An approach towards adaptive service composition in markets of composed services

Abstract

On-the-fly composition of service-based software solutions is still a challenging task. Even more challenges emerge when facing automatic service composition in markets of composed services for end users. In this paper, we focus on the functional discrepancy between “what a user wants” specified in terms of a request and “what a user gets” when executing a composed service. To meet the challenge of functional discrepancy, we propose the combination of existing symbolic composition approaches with machine learning techniques. We developed a learning recommendation system that expands the capabilities of existing composition algorithms to facilitate adaptivity and consequently reduces functional discrepancy.

La composición sobre la marcha de soluciones de software basadas en servicios sigue siendo una tarea compleja. Surgen aún más desafíos al abordar la composición automática de servicios en mercados de servicios compuestos para usuarios finales. En este artículo, nos centramos en la discrepancia funcional entre lo que un usuario desea, especificado en una solicitud, y lo que obtiene al ejecutar un servicio compuesto. Para abordar el reto de la discrepancia funcional, proponemos la combinación de enfoques de composición simbólica existentes con técnicas de aprendizaje automático.