Web服务组合的应用可靠性研究：案例比较

这里使用第4.4.5节中的订票代理服务来举例说明基于隐马尔可夫模型的差异比较诊断方法，为了便于分析，图4.13中的订票代理服务是图4.7的一个简化流程图。

图4.13　订票代理服务实例

首先，根据该订票代理服务的服务行为描述分别构建了服务模型SHM的行为转移矩阵BM、消息转移矩阵MM和观察矩阵OM，如图4.14所示（这里只对行为描述建模，主要目的在于说明诊断的流程）。然后给定一个发生异常的观察序列σ={o1（b1，m1），o2（b3，m3），o3（b6，#），o4（b7，m6），o5（b8，m7），o6（b9，m7），o7（b10，m′），o8（b11，m8），o9（b13，m10）}，如图4.15所示。假设American Airlines和Air China两个航空公司的Web服务返回给订票代理服务的价格信息有语义不兼容问题。一个中国用户想要订购一张从中国北京到美国洛杉矶的飞机票，于是他输入订票信息并向订票代理服务发送订票请求。订票代理服务根据用户信息查询两个航空公司的机票价格。American Airlines返回的机票价格是4151，其货币单位是美元，相当于25620元；而Air China返回的机票价格是21620，其货币单位是元。订票代理服务默认货币单位是元，因此订票代理服务从American Airlines航空公司的Web服务接收了一个错误信息“#”，然而由于接收时只是将数值直接复制给消息变量m6，因此并没有抛出异常，当最后返回给用户的信息是American Airlines航空公司的机票最便宜时，用户发现异常并提示结果错误。

图4.14　订票代理服务的诊断模型

图4.15　观察序列σ(www.xing528.com)

第一步，根据消息故障分析算法（算法4.3）可以诊断出从消息m3到消息#的转移概率为0，消息#不存在于消息转移矩阵当中，因此选取一个最匹配的正常消息替代#，也就是消息m6，最后得到正确序列MS={m1，m3，m6，m6，m7，m7，m′，m8，m10}和消息诊断解集合DS_m={#}。

第二步，根据得到的正确消息序列MS和行为故障分析算法（算法4.4），能够计算得出一个与MS最匹配的行为序列BS={b1，b3，b6，b7，b8，b9，b10，b11，b13}，将BS与观察序列σ进行比较，未发现不同，因此DS_b=null。

由此可以诊断出行为b6输出了错误的消息#，b6发生了数据语义错误，至此整个诊断过程结束。