需求认知与精准供需匹配的大服务高效构建方法、大服务系统的动态调度与资源优化配置方法、大服务系统运行时持续优化与主动服务机制等。在项目执行期间，共发表学术专著3部、顶级或重要期刊论文31篇和会议论文16篇；申请专利37项（其中已授权17项）、登记软件著作权16项；培养博士生11名、硕士生56名；组织了14次学术交流活动，在高水平国际和国内学术会议上作大会特邀报告21次，形成应用验证案例4个。 本项目的研究内容都非常具有前瞻性、创新性和很高的理论价值，项目成果揭示了大数据环境下大服务的新特征、新机理与新规律，形成大服务的新理论和方法，革新大数据和互联网应用的开发和运行，为“互联网+服务”多个相关服务领域提供了基础理论支撑，具有重要的科学理论价值。项目成果在国内外服务计算顶级会议上多次以大会报告和专题论坛的形式宣传，引领了服务计算的新方向，形成具有国际影响力的中国学派。本项目面向现代服务业提出的大服务基本机理、聚生态理论、两阶段开发新范型、适应性自演化的服务系统重构策略等都是服务计算的新理论，可极大丰富和推动服务计算学术研究，引领国际服务计算的新方向，在世界范围内实现在服务计算领域“从并跑到领跑”的超越。 项目成果将会为我国信息化社会发展、现代服务业发展、传统产业优化升级提供理论与技术支撑，有助于促进服务业的有序发展，大幅度提升服务效益。本项目研究成果在智慧健康医疗与养老服务、智能制造服务、智慧城市服务、智慧交通服务、智慧家庭与社区服务、智慧教育服务、文化服务、电子商务与现代物流服务、智慧旅游服务、社会服务等领域具有广阔应用前景。 二、标志性成果 成果一：大服务体系结构与聚合理论及演化机理 为了给大服务系统的构建和运行提供理论支撑，本成果结合服务生态理论、复杂网络理论等领域最新研究成果，在大服务体系结构、生态系统模型、聚合/演化分析等方面开展研究，提出大服务/服务互联网开放系统架构(IoS-OSA)，结合基于多层次动态语义网络的服务生态系统模型和数据驱动的大规模服务生态建模方法提出大服务生态系统模型(MSEM)，并根据服务形态不同提出了两种服务生态系统的演化分析方法，从基础理论和方法层面给出这类复杂服务系统的形成机理与演化规律，如图 1所示。
图1 大服务体系结构与聚合理论及演化机理 本成果主要包括三方面关键突破： l 大服务/服务互联网开放系统架构(IoS-OSA)：该架构在原有大服务聚合模型的基础上，通过层、视图和生命周期维度的三维立方体模型，将大服务划分为64个不同的视图，并给出了每个视图的内容描述和建模规范，为服务提供者和用户在更广阔的平台上实现服务交互提供了一个标准化的框架。 l 大服务生态系统模型(MSEM)：该模型通过清晰的分层结构全面准确的描述了服务生态中的各类要素，通过引入服务事件为服务生态的演化提供了一种良好的解释机制；提出了数据驱动的大规模服务生态建模方法，通过主动学习和基于自然语言的信息抽取方法实现了从海量异构数据中以低成本代价自动半自动地进行大规模服务生态建模。 l 大服务生态系统的演化分析方法：在MSEM基础上，依据主体服务形态的不同给出了两个大服务及服务互联网的生态实例，以软件应用为主体的软件服务生态和以商业业务逻辑服务为主体的业务服务生态。在这两种生态实例上，引入了以服务社区为核心的演化分析视角和智能化分析方法，对两种类型的服务生态系统的演化规律进行了探究。 成果二：基于需求认知与精准供需匹配的大服务高效构建方法 面向大服务的高效率与高质量设计与开发，本成果在大服务开发范型、大服务需求工程、大服务匹配方法与大服务高效构建等方面深入研究，探索顾客需求精准认知新方法，提出基于需求模式与知识图谱的大服务需求获取与定义方法，精准智能感知和理解用户意图，更加提前、准确、快速发现用户的直接和潜在意图；利用领域先验知识，构建需求与服务的双边模式，建立“需求-服务”最佳匹配机制，形成供需双边模式关联矩阵，有效降低求解搜索空间，高效产生优化服务解决方案，如图 2所示。
图2 基于需求认知与精准供需匹配的大服务高效构建方法 本成果主要包括三方面关键突破： l 大服务顾客需求认知方法：分析大服务环境下客户需求特点，提出了基于意图树和混合知识图谱的需求模型。为了更好地规约顾客需求，提出了需求模式概念、基于模糊聚类的需求模式挖掘算算法、基于需求特征树和需求模式的个性化需求补全算法、基于共现概念的潜在需求发现算法，从显性、隐性两个层面快速获取和认知顾客需求。 l 服务模式识别与演化方法：提出基于聚类统计和频繁子图结合的服务模式挖掘方法，分析服务使用的历史数据，挖掘出常用的服务模式。采用渐进学习和阶段增强的机制、贝叶斯网络和概率图模型分析，从结构和性能两个方面对服务模式进行演化与重构，提高服务效率和优化效果。 l 基于双边模式匹配的大服务按需构建方法：面向中心化和去中心化两个大服务场景，提出服务供需双边模式匹配方法和去中心化的服务供需匹配方法，结合双边模式及其关联矩阵，提出了需求匹配、候选服务缩减、服务流程构建等方法，面向个性化顾客需求提供高效按需服务方案。 成果三：大服务系统的动态调度与资源优化配置方法 针对大服务系统需求海量个性化、资源分散专业化、约束繁杂耦合、不确定性强、目标多的特点，创新性提出“数据+知识+算法+算力”的智能调度框架。如图 3所示，该框架通过规模降维、约束简化、信息确定、目标规约等策略，在大服务系统的运行阶段，实时感知其价值提供的水平并进行优化调整，通过事前资源调度、事中监控与微调、事后重构来保证大服务系统性能保持与优化。
图3 “数据+知识+算法+算力”的智能调度框架 本成果主要包括三方面关键突破： l 大服务系统资源调度方法：针对大服务静态资源配置，考虑云计算环境下服务资源的时间和空间可用性、服务价值、准备时间、服务能力等多个因素，提出了大服务资源优化调度智能方法，在满足大数据环境大量用户个性化QoS 需求等约束条件下，可以提供最大化用户无形价值和服务提供者的有形价值。 l 大服务系统动态运行优化方法：针对大服务动态运行优化，分析了运行态大服务实例中海量服务资源分别受到大数据质量、用户需求解析和分解质量、服务资源价值等因素的影响程度，提出了大服务系统中大量实例运行的优化方法，可以提高大服务系统动态运行性能。 l 大服务系统动态重构方法：针对服务动态重构，分析了大服务生态环境下服务群落的多样性与多维度语义描述、服务群落的关联性、动态性、协作性、演化特性等，提出了大服务系统的动态重构方法，可以很好地支持服务群落、服务模式与服务聚合生态系统的动态演化与重构。 成果四：大服务系统运行时持续优化与主动服务方法 针对大服务系统运行时持续优化与主动服务提供问题，本成果结合服务建模、大规模流数据关联分析、机器学习等领域的最新研究成果，在服务建模方法、服务情境认知、适应性的服务主动提供方法等方面深入研究，提出了主动式数据服务建模方法和服务超链模型、大数据驱动的动态服务情境认知方法以及大规模流数据驱动的服务主动提供方法，能够增强大服务系统的适应性和主动性，如图 4所示。
图4 大服务系统运行时持续优化与主动服务 本成果主要包括三方面关键突破： l 主动式数据服务建模方法和服务超链模型：针对主动式服务的网络化“激励-响应”特征和大数据的时变、连续、多源、变频、高并发等特征，提出主动式数据服务和服务超链模型，使用支持度、置信度、延时衡量事件关联，提出服务超链生成算法，基于时间约束的频繁共现模式挖掘有效生成服务超链，给出服务超链即时更新算法，并基于界标的空间释放策略来优化更新效率。 l 大数据驱动的动态服务情境认知机制：针对大服务系统持续运行过程中流数据时变、连续等特性、以及情境事件的不确定性和多样性，提出了灵活的服务情境认知方法，包括基于时空流式数据的逻辑一体化、时空服务情境模型、基于流式数据相关性和频繁共现模式发现的服务情境事件生成方法、基于时空感知数据的服务时空情境识别发现算法和支持不确定情境事件感知的运行时主动服务动态绑定方法等，可以有效改善大服务系统持续运行效率。 l 大规模流数据驱动的服务主动提供方法：探明了大服务空间增长演化机理，提出了基于动态网络生长模型的服务空间构建方法；并针对大服务环境下节点异构、数据传输时间、处理时间、工作负载等难以预测的问题，提出大规模流数据驱动的主动服务提供方法，可以有效预测未来的工作负载，并在流量波动超出预期范围的情况下及时进行服务部署的调整；提出大数据任务调度算法框架、多队列服务请求调度算法框架等，可以优化服务执行效率与服务提供者的效益，支持大服务系统性能的持续优化和适应性服务的主动提供。 |
