Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Similarity Computation Exploiting the Semantic and Syntactic Inherent Structure Among Job Titles Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Large-Scale and Adaptive Service Composition Using Deep Reinforcement Learning

verfasst von : Hongbing Wang, Mingzhu Gu, Qi Yu, Huanhuan Fei, Jiajie Li, Yong Tao

Erschienen in: Service-Oriented Computing

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Service composition provides an effective way to implement a Service-Oriented Architecture (SOA) by combining existing multiple services to meet user requirements. The increasingly complex user requirements and large amount of services pose a significant challenge to service selection and composition. Furthermore, web services are network based, which are inherently dynamic. The environment of service composition may also be complex and unstable. These demand a service composition solution to adapt to the change of environment. In this paper, we propose a new service composition solution based on Deep Reinforcement Learning (DRL) for adaptive and large-scale service composition problems. The experimental results demonstrate the effectiveness, scalability and self-adaptivity of our approach.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Debt-Aware Learning Approach for Resource Adaptations in Cloud Elasticity Management
Nächstes Kapitel : An Adaptive Orchestration Platform for Hybrid Dataflows across Cloud and Edge
Fußnoten
Literatur
1.
Canfora, G., Di Penta, M., Esposito, R., Villani, M.L.: A framework for QOS-aware binding and re-binding of composite web services. J. Syst. Softw. 81(10), 1754–1769 (2008)CrossRef
2.
Constantinescu, I., Faltings, B., Binder, W.: Large scale, type-compatible service composition. In: Proceedings of the IEEE International Conference on Web Services (ICWS), pp. 506–513. IEEE (2004)
3.
Goldberg, D.E., Holland, J.H.: Genetic algorithms and machine learning. Mach. Learn. 3(2), 95–99 (1988)CrossRef
4.
Kaelbling, L.P., Littman, M.L., Moore, A.W.: Reinforcement learning: a survey. J. Artif. Intell. Res. 4, 237–285 (1996)
5.
Lange, S., Riedmiller, M.: Deep auto-encoder neural networks in reinforcement learning. In: The 2010 International Joint Conference on Neural Networks (IJCNN), pp. 1–8. IEEE (2010)
6.
Li, W., Badr, Y., Biennier, F.: Service farming: an ad-hoc and QOS-aware web service composition approach. In: Proceedings of the 28th Annual ACM Symposium on Applied Computing, pp. 750–756. ACM (2013)
7.
Mnih, V., Kavukcuoglu, K., Silver, D., Graves, A., Antonoglou, I., Wierstra, D., Riedmiller, M.: Playing Atari with deep reinforcement learning. arXiv preprint (2013). arXiv:​1312.​5602
8.
Mnih, V., Kavukcuoglu, K., Silver, D., Rusu, A.A., Veness, J., Bellemare, M.G., Graves, A., Riedmiller, M., Fidjeland, A.K., Ostrovski, G., et al.: Human-level control through deep reinforcement learning. Nature 518(7540), 529–533 (2015)CrossRef
9.
Oh, S.C., Lee, D., Kumara, S.R.: Effective web service composition in diverse and large-scale service networks. IEEE Trans. Serv. Comput. (TSC) 1(1), 15–32 (2008)CrossRef
10.
Trummer, I., Faltings, B.: Optimizing the tradeoff between discovery, composition, and execution cost in service composition. In: Proceedings of the IEEE International Conference on Web Services (ICWS), pp. 476–483. IEEE (2011)
11.
Wang, H., Chen, X., Wu, Q., Yu, Q., Zheng, Z., Bouguettaya, A.: Integrating on-policy reinforcement learning with multi-agent techniques for adaptive service composition. In: Franch, X., Ghose, A.K., Lewis, G.A., Bhiri, S. (eds.) ICSOC 2014. LNCS, vol. 8831, pp. 154–168. Springer, Heidelberg (2014). doi:10.​1007/​978-3-662-45391-9_​11 CrossRef
12.
Wang, H., Zhou, X., Zhou, X., Liu, W., Li, W., Bouguettaya, A.: Adaptive service composition based on reinforcement learning. In: Maglio, P.P., Weske, M., Yang, J., Fantinato, M. (eds.) ICSOC 2010. LNCS, vol. 6470, pp. 92–107. Springer, Heidelberg (2010). doi:10.​1007/​978-3-642-17358-5_​7 CrossRef
13.
Yan, Y., Poizat, P., Zhao, L.: Repairing service compositions in a changing world. In: Lee, R., Ormandjieva, O., Abran, A., Constantinides, C. (eds.) Software Engineering Research, Management and Applications 2010. SCI, vol. 296, pp. 17–36. Springer, Heidelberg (2010)CrossRef
Metadaten
Titel
Large-Scale and Adaptive Service Composition Using Deep Reinforcement Learning
verfasst von
Hongbing Wang
Mingzhu Gu
Qi Yu
Huanhuan Fei
Jiajie Li
Yong Tao
Copyright-Jahr
2017
Buch
Service-Oriented Computing

Print ISBN: 978-3-319-69034-6

Electronic ISBN: 978-3-319-69035-3

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-69035-3_27

Premium Partner

    Bildnachweise