1. 緒論
網路服務（Web Services, WS）代表著為遠端探索、調用與組合而設計的自動化軟體元件。雖然語意式方法（例如OWL-S）旨在實現自動化推理，但其複雜性與成本阻礙了廣泛採用。因此，生產系統主要依賴使用WSDL（網路服務描述語言）的語法式描述。本研究透過調查WS組合的語法式方法來彌補此一缺口，具體而言，是使用三種成熟的字串相似度指標：Levenshtein、Jaro和Jaro-Winkler，來建構與分析網路服務組合網路。核心目標是比較評估這些指標，僅基於真實世界WSDL檔案中的語法特徵來識別合理服務關係的效能。
2. 背景與相關研究
2.1 語意式與語法式網路服務
以OWL-S等標準為代表的語意式網路服務典範，旨在使用本體論將機器可解讀的意義嵌入服務描述中。然而，正如PDF中所指出並得到全球資訊網協會（W3C）調查報告證實的那樣，由於註解所需的大量人工努力以及本體映射中未解決的挑戰，廣泛採用仍然有限。這個實際的瓶頸持續引發了對穩健語法式方法的興趣，這些方法可以在現有的、非語意的WSDL描述上運作，而這類描述構成了已部署服務的絕大多數。
2.2 適用於WSDL的相似度指標
先前關於語法式探索的研究，例如PDF中的[3]，將相似度沿著詞彙（文字屬性）、屬性、介面（操作I/O參數）和服務品質（QoS）等維度進行分類。我們的工作聚焦於詞彙和介面層級，將通用字串相似度指標應用於從WSDL中提取的元素名稱（服務名稱、操作名稱、參數名稱）。這種方法與透過統計文本分析利用潛在語義的趨勢一致，正如應用於網路服務的潛在語義分析（LSA）等方法中所見。
3. 方法論與網路建構
3.1 資料收集與前處理
本研究使用一組真實世界的WSDL描述作為測試平台。每個WSDL檔案都被解析以提取關鍵的語法元素：服務名稱、操作名稱和參數名稱。這些文字元素經過標準化處理（轉為小寫、移除特殊字元），以作為相似度計算的基礎。
3.2 相似度指標實作
實作並比較了三種指標：
- Levenshtein距離： 衡量將一個字串轉換為另一個字串所需的最少單字元編輯次數（插入、刪除、替換）。標準化相似度計算為 $sim_{Lev}(s_1, s_2) = 1 - \frac{edit\_distance(s_1, s_2)}{\max(|s_1|, |s_2|)}$。
- Jaro相似度： 基於匹配字元的數量和順序。公式為 $sim_j = \begin{cases} 0 & \text{if } m=0 \\ \frac{1}{3}\left(\frac{m}{|s_1|} + \frac{m}{|s_2|} + \frac{m-t}{m}\right) & \text{otherwise} \end{cases}$，其中 $m$ 是匹配字元的數量，$t$ 是換位數的一半。
- Jaro-Winkler相似度： 一種變體，對具有共同前綴的字串給予分數加成。$sim_{jw} = sim_j + (l \cdot p \cdot (1 - sim_j))$，其中 $l$ 是共同前綴的長度（最多4個字元），$p$ 是一個常數縮放因子（通常為0.1）。
3.3 網路生成流程
針對每種指標，建構一個網路服務組合網路。節點代表個別的網路服務。如果兩個服務節點其提取元素的聚合相似度分數（例如，所有操作名稱配對的平均相似度）超過預先定義的門檻值 $\theta$，則在它們之間建立一條無向邊。針對一系列 $\theta$ 值生成網路，以分析其敏感性。
4. 實驗結果與分析
關鍵效能摘要
Jaro-Winkler 在較高的門檻值下識別出更多語意上合理的連接。Jaro 在較低的門檻值下產生更稀疏、可能更精確的網路。Levenshtein 對微小的拼寫變化更為敏感。
4.1 拓撲特性比較
使用平均度數、聚集係數和平均路徑長度等指標分析生成網路的拓撲結構。使用Jaro-Winkler建構的網路在可比較的門檻值下，持續顯示出更高的連通性（更高的平均度數）和更強的局部聚集性，這表明它能更有效地將功能真正相似的服務分組。
圖表描述（設想）： 一張繪製三種指標「網路密度」與「相似度門檻值」關係的折線圖將顯示，隨著門檻值提高，Jaro-Winkler能維持比Jaro和Levenshtein更高的密度，這表明其在更嚴格的標準下保留有意義連接的能力。
4.2 不同門檻值下的指標效能
研究發現了一個明確的權衡：
- 高門檻值（$\theta > 0.9$）： Jaro-Winkler表現優於其他指標，仍能形成相關服務的連通元件，而其他指標則會使網路碎片化。這與其為匹配具有共同前綴的名稱和識別碼而設計的特性相符。
- 中低門檻值（$\theta \approx 0.7$）： Jaro指標更為可取，因為與Levenshtein相比，它產生的虛假邊（誤報）較少，後者經常基於微不足道的字串重疊來連接服務。
4.3 統計顯著性檢定
對多個自助抽樣樣本的網路指標分佈進行配對統計檢定（例如，Wilcoxon符號秩檢定），證實了Jaro-Winkler與其他指標之間在平均聚集係數和度數中心性上的差異具有統計顯著性（$p < 0.05$）。
5. 技術框架與數學細節
分析的核心在於指標的數學公式化。Jaro-Winkler 的加成因子至關重要：$sim_{jw} = sim_j + (l \cdot p \cdot (1 - sim_j))$。這給予前綴匹配相當大的權重，對於技術術語（例如 "getUserProfile" 與 "getUserData"）非常有效。相比之下，Levenshtein的編輯距離 $d_{Lev}$ 平等對待所有字元編輯，使其對於API設計中常見的駝峰式命名或縮寫術語的辨別力較低。用於合併多個服務元素相似度的聚合函數（平均、最大值、加權平均）的選擇，也會顯著影響最終的邊權重和網路拓撲。
6. 案例研究：服務組合情境
情境： 僅使用語法式WSDL資料，自動為「旅遊預訂」服務建議組合鏈。
框架應用：
- 節點表示： 服務：FlightSearch、HotelFinder、CarRentalAPI、WeatherService、CurrencyConverter。
- 相似度計算： 使用Jaro-Winkler，FlightSearch 和 HotelFinder 由於具有共同的參數名稱（如 "location"、"date"、"adults"）而具有高相似度。CarRentalAPI 與這些服務的分數也很高。WeatherService 和 CurrencyConverter 與核心群組的相似度較低。
- 網路形成： 在門檻值為0.85時，出現一個清晰的群集，連接了 FlightSearch、HotelFinder 和 CarRentalAPI。
- 組合推論： 網路群集直接建議了一個可行的組合路徑：鏈接 FlightSearch -> HotelFinder -> CarRentalAPI 以實現完整的旅遊預訂工作流程，並將 WeatherService 和 CurrencyConverter 作為潛在的周邊服務。
7. 未來應用與研究方向
- 混合式語意-語法系統： 將語法式網路用作快速、可擴展的預先過濾層，以縮小候選服務範圍，供計算成本更高的語意推理使用，類似於大型語言模型中檢索增強生成的工作方式。
- 與API知識圖譜整合： 將語法式網路中的節點嵌入到更大規模的API知識圖譜中，例如在APIGraph研究中探索的圖譜，並用語法相似度邊來豐富它們。
- 微服務中的動態組合： 將這些網路模型應用於執行時環境（例如Kubernetes、Istio），以基於即時部署描述符來建議或自動組合微服務。
- 進階指標： 探索基於嵌入的相似度（例如，在WSDL文字上使用BERT或Word2Vec），以捕捉更深層的上下文意義，同時在「不需要形式化本體論」的意義上保持「語法式」。
8. 參考文獻
- W3C. (2001). Web Services Description Language (WSDL) 1.1. W3C Note. 取自 https://www.w3.org/TR/wsdl
- Martin, D., et al. (2004). OWL-S: Semantic Markup for Web Services. W3C Member Submission.
- Dong, X., et al. (2004). Similarity Search for Web Services. In Proceedings of the 30th VLDB Conference.
- Elgazzar, K., et al. (2010). Clustering WSDL Documents to Bootstrap the Discovery of Web Services. In IEEE International Conference on Web Services (ICWS).
- Zhu, J., et al. (2020). APIGraph: A Large-Scale API Knowledge Graph. In Proceedings of the 28th ACM Joint Meeting on ESEC/FSE.
- Winkler, W. E. (1990). String Comparator Metrics and Enhanced Decision Rules in the Fellegi-Sunter Model of Record Linkage.
9. 專家分析與關鍵洞見
核心洞見： 本文提供了一個務實且必要的現實檢驗。它正確地指出，由於複雜性，完全語意化、自動組合網路服務的宏偉願景在生產環境中已經停滯，這呼應了其他AI驅動領域中看到的「採用鴻溝」問題。作者轉向嚴格評估語法式方法並非退步，而是朝著可部署解決方案的戰略性橫向移動。他們的工作本質上主張：在我們教會機器「理解」服務之前，先讓我們完善它們如何基於表面模式來「看見」和「連接」服務。這讓人想起在深度學習革命之前，早期高度有效的電腦視覺方法依賴於手工製作的特徵（如SIFT）——它們在資料有限的情況下也能穩健運作。
邏輯流程： 邏輯合理且以工程為導向。前提：語意方法成本高昂。觀察：語法資料（WSDL）豐富。假設：不同的字串相似度指標將產生不同品質的組合網路。測試：建構網路，分析拓撲。發現：Jaro-Winkler最適合高置信度的連結；Jaro更適合更廣泛、更嘈雜的探索。從問題識別到方法比較再到可操作指導的流程清晰且具說服力。
優點與缺陷： 主要優點是將網路科學技術應用於軟體工程問題，為服務關係提供了量化、結構化的視角。使用真實世界的WSDL檔案使研究立足於實用性。然而，一個重大缺陷是缺乏用於驗證的量化基準事實。我們如何知道網路中的一個連接是「合適的」？評估似乎部分依賴直覺。若能根據已知、有效的服務組合基準來評估網路，或使用網路來驅動組合推薦器並測量其準確性（類似於社交網路分析中評估連結預測的方式），本研究將得到極大加強。
可操作的洞見： 對於實務工作者來說，訊息很明確：從Jaro-Winkler開始。 如果您正在建構服務註冊中心或推薦系統，並且需要找到高度相似的服務（例如，用於去重複化或高精確度建議），請實作具有高門檻值的Jaro-Winkler。對於探索性任務，例如跨領域發現潛在相關服務，請使用具有較低門檻值的Jaro指標。這項研究也隱含地提倡一種多指標策略：在探索流程的不同階段使用不同的指標。此外，這項工作為將服務生態系統視為圖譜奠定了基礎——這種視角對於現代DevOps和平台工程至關重要，正如Spotify的Backstage等工具的興起所見，該工具使用建模為圖譜的軟體目錄。下一步合乎邏輯的步驟是將這些語法相似度邊整合到此類開發者入口網站中，以自動建議依賴關係和組合。