所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

不同的句法方法和集群Web服务集成

Praveenkumar Arjun Patel Umesh Laxman Kulkarni教授
  1. PG学生,CSE系、DYPCET Shivaji大学印度戈尔
  2. 孟买大学计算机工程系印度孟买
相关文章Pubmed,谷歌学者

访问更多的相关文章国际期刊的创新在计算机和通信工程的研究

文摘

服务集成的行为是将各种互补的结果数据web服务组合为一个常见的场景。这种方法保证对知识发现的新类型。服务集成流程可以执行之前,有必要预测哪些web服务所需的候选人。知识发现服务(KDS)过程是专门为了解决存储库的开放服务不包含语义标注。在这些条件下,需要专门的方法来确定之间的相等关系开放服务与合理的精度。KDS它开始一个自下而上的过程,适应其运作的环境服务。

关键字

集群、等效处理,TSM-LP, Web服务

介绍

成千上万的模块化软件能力发现和可用的不同的组织支持面向服务的计算(SOC)。底层SOC规格,例如Web服务描述语言(WSDL), SOAP或REST支持的调用方法,翻译机接口和交互。这样开放的方法提供了一个使用web服务的环境。
面向服务计算的原型是Web 2.0覆盖的概念。组合的基本模型和Web 2.0的优势对于任何用户的主要利益相关者。由于协作技术和面向市场的环境中用户交互等完美地,任何用户可以操作的web服务最合适风格的日常活动。结果数据的集成到一个共同的愿景可以在业务流程的重要成分是不必要的。
服务集成的并行执行两个或更多的服务来创建一个集成的数据提供一个更完整的描述一些对象或任务。

文献调查

现在一天的服务集成接收来自学术界和工业界的大量知识。工具和技术,仪器服务集成过程和随后的怀孕结果参与当前的工作。这部分的工作主要涉及的研究领域的数据和信息集成。在数据库知识发现(KDD)[1]是最初的想法,我们认为知识发现,而是数据库或数据挖掘,我们认为新知识时,可以实现聚合补充服务。
知识发现服务(KDS)[1]是一个系统性的过程发现web服务的候选服务集成,最终可能发现新的知识。在这种方法中,有一个定制的改进生命周期,软件工程师可以使用它来生成基于服务集成技术的新应用程序。KDS还发现细节方面最有价值的确定的web服务规范服务集成资格。
这包括两个主要的测试。
1。在web服务的语义特征是不可用的情况下,高精度句法方法必须在把假设等价服务之间使用直接和间接信息服务规范(等效处理)。
2。特性,使两个更多的服务能力的集成或服务集成(集群)必须充分认识和灵活的环境服务存储库的进步。
摘要相交的过程领域的数据集成和服务mashup。这种模式用于发现数据web服务规定类似于与知识发现(KDD)相关的行之有效的方法。本文讨论了两个过程的相似性。此外,先进的方法与底层KDS等效处理领域,聚类,过滤[1]。
虽然数据集成领域已经有了长期存在的背景下,使用这些技术来完成需要解决的mashup最近才刚刚开始。大部分的工作在这一领域地址的工具和环境。支持mashup结果的可视化和表示[2],[3]。其他项目描述启用技术准备服务mashup [4]。也有项目调查的策略来保护数据mashup环境和制定企业政策为现代化系统使用造成的信息成功的mashup [5]。

研究方法

等效处理

在传统的软件工程中软件接口的匹配研究的地方。我们的方法比较早的相似性搜索方法通过使用标记语言接口,可在面向服务计算领域。的服务集成方法类似于发现的基础技术和web服务组成。语义和语法技术的两种常用方法组成,消费和服务集成。一般语义方法支持web服务的集成和功能的语义描述。
算法同样试图理解包容等软件开发者的趋势关系,常见的子集和缩写命名这个名字他们的web服务。为了理解这些趋势,我们手动下载并验证了许多开放的web服务的功能。到Web服务的Web服务存储库。
用户界面主要是查询和子查询。拟议的工作搜索在分布式web服务存储库的统一描述、发现和集成(UDDI)的查询。这可能是一个服务名称,操作名称,类型名称和描述字段的服务规范。即语法匹配——Levenshtein距离和Letter-Pairing (TSM-LP)[1]算法之间的等效处理输入查询和特定web服务的一部分。

答:发现Web服务消息命名趋势:

KDS解析方法使用专门的工具来评估来自自底向上的服务。我们寻求和发现趋势在开放的web服务。列出了三个最常见的趋势如下:
1。包容关系的强大趋势对于web服务开发人员是使用部件名称基于共同的名字。类似消息旨在当使用常见的名字有很强的包容关系。例如,有等价服务名=帧;name =中间名和名称=用户名。
2。常见的子集——这类似于包容关系,部分相关的web服务名称是有共同的子集。例如,我们建立了等价组件名姓=用户名。
3所示。缩写Naming-Another强劲的趋势是常见的名字减少缩写。例如,电路= =通讯电路或沟通。

b .使用自然语言信息匹配方法利用趋势:-

许多语法方法被应用于利用趋势2和3时匹配服务。
Levenshtein距离(LD)(除了称为编辑距离)评估两个字符串之间的相似度。LD是最小的数量的删除、插入或替换是必要的原始字符串转换成目标字符串。LD越大,越不同的字符串取决于LD。先前存在的来源,我们适应LD的实现算法既存的来源。LD算法成功当评估缩写与完整的字符串。LD也蓬勃发展类似的改变的字符串创建唯一性。有许多发生在零代替字母O或数字添加到消息的结束的名字。
LD有利于类似的字符串,但它不是有用的字符串有类似的子集,没有确切的包容关系趋势1。例如,姓和氏是等价的,但也不是的一个子集。我们使用字母配对的使用这种性质的帐户实例。这封信配对(LP)方法是一种算法,可用于匹配的字符串有共同的子集。使用LP算法,对两个字符串被分成信。STR1会分离成圣、TR和R1和STR2会分离成圣,TR, R2。的比例相同的数量对和对计算的总数。这个比例行使评估两个字符串的相似性。

c语法信息匹配不同的方法:-

调用全局匹配算法,即语法匹配——Levenshtein距离和字母配对(TSM-LP)。该算法利用前面提到的趋势用LD和LP。然而,作为一个服务集成实验的一部分,我们将评估使用以下语法匹配的四种方法:
•Equality-This方法测试如果消息语法相同的两部分。
•Subsumption-This方法测试两部分的消息(即有包容关系。第1部分,消息是消息部分的一个子集2,反之亦然)。注:包含平等包容。
•Levenshtein距离(TSM-L)——方法增加了平等和包容也测试,看看消息部分基于编辑距离的是相似的。三个阈值基于不同严格管理算法。三个阈值确定基于自相似性程度为特定类别的服务有关。
•Letter-Pairing (TSM-P)这种方法扩展了平等和包容通过检查使用字母配对相似。严格的阈值是根据存储库相似和与TSM-L一致。
•Levenshtein距离/ Letter-Pairing (TSM-LP)——方法合并所有之前提到的方法。

聚类

a . XML文件转换为数据库表中

一旦输入之间的等价形式确定查询和web服务的特定部分,web服务是由输入和输出消息联系在一起。创建XML文件从web服务获取数据的XML文件转换为数据库表中。

b .创建集群

再邻居算法是一种算法在基于实例的学习基础。该算法从关联每个实例对应点的n维空间。最近的一个实例的值确定使用欧氏距离的公式。因此,考虑一个实例x和ar (x)实例的属性的值r x,下列向量描述这个实例可以定义:
< a1 (x) a2 (x)…,一个(x) >
现在距离两个例子xi和xj的定义是这样的:
图像
在“近邻”发现,目标函数可以将离散值以及真实的。

c .集群创建

集群Rajarampuri

创建集群的区域明智的在每个城市。每个区域都有分配重量。体重增加了1按连续区域在特定的城市。附近地区有最低重量差异使用欧氏距离计算。
使用再创建集群的邻居Rajarampuri集群等算法

结果

图1显示了Web服务集成架构提出。表1包含趋势的伪代码-基础语法匹配Levenshtein距离和字母配对(TSM-LP)算法。等效处理输入查询的用户查询过程在平坦的Web服务,医院学校Web服务和Web服务。图2显示了公寓等效处理输出可用性,以及附近的医院和学校儿童Rajarampuri戈尔。图3显示了结果Rajarampuri集群和图4显示了Rajarampuri集群演示使用再邻居算法

结论

通过使用TSM-LP算法等价处理模块实现。输入查询和服务规范的web服务相匹配。输入查询流程不同的Web服务,比如平Web服务,医院学校Web服务和Web服务。使用再创建集群的邻居算法如Rajarampuri集群,Kothrud集群和东部Dadar集群。

表乍一看

表的图标
表1

数据乍一看

图1 图2 图3 图4
图1 图2 图3 图4

引用