1. INTRODUCTION
Local Selection vs. Global Optimization
局部选择：通过一个给定的效用函数，不同的QoS准则映射为单一的效用值，最终选择效用值最大的服务。时间复杂度为O(l),l为每个群中的候选服务数。
全局优化：计算所有满足约束条件的服务组合的聚合QoS值，挑出max；问题转化为Multi-Choice Multidimensional Knapsack problem (MMKP), NP-hard问题
2. RELATED WORK
3. SYSTEM MODEL
QoS准则：包括通用QoS属性（反馈时间、可用性、价格、信誉等）和特定领域属性，如多媒体web服务的带宽（用实数来定量化表示）
服务的质量属性用矢量Q来表示，度量值通过直接从服务提供者处获得（如价格）、从先前的执行检测中获得（如反馈时间）、以及通过用户反馈（如信誉）
QoS的聚合函数：求和、乘积、最小值
全局QoS约束：上界约束C
4. QOS-AWARE SERVICE COMPOSITION
将QoS感知服务组合问题划分为两个阶段：1）服务组合器将每个全局QoS约束分解为局部的约束，并将这些约束发送到参与的服务经理人，这些约束包含以属性权重来表示的用户的偏好；2）每个服务经理人进行局部搜索来找到满足局部约束的最佳服务组件。
采用自适应质量标尺的方式。
5. PERFORMANCE STUDY
性能分析：假设服务类为n个，每个服务类中候选服务数为l个，全局QoS约束为m个。
使用标准的混合整数规划程序(MIP)，时间复杂度为![]()
使用本文的启发式算法，服务的选择是通过分布式的局部选择策略进行的，非常有效且可扩展。局部选择的复杂度为![]()
，由于每个broker可以并行工作，因此算法的复杂度仍为![]()
本文算法的决策变量是n*m*d，其中n是服务类的数量，m是全局QoS约束，d是质量标尺；选择d在1<d<<l/m的范围内，可以大大降低时间复杂度。
实验验证：
指标：时间+最优度
对比方案：整数规划方法http://lpsolve.sourceforge.net/
总结：
本文提出了一个针对QoS感知的有效的启发式服务组合方法。该方法结合了全局优化和局部选择的特点，可有效减少动态的尝试次数。在达到优化结果的同时能有效降低时间复杂度，可用于动态或实时环境中。
下一步工作：
质量标尺的数量的规定的，可以根据QoS信息动态优化；（王尚广, 孙其博, 杨放春. 基于全局 QoS 约束分解的 Web 服务动态选择 [J]. 软件学报, 2011, 22(7): 1426-1439.）
设计分布式服务的协议。