中文摘要：

随着移动互联网、物联网的迅猛发展，将涌现出海量的Web服务，不仅给用户带来更多的服务选择，同时也因其动态和不稳定性带来了一个不确定的数据环境。因此，我们认为仅仅从静态、稳定的传统角度研究服务发现组合是不够的，需要对服务属性进行不确定数据描述扩展，在不确定数据环境中对服务进行索引、分类、聚类、排序，并研究新的服务发现与组合方法。本项目研究内容如下1）通过研究适合当前服务描述语言的不确定数据环境中的Web服务模型，为研究新的服务发现和组合方法提供模型和理论基础；2）引入轨迹束索引、移动对象微聚类等技术，提出不确定数据环境中的Web服务索引、分类、聚类、排序高效构建及维护方法；3）基于上述基础，定义一组服务发现谓词，研究在不确定数据环境中的服务发现方法；4）使用基于概率的Skyline、隐马尔科夫、层次贝叶斯等建立不确定数据环境下的服务组合模型，并用信息熵定义服务组合模型的复杂度来衡量该模型。

结论摘要：

随着移动互联网、物联网的迅猛发展,将涌现出海量的Web服务,不仅给用户带来更多的服务选择,同时也因其动态和不稳定性带来了一个不确定的数据环境。因此,我们认为仅仅从静态、稳定的传统角度研究服务发现组合是不够的,需要对服务属性进行不确定数据描述扩展,在不确定数据环境中研究新的服务发现与组合方法。本项目研究内容如下: 1)通过研究适合当前服务描述语言的不确定数据环境中的Web服务模型,为研究新的服务发现和组合方法提供模型和理论基础;2)引入轨迹束索引、移动对象微聚类等技术,提出不确定数据环境中的Web服务索引、分类、聚类、排序高效构建及维护方法;3)基于上述基础,研究在不确定数据环境中的服务发现方法;4)使用Skyline、MapReduce等建立基于QoS预测的不确定数据环境下的服务组合模型。本项目在不确定数据环境中的QoS预测、服务选择、服务发现及服务组合四个方面均取得显著成果，发表国内外期刊会议论文共30篇。在QoS预测方面考虑用户反馈信息，通过迭代预测QoS提高其准确性，同时实现基于主题模型的QoS预测；通过Skyline和MapReduce的结合实现面向大规模服务的动态服务选择；在服务发现部分引入社交信息，另外还提出基于联合聚类的服务发现机制；利用服务组合的历史数据提高为组合服务进行服务推荐的效率。