Positionnement de notre approche

Figure 5.7 – Exemple de matrice d’adjacence du service événement

— Le plan final est fini : un nombre fini de processus atomiques satisfait la requête et sa dynamique ;

— Le plan final est complètement observable : chaque processus atomique est entièrement décrit et connu ;

— La plan final est déterministe : pour chaque requête e et pour chaque plan a, l’applica-tion de e sur a mène vers un unique résultat ; le plan est séquentiel et concurrentiel : un plan solution en tant que composition de processus atomiques est un ensemble to-talement ordonné de ces processus atomiques ;

— l’objectif est déclaratif : un ensemble de propriétés de la composition souhaité décrit l’objectif de planification lorsque des propriétés sur la composition du plan pourraient être exprimées ;

Les descriptions sémantiques actuellement disponibles, en termes de Services Web Sé-mantiques [^{Jorge 2006,McIlraith et al. 2001] tels que OWL-S ou WSMO, présentent une} grande complexité de leur description sémantique ainsi que de leur traitement engendrant des problèmes d’évolutivité lors de la découverte sémantique. Etant basées sur différents for-malismes logiques, plusieurs travaux de recherches se sont concentrés sur l’amélioration et l’optimisation du mécanisme d’appariement en indexant les descriptions sémantiques ou en les mettant en cache. Dans cette partie, nous abordons une nouvelle approche de découverte automatique de Web Services Sémantiques exprimé en OWL-S améliorant considérablement l’espace de recherche en se basant sur une approche existante EMMA (Enhanced Match-Making Enhanced Addon). Cette dernière optimise la phase de découverte en mettant en œuvre une phase de filtrage qui permet de réduire le nombre de Services Web Séman-tiques [^{Jorge 2006,McIlraith et al. 2001] candidats lors de la phase de découverte à ceux} qui sont pertinents par rapport à la requête de l’utilisateur. Ainsi, les services non pertinents sont a priori rejetés, parce qu’ils ne satisfont pas l’ensemble des exigences et des préférences formulés par l’utilisateur. Par conséquent, prétraiter le répertoire des SWS, permet ainsi de réduire et d’économiser les ressources calcul et améliorer les performances de la découverte sémantique. Pour cela, on considère uniquement le sous-ensemble de services qui se référent spécifiquement aux concepts cités dans la requête et non l’ensemble des services candidats contenus dans le répertoire.

Initialement, pour le pré-traitement proposé, la requête de l’utilisateur est formulée en SPARQL qui est ensuite analysée afin d’en extraire les descriptions sémantiques (la signature) désirés. Le répertoire est filtré afin que seuls les services qui utilisent ces concepts ou ceux

liés à ces concepts sont sélectionnés pour devenir pré-candidat au processus de découverte ultérieure.

La phase de filtrage proposé repose sur la définition de deux filtres totalement différents et exprimés en requêtes SPARQL, à savoir le Q_ALL et le Q_{SOM E}. Le premier filtre renvoie uniquement les services dont les descriptions sémantiques englobent l’ensemble des concepts sémantiques mentionnés par la requête utilisateur, c.à.d. que les services doivent satisfaire totalement chaque terme (concept) définit dans la requête par l’utilisateur. La deuxième filtre sélectionne les services dont la description sémantique qui se réfère à certains ou quelques (au moins un) concepts sémantiques définit dans la requête de l’utilisateur, c.à.d. que ces services peuvent répondre ou satisfaire partiellement les besoins et / ou préférences de l’utilisateur dans une certaine mesure et ceux malgré les informations manquantes. Cependant, cette ap-proche n’a pas la prétention de fournir un nouveau mécanisme de découverte sémantique mais de l’améliorer en introduisant une étape de prétraitement, le filtrage est basé sur le langage d’interrogation sémantique exprimé en SPARQL. Ce dernier raffine la phase de découverte des Processus composite (process Model OWL-S) en un sous-ensemble de services pertinents améliorant considérablement le matchmaking de services. C’est une approche qui utilise les requêtes sémantiques et présente une complexité linéaire sur la taille de l’ensemble du patron de données, de ce fait elle n’augmente pas le temps d’exécution à l’égard du processus de matchmaking. Dans la littérature, c’est la première approche à aborder le filtrage du réper-toire de service sémantique puisqu’aucune des approches cités dans le chapitre 3 n’aborde cette hypothèse. Cependant cette approche est applicable en amont sur tout scénario de découverte de SWS existante cités dans le chapitre 3.

5.5.2.1 Amélioration de la découverte automatique des Services Models Motivation

Les motivations pour développer ou tendre vers ces Services Web Sémantiques [Jorge 2006,McIlraith et al. 2001] sont évidemment de faciliter les phases automatiques de découverte, sélection et composition de Web services. Cependant, malgré cette large adoption des Services Web Sémantique, de nombreux obstacles empêchent leur réconciliation séman-tique lors de la composition du fait que l’interprétation consistante des données échangées entre services Web composés est gênée par des différences d’interprétation sémantiques. En effet, si leur sémantique est connue, alors chercher et composer des Web services pourra être fait automatiquement en donnant la sémantique cible. De plus, pour les mêmes raisons que pour le Web sémantique, il faut organiser les Web services entre eux. Une première solution pour les trier est que des machines puissent connaître leur sémantique. En effet, si la séman-tique était connue, il suffirait d’indiquer sous forme par exemple de requête les objectifs que devrait remplir le Web service afin de pouvoir, par exemple, le sélectionner. L’utilité et la pertinence des données se trouvent dans l’information qui peut en être extraite.

Le Process Model décrit les fonctionnalités sémantiquement qui sont incluse dans le Ser-vice Model. C’est pour cela, que notre thèse s’articule autour de la découverte des SerSer-vice Mo-del dû au fait de leur description explicite des fonctionnalités nécessaire à la sélection. Dans cette partie, nous nous intéressons aux hétérogénéités sémantiques des données échangées entre les Process Models engagés dans une composition. Pour cela, nous proposons

d’amélio-rer une approche originelle de découverte des Services Models. Notre principale contribution évolue autour de la notion de l’implication de la nouvelle ére les Données touristiques Liées pour enrichir l’échange des données entre les services Web. Nous proposons un modèle orienté Données liées ouvertes pour résoudre les hétérogénéités sémantiques entre les Services Web.

Afin de générer les différentes possibilités de composition, la capacité d’analyser la compa-tibilité entre différentes fonctionnalités sémantiques est indispensable. Le processus de match-making sémantique, est chargé d’évaluer ce niveau de compatibilité sémantique entre les concepts issus d’un ensemble d’ontologies et définis dans les jeux de données sémantiques. Ces derniers sont en mesure délivrer l’alignement de schémas qui détermine les relations sé-mantiques entre les concepts de type exacte et plugin nécessaire au moteur de composition. Les descriptions sémantiques actuellement disponibles, en termes de SWS tels que OWL-S ou WSMO, présentent une grande complexité de leur description sémantique ainsi que de leur traitement engendrant des problèmes d’évolutivité lors de la découverte sémantique.

Proposition Notre approche de composition ne réutilise pas un workflow prédéfini, mais génère dynamiquement un plan de composition reflétant la requête utilisateur et formulé en temps réel fournissant ainsi un accès rapide aux Process Model augmentant ainsi la probabilité d’identifier ceux qui sont potentiels en utilisant un langage de requête sémantique SPARQL. Nous proposons une approche de découverte plus facile en adaptation et en réutilisation, avec d’avantage d’expressivité et d’explicitation sémantique fonctionnelle et technique pro-venant du domaine des services Web. La majorité des approches de découverte s’articule autour du service profil, cependant le service Model fournit une description sémantique assez explicite de sa fonctionnalité permettant ainsi une découverte efficace des services les plus pertinents pour une meilleure composition dynamique. Dans la littérature, il existe des ap-proches permettant d’interroger les Services Web Sémantiques en utilisant le standard des langages d’interrogation sémantiques SPARQL. Partant du point où l’ensemble des descrip-tions des Services Models sont définies en termes de concepts ontologiques référencés dans le jeu de données touristique. Ce jeu de données repose sur l’utilisation de plusieurs vocabulai-res/ontologies.

Cette problématique est notamment étudiée dans plusieurs approches pratiques visant à utiliser des technologies du Web sémantique pour contribuer à la coordination des Services Web Sémantiques [^{Jorge 2006,McIlraith et al. 2001] . Une spécificité de ce contexte, assez} peu abordé dans la littérature existante, est sans doute le besoin d’inciter les découvertes des Services Web Sémantiques [^{Jorge 2006,McIlraith et al. 2001] inattendues et fortuites à} travers la richesse du Données Liées [Heath & Bizer 2011,Berners-Lee 2009,Bizer et al. 2009, Berners-Lee 2006] , une richesse qui repose notamment sur la diversité de types de liens et de ressources. C’est sur cette richesse que nous avons fondé le développement d’une approche de découverte très souple. Le premier axe de notre travail concerne la découverte de Services Web Sémantiques [Jorge 2006,McIlraith et al. 2001] pertinents et inattendus, notamment utiles pour optimiser le plan final en élargissant le champ de recherche par lesquelles une requête sémantique est initialement décrite, en y incluant des concepts similaires permettant ainsi de solliciter les compétences de d’autres services. L’ensemble des Services Models sont transcrit en Turtle-RDF afin qu’il soit interrogeable lors de la phase de découverte. Ce dernier est enrichi par les interrelations de données découvertes lors du processus de liages des jeux

de données.