当前信息技术的进步促进了经济和社会的深度变革，其影响堪比工业革命。近年来，随着互联网的发展壮大，基于互联网的服务也扩展到经济的各个方面。
服务计算(service computing或者service-oriented computing)是一门研究和发展支持广义服务的计算抽象、架构、技术和工具的学科。面向服务(service orientation)的目标是将物理的软硬件资产转换为一种范型，在这种范型下用户及资产可以实现按需交互、按需资源绑定和按需操作。面向服务所提供的抽象层使人们的关注点从基础架构和操作转移到服务本身。
需要指出，服务计算目前还没有充分发挥其应有的潜力，而技术的进步为服务计算提供了不断发展的新机遇。我们希望这份“服务计算宣言”能够通过阐述服务计算的研究目标和方法1，建立该领域研究人员的共识，并指导未来的研究[3]。
信息技术的演化：服务将成为计算价值链的下一环。计算技术在过去的几十年中已经取得了重大的进展，为越来越多的领域提供了自动化解决方案。计算技术发展的关注点经历了从数据、信息到知识的演化[6]。更高层抽象的需求引发了给知识增添操作行为的想法，从而促成了服务的出现。因此，服务的抽象定义来自于对知识的操作行为和传播，即提供一种使知识变得有用的方式。因此，服务可以看作计算价值链2的最高层（见图1）。
图1 沿着计算价值链的各级抽象
服务在今天的社会和经济环境中无处不在，例如，健康医疗、金融管理、人力资源和旅游规划等。不同于其他计算范型，服务能够运行在竞争性环境中，其中相似服务的主要区别在于它们的服务质量。知识本身是不够的，还需要在之上进行操作以产生新的效益。在服务场景下，通过服务质量选择服务实例，实际上给服务相关的知识提供了“行为”[7, 19, 24]。
经济已经历了重要的结构变革，而数字化战略和创新必须为经济提供新的工具，以获取竞争优势，并为服务构建新的价值[4]。在线服务技术的发展正将互联网转变为全球化的工作空间、社会化的论坛、管理个人事务和促进协作的新方式以及提供服务的商业平台。另外，各类组织在竞争压力下被迫提供其在线服务的对外接口，以允许第三方开发者开发出辅助功能及外围应用，从而为原有的服务添加新的功能，提供更丰富的服务特性，并增强可访问性及敏捷性。
Web服务技术的发展在一定程度上独立于服务的概念。过去的15年中，科研人员围绕Web服务已经开展了大量的研究。在企业市场上，预先生产好的软硬件产品在快速地被定制化的IT Web服务所取代，而这些服务主要用于解决单一问题。服务计算采取了更加宽广的视角，并逐渐成为一个跨学科的研究领域，其重点研究支持IT服务业的科学和技术。服务计算的最终目标是成为信息技术和业务服务的桥梁，从而使IT服务更有效和高效地运行业务服务。到目前为止，Web服务已成为实现服务计算的核心技术[4, 15, 16]。
服务计算支持服务的创建和分发，而这些服务通常会涉及到由不同组织提供和控制的、在Web上分布的计算设备和软件组件。自动组合旨在聚合这些服务资源，并基于用户目标和偏好提供个性化的IT服务。为了达到自动组合的目标，万维网联盟World Wide Web Consortium, W3C)和结构化信息标准推进组织(OASIS)等标准化组织提出了实现服务系统的系列规范和标准。服务计算也吸引了学术界的高度关注，创办了大量期刊和会议以支持该领域的研究发展。表1列出了服务计算领域主要的学术会议及期刊源，及其覆盖的研究方向3。岳(Yue)等人[24]也给出了关于服务计算研究的综述。
表1 代表性的服务计算论文源
然而，服务计算目前仍然主要局限在研究范畴，缺乏广泛的部署。一个主要的问题在于，大量经常相互矛盾的Web服务标准尝试对服务生命周期的每一个方面进行标准化， 结果导致了混乱。此外，已有的Web服务标准和技术不能有效支持如移动计算、云计算、大数据和社会计算等新兴计算技术，而这些恰恰是国际数据公司(IDC)认为目前正在影响全球商业格局的关键技术4。因此，Web服务标准带来的混淆，以及缺乏对重要新兴计算技术的支持，已严重制约了服务计算的快速广泛应用。
我们呼吁重新思考目前将服务范型和实现技术（即 Web 服务）进行简单叠加的做法。虽然 Web 服务仍与各类应用开发相关，但应重点关注应用背后的服务需求，特别是围绕上述新兴技术，发展出一种新的服务范型，而不是对现有 Web 服务标准和技术进行简单的修补。
服务计算的一个重要目标是利用服务范型的能力与易用性以及其中的功能组件和非功能组件去构建模块化的软件应用，并为服务选择和组合提供更加高层的抽象，从而将服务提升为第一类对象。面向服务的体系架构(SOA)是一个独立的技术框架，支持服务的定义、注册和调用[15]。服务计算应比面向服务的体系架构更加广泛，还包含更上层的业务流程建模、管理和分析，以及更下层的服务数据管理和分析。面向服务的体系架构已经成为服务计算的核心概念，为服务计算的实现提供了基础。作为一种新的服务实现模型，云计算的出现激发了研究人员和工程实践人员探索如何将服务计算运用在云中。已有大量研究致力于如何利用服务计算的概念来支持云应用的开发。正如前文所述，服务计算既能受益于新兴的移动计算、云计算、大数据和社会计算所带来的新方向，也有助于推动这些方向的进一步发展（见图2）。
图2 服务计算技术路线图：要素及研究方向
服务计算研究中的挑战
传统服务计算的研究[7, 9, 16, 24]主要集中在体系结构、规约语言、协议、框架、生命周期、服务质量和跨企业自治域的信任与信誉度的建立等七个方面。在方兴未艾的服务计算领域中，这些问题尤为突出。然而，在服务计算中一个经常被忽略的战略性挑战是分析在现实世界中为什么服务计算还没有充分发挥作用，以及如何改变这种现状。阻碍服务计算研究向工业界进行转化的一个主要困难是缺乏将复杂数据处理转化为日常服务的简单方法，以及通过以数据为中心的体系架构（如Hadoop）解决复杂服务交互的简便方法。其中，一个主要挑战是如何在多个组织之间实现跨平台的无缝合作。
解决这一问题可能仍主要依靠服务组合来实现。跨组织自动服务组合的困难主要包括在组织层面的能力、信任、审计、功能及非功能目标（包括安全与隐私）的差异性，以及技术层面上交互协议和表示的差异性。
我们认为，服务计算正面临服务设计、服务组合、基于众包的信誉度[14]和物联网等四个方面的挑战。
服务设计的挑战
服务设计是对服务的本质及其关系的形式化理解。这是构建可靠的服务系统的重要前提条件。目前服务系统的构建中尚没有足够严格的理论基础来支持对系统的推理，而通常依赖于传统软件工程的方法，一般都未考虑服务系统是由多个自主组件整合而成的事实。Web为可靠服务系统的开发潜在地提供了一个独特而统一的平台。然而，目前还没有全面的理论框架来定义和分析Web上的复杂服务系统，目前只有为数不多的复杂服务系统。
服务组合的挑战
受到大数据成功应用的影响，将大量的服务组合成一致的系统已经成为一个正在发展的方向。2008年，调查发现在互联网上存在5077个基于网络服务描述语言(WSDL)描述的Web服务[1]。2016年，在一个公共网站上注册了大约15000个Web服务5。当前，云计算的普及促进了基于云的服务的快速增长。2013年调查发现，已有6686个云服务[13]，其中有相当大的比例不是用WSDL描述的。在智能手机时代，数以百万计的手机应用程序(App)可以从基于云的应用商店中进行下载。据估计，截至2015年7月，已积累了160万个安卓应用和150万个苹果应用6。从这些大规模应用库中精确而有效地搜索服务正在成为一个巨大的挑战[2, 24]。
在大数据环境下，数据可能同时被大量服务所访问。现有的服务选择、组合与推荐方法大多假定静态的数据环境，难以满足实际需求，因此应该探索可以解决一致性的服务组合技术。在物联网环境下，智慧城市可以看作大规模服务组合的典型实例，其中数以百万的异构数字设备和服务动态地整合起来提供各种实时的功能或者客户订制的功能。然而，如何从大量动态的设备和服务中选择并组合服务，并以实时且上下文感知的方式满足用户需求是非常困难的，亟须重点关注[22]。
在脸书(Facebook)和推特(Twitter)等大规模社会网络中，往往有数十亿的注册用户，大多数用户平均有几百个朋友或者粉丝(followers)（2010年，脸书用户平均拥有338个好友7；2013年，每个推特用户平均拥有208个粉丝8），所产生的数据不仅规模巨大而且非常复杂。因此，基于社交关系的服务组合面临着基础的、重大的挑战。
基于众包的信誉机制的挑战
信任在服务生态系统中非常重要。然而，当提供相似功能的多个服务之间存在竞争时，很难建立信任关系。在社会网络中，信誉度是基于用户过去行为预测其可信性的一种有效方法。在开放且多为匿名的环境下，确定信誉度是很困难的。因此，信誉度和众包是推测信任的重要方法。
通常，通过在一个社区中收集所有个体用户对某一服务的评价，可以计算该服务实体的信誉度。众包为基于社区内协作收集数据提供了一种有效的方法[5]。然而，基于众包对信誉度的计算仍然存在几个挑战。
众包的质量。众包和传统用户反馈收集的主要不同在于，众包更多用经济奖励和其他激励机制来鼓励用户参与。然而，目前还不清楚这些因素对众包质量的影响。此外，服务用户的观点一般比较模糊、依赖于上下文，并且基于个人的偏好。模糊性指的是用户所表达的并非是其真实的想法。用户的观点也可能受到时间、地理位置以及社会因素（如服务用户之间或服务用户与服务提供者之间的社交关系）的影响[12]。一些用户可能对某些服务产品具有特别的偏好[10]。因此，鉴于信誉度受到多个所依赖的因素的影响，迫切需要能够预测众包信誉度的方法。
众包贡献者的可信度。对于某些特定的服务产品，一些服务用户的观点可能是不公平的，甚至是恶意的。这种不公平性和恶意性是上下文依赖的，受到服务、时间和地理位置变化的影响。其中一个关键的问题是，根据他们所在的上下文环境，基于可信度来选择众包贡献者。
测试平台。迄今为止，还没有标准的测试平台来比较信任和信誉度模型。迫切需要设计合适的评估指标来比较服务的信任和信誉度模型。
物联网中的挑战
物联网是一个新兴的富有前景的领域，其目标是将每一个物理实体变成互联网上的节点。更具体地说，物理实体是任何通过互联网连接的传感器、摄像头、显示器、智能手机或其他智能通信设备。物联网带来了两个基础性的技术挑战[17]：与物理实体的通信和对物理实体的管理。服务技术可为物联网提供通信和互操作方法（例如REST和服务组合模型），因而有助于解决以上挑战。其中一个困难是物理实体往往是资源受限的，SOAP和BPEL等传统标准对于物联网来说过于笨重。特别是由于体系结构上的不同，现有的服务组合模型不能直接用于物联网的互操作。相对于单一类型的Web服务组件模型（例如服务），物联网组件模型是异构的、多层的（例如：设备、数据、服务和组织）。因而，需要新的模型来实现物联网中的服务组合。物联网的功能描述规范也是一个重要的挑战。通过差异化的、移动的和上下文感知的设备，数据和服务能够同步产生差异化和上下文感知的功能[11]。因此，我们期待物联网组件在功能上比传统的设施更加动态、更能够感知上下文，这给组合过程带来了极大的复杂性。
简而言之，物联网可能涉及数十亿的物理实体，并可利用其数据和功能提供新型智能服务，从而使企业、工业界和整个社会获益。在物联网所面临的基础性挑战中，与服务计算紧密相关的内容包括：
1．持续维护信息属性和物联网设备的上下文信息。特别是，物联网中的物理实体需要拥有Web标识和可以描述其物理空间的Web表示（例如，Web代理），也需要在社会、环境、用户和应用的上下文中进行连接和通信，因而需要对这些上下文进行维护和管理。
2．不断发现、集成和使用（重用）物联网中的物理实体及其数据。特别是，物联网环境是一个协同环境，其中物理实体与其数据、云服务以及IT服务（例如，用于数据分析和可视化的服务）通常由独立的提供者提供，这些提供者不仅有不同的业务模型、费用模型和服务质量(QoS)模型，而且接口也不同。为了提供新的互联网规模的服务，物联网必须使用（重用）他人所部署的物理实体以及他人所收集的数据。
服务计算研究路线图
针对前面提出的主要挑战，我们给出服务计算的研究路线图，主要集中在四个新兴的研究领域：服务设计、服务组合、基于众包的信誉度和物联网。
服务设计
在服务设计方面的研究应借鉴数据库、软件工程和分布式系统的相关研究方法，主要集中在为服务设计奠定基础。一个服务系统的设计应建立在服务的形式化模型基础上，从而可以高效访问由大量功能不同的服务所构成的服务空间。类似于数据库中关系模型对结构化数据访问的支持，服务模型也可以支持对服务的访问。由于服务组合通常需要满足复杂的用户需求，因此服务模型支持不同服务及服务操作之间的依赖关系是非常重要的。与关系模型类似，服务模型应该支持服务查询代数和演算，使得一般用户可以通过透明而有效的方式来声明式地查询多个服务。此外，服务查询优化不仅要生成有效的查询执行规划。同时，由于大量服务提供者提供相似功能的服务，存在相互竞争，因此服务模型的设计还应该支持优化策略的实现，并能根据用户期望的质量找到最好的Web服务或组合服务。总而言之，一个满足需求的形式化服务模型将对高效和透明的计算资源访问起到关键作用，也是发挥服务计算全部潜力的关键。
目前，人们在设计和使用形式化模型、帮助用户访问服务方面取得了一定进展[25]。基于形式化服务模型可以定义多个代数算子，进而把服务作为一般意义下的对象来进行处理，如从一个服务选择特定的操作、基于质量的服务选择、以聚合形式把多个服务组合成组合服务。这些算子的实现能够支持生成服务执行规划，并且用户可以通过访问服务来使用生成的服务执行规划。然而，功能的相关性和质量需求使得服务模型比关系数据模型更为复杂。
特别是，服务有三个非常关键的特征：功能性、行为和质量。其中，功能性一般由服务提供的操作来刻画；行为反映了服务的操作是如何被调用的，并由服务操作之间的依赖约束决定；质量确定了服务的非功能属性。一个可行的服务查询语言应该能允许用户定位和调用所需要的功能，并选择可满足质量需求的最佳服务提供者，而且当功能需求必须由多个服务提供时能够生成组合服务。
设计服务组合的一个重要方法是，不要从一方的角度出发而是从两方或多方的交互表示着手。人们经常用协议来描述交互，从而可以忽略服务的具体实现，因此协议体现了异构和自治服务之间的互操作性[23]。新的协议设计方法适应了数据表示，但需要更进一步地研究如何缩小交互与数据之间的鸿沟。一个重要的方向就是将社会-技术交互进行形式化，并作为自治服务治理的基础[23]。
服务组合
服务组合的未来研究方向主要包括：
大规模Web和云服务组合。服务组合的研究需要扩展到非-WSDL描述的服务或者采用纯文本描述的服务。例如，ProgrammableWeb.com收集了超过1万个API服务以及超过6000个服务聚合(mashup)，其中绝大部分是以纯文本的方式进行描述。Web信息抽取、自然语言处理、数据和文档挖掘、协同标签以及信息检索技术可以被用于抽取有用的语义、分类相关服务和检测新的组合模式等。然而，较短的服务描述只包含有限的词组，且不同服务提供者会使用不同的命名方式，因此需要在服务技术和所有相关领域上进行技术创新。此外，一个软件系统可能在其生命周期里不断进行演化，也可能需要处理运行环境的变化和不断增加的工作流复杂度。自适应的软件能评估自己的行为并根据评估结果进行调整从而解决问题并提高性能。
通常认为，云计算环境由于潜在的可扩展性与易访问性使其成为服务部署的一个有吸引力的选择，然而，仍然存在以下问题：
1．维护：资源并不被服务提供者直接控制。
2．安全性：云可能并不属于服务提供者所在的企业。
3．服务水平协议(Service-Level Agreements, SLA)：云服务提供者负责资源的分配。例如，一个服务可能不仅因为服务提供者对其进行更新而变得不可用，也可能因为云服务提供者的更新而不可用。
在服务迁移到云或者云中的容器时，必须解决这些问题。
大数据驱动的服务组合。由于已有方法的限制，最新的大数据研究结果为新的服务选择、组合和推荐技术提供了关键的方法。目前的大数据研究中一个重要的方向是对在线数据处理模型和算法的研究。与传统的批处理方法不同，在线服务组合或许能够为大规模、高动态和多种多样的大数据服务进行可扩展和自适应的组合创造有前景的研究方向。另一个重要的考虑是用户如何理解服务计算和大数据框架处理的结果。同样，把大数据分析框架与其所服务的用户的基本属性进行关联也将变得越来越重要。
基于社会网络的服务组合。大规模社会网络中的服务选择、推荐和组合应该要结合社会网络和复杂网络的分析方法以及可信计算技术。一个重要的方向是结合服务用户之间的社会网络交互数据及服务数据来监测服务之间隐藏的关系，并生成潜在的服务组合，特别是用户通过社会媒体服务展现的活动，如用户会发帖讲述使用服务的经历、问题和反馈，这样可以对理解、使用传统和新兴服务带来新颖的见解。例如，公共程序开发论坛公布的使用服务构建聚合服务的情况，可被用于给其他用户推荐感兴趣的服务，并建立新的服务聚合。另外，从社会媒体或电子商务平台记录的事件日志中可以监测出用户的行为模式，从而发现业务流程挖掘所需的潜在知识。此外，新兴服务可能会带来新的服务质量特征，如可靠性、可用性及响应时间。可以通过社会媒体服务提取特定领域的质量属性，来反映用户在选择和组合服务方面的兴趣，形成对用户的判断。
基于众包的信誉度
基于众包的服务信誉度研究主要包括以下方面：
众包的质量。未来研究应该专注于经济或其他因素如何影响用于服务选择的众包数据质量。社会研究应该围绕这些利益因素对众包可靠性和众包贡献者范围的调查进行展开，其中有三个影响众包数据质量的因素（模糊性、上下文相关性和个人偏好）需要进行研究。对于模糊性问题，未来研究应着重于如何设计信任评估问题和规模及人机交互，以精确地刻画用户与信任相关的认知。这将与认知科学和人机交互的研究协同展开。上下文相关性与个人偏好的区别在于前者更依赖于客观因素，如时间、位置和社会关系，而后者更取决于主观因素，如个人经验。这两类因素，如社会关系和个人偏好，可能会同时相互影响。未来研究应该以如何对这两类因素之间的相互关系建模以及如何融合这两类关系来预测它们对众包数据质量的影响。
众包贡献者的可信度。未来应该重点研究与贡献者可信度相关的上下文特征。众包成员（即用户或者服务）的可信度决定了其他用户对其所给出的服务评价的信任度。这使得我们可以对服务和反馈信息的信任度进行区分。例如，一个服务可能作为服务提供者是不可信的，但它可能在其他服务提供者的行为评价上是可信的，反之亦然。因此，选择最合适的众包贡献者或工人将需要一类服务，用户可以与之交互并关联贡献者、服务提供者和第三方（如招聘启事和社会媒体）的信息[8]。
物联网
在传统的服务计算领域，服务组合主要集中在寻找组件服务之间的有效组合[19]。目前人们已研究了物联网中的服务组合，需要找到组件服务和设备之间构成的有效组合[11]。而在基于服务组合的新兴物联网体系结构下，则需要找到由组件服务、云平台服务支持的数据服务和设备构成的有效组合。由于云组件服务不必依赖于计算中心，故需要其来管理设备Web表示、上下文信息以及相关的数据处理服务，从而成为物联网不可分割的一部分。
与目前在服务发现和集成方面工作相互补的是，设备发现和集成成为物联网研究的一个重要的新研究方向。目前，基于语义传感网络和OpenIoT[18]的研究提供了一个设备层架构，为物联网的设备发现和集成提供了相关基础。语义传感器网络定义了一个本体，用于描述物联网，并从设备产生的数据属性找到设备。然而物联网中的设备在功能和访问方法上千差万别，不可能通过一个统一的本体来描述高度异构的物联网中的所有设备。因此，可以使用信息提取和文本挖掘技术来提高设备发现的准确性。
物联网中设备之间关联性的发现可以极大促进物联网中设备的集成。然而，设备之间的关联性一般很难被监测到。与社会网络中用户之间的良好连接不同，设备之间只有有限的显式连接。一个可能的方向是多跳连接，使用人与设备之间的交互来关联设备。
基于图的方法和机器学习技术可以帮助发现物联网中设备之间隐藏的关系，从而可以生成有趣新颖的集成模式。
结论
服务计算具有良好的发展前景，极大推动着移动计算、云计算、大数据和社会计算等新兴计算领域的进步。本文阐释了服务计算的潜力将远超过其目前已取得的成就。为此我们给出了服务计算未来的发展路线，希望能够在此方向上产生更大的创新。服务计算模式若要谋求发展与成功，需要摆脱当前技术的限制。这可能面临艰难的挑战，但一定能够带来巨大的回报，我们坚信在此方面设立一个伟大的研究计划必将有利于计算机科学和社会的发展。
致谢：
本研究得到了澳大利亚研究委员会LP120200305、DP150100149及DP160103595，卡塔尔国家研究基金（卡塔尔基金会的成员之一）NPRP 9-224-1-049的资助。
作 者：
阿瑟曼·博盖塔亚(Athman Bouguettaya)
悉尼大学。athman.bouguettaya@sydney.edu.au
穆尼达·赛恩(Munindar Singh)
北卡罗莱纳州大学
迈克·哈恩斯(Michael Huhns)
南卡罗莱纳大学
其他作者：
盛权政(Quan Z. Sheng)
董 海(Hai Dong)
齐 豫(Qi Yu)
阿扎代·盖瑞·内爱特(Azadeh Ghari Neiat) 等
（注：中文名均为音译）
译 者：
孙海龙
CCF高级会员，CCF协同计算专委会委员。北京航空航天大学副教授。主要研究方向为网络化软件技术与系统、群体智能/众包等。
sunhl@ buaa.edu.cn
王 旭
CCF专业会员。北京航空航天大学讲师。主要研究方向为网络化软件的质量保障、分布式系统可靠性和性能优化等。
邓 婷
CCF专业会员。北京航空航天大学讲师。主要研究方向为数据质量、大数据理论与算法、网络化软件等。
dengting@act.buaa.edu.cn
（本期译文责任编委：胡春明）
本文译自Communications of the ACM, “A Service Computing Manifesto: The Next 10 Years”, 2017, 60(4):64~72一文，有删节。
1 本文的内容源于2014年12月8~9日在澳大利亚墨尔本的RMIT大学举行的研讨会，吸引了来自全世界的多位服务计算专家参加。相关的文档也曾得到其他一些重要学者的建议，本文正是在此基础上完成的。
2将服务模式置于计算价值链的顶层并不会因此而降低价值链上各层问题的重要性。
3这些方向的选取标准是：2013年以来，至少有5篇文章在该方向上发表，且只考虑期刊文章和学术会议的常规论文。
4参见http://www.idc.com/prodserv/3rd-platform/。
5参见http://www.programmableweb.com/。
6参见http://www.statista.com/statistics/276623/number-of-apps-available-in-leading-app-stores/。
7参见http://www.pewresearch.org/fact-tank/2014/02/03/6-new-facts-about-facebook/。
8参见http://expandedramblings.com/index.php/march-2013-by-the-numbers-a-few-amazing-twitter-stats/。
参考文献
[1] Al-Masri E, Mahmoud QH. Investigating Web services on the World Wide Web[C]//Proceedings of the 17th International Conference on World Wide Web. 2008, 795-804.
[2] Blake M B, Nowlen M E. Knowledge discovery in services (KDS): Aggregating software services to discover enterprise mashups[J]. IEEE Transactions on Knowledge and Data Engineering, 2011, 2(6):889-901.
[3] Chesbrough H, Spohrer J. A research manifesto for services science[J]. Communications of the ACM, 2006, 49(7):35-40.
[4] Special Issue: Services Science[J].Communications of the ACM, 2006, 49(7).
[5] Doan A, Ramakrishnan R, Halevy A. Crowdsourcing systems on the worldwide web[J]. Communications of the ACM, 2011, 54(4):86-96.
[6] Fricke M. The knowledge pyramid: A critique of the DIKW hierarchy[J]Information Science, 2009, 35(2):131-142.
[7] Huhns M N, Singh M P. Service-oriented computing: Key concepts and principles[J]. IEEE Internet Computing, 2005, 9(1):75-81.
[8] Jarrett J, Ferreira da Silva L, Mello L, et al. Self-generating a labor force for crowdsourcing—Is worker confidence a predictor of quality?[C]// Proceedings of the 3rd IEEE Workshop on Hot Topics in Web Systems and Technologies. IEEE, 2015, 85-90.
[9] Lemos A L, Daniel, F., and Benatallah, B. Web service composition: A survey of techniques and tools[J]. ACM Computing Surveys, 2015, 48 (3):1-45.
[10] Liu X, Kale A, Wasani J, et al. Extracting, ranking, and evaluating quality features of Web services through user review sentiment analysis[C]//Proceedings of the 2015 IEEE International Conference on Web Services. IEEE Computer Society, 2015, 153–160.
[11] Neiat A G, Bouguettaya A, Sellis T. et al. Failure-proof spatio-temporal composition of sensor cloud services[C]//Proceedings of 12th International Conference on Service-Oriented Computing. Springer, 2014, 368–377.
[12] Nepal S, Paris C, Bouguettaya A. Trusting the social Web: Issues and challenges[J]. World Wide Web Journal, 2015, (18):1–7.
[13] Noor T, Sheng Q Z, Ngu A. et al. Analysis of Web-scale cloud services[J]. IEEE Internet Computing, 2014, 18 (4):55–61.
[14] Pal A. Internet of things: Making the hype a reality[J]. IT Professional, 2015, 17(3):2–4.
[15] Papazoglou M, Van den Heuvel W. Service oriented architectures: approaches, technologies and research issues[J]. The VLDB J, 2007, 16(3):389–415.
[16] Papazoglou M P, Georgakopoulos D. Service-oriented computing[J]. Communications of the ACM, 2003, 46(10):24–28.
[17] Raggett D. The Web of things: Challenges and opportunities[J]. IEEE Computer, 2015, 49 (5):26–32.
[18] Serrano M, et al. Defining the stack for service delivery models and interoperability in the internet of things: A practical case with OpenIoT-VDK[J]. IEEE J. Selected Areas in Commun, 2015, 33(4):676–689.
[19] Sheng Q Z, Qiao X, Vasilakos A V, et al. Web services composition: A decade’s overview[C]//Proceedings of Information Sciences, 2014, (280), 218–238.
[20] Singh M. Norms as a basis for governing sociotechnical systems[J]. ACM Trans. Intelligent Systems, 2013, 5(1):1–23.
[21] Tan W, Blake M, Saleh I, et al. Social- network-sourced big data analytics[J]. IEEE Internet Computing, 2013, 17(5):62–69.
[22] Xu X, Sheng Q Z, Zhang L J, et al, From big data to big service[J]. IEEE Computer, 2015, 48(7), 80–83.
[23] Yolum P, Singh M. Flexible protocol specification and execution[C]//Proceedings of the 1st International Joint Conference on Autonomous Agents and MultiAgent Systems, 2002, 527–534.
[24] Yu Q, Liu X, Bouguettaya A. et al. Deploying and managing Web services: Issues, solutions, and directions[J]. The VLDB Journal, 2008, 17 (3):537–572.
[25] Yu Q, Bouguettaya A. Framework for Web service ebra and optimization[J]. ACM Trans. Web 2, 2008, (1), 1–35.
京公网安备 11010802032778号