1.一种资源服务网络中基于聚类的关键特征序列选取方法，其特征在于，包括：步骤1，根据服务网络描述的业务活动服务的交互顺序，以及业务活动服务所需的资源服务，构建资源服务网络；

步骤2，从资源服务网络中获取资源服务序列，得到资源服务序列集RSSs＝{RSS1,RSS2,…,RSSQ}；其中，Q表示资源服务序列集RSSs中资源服务序列的个数；

步骤3，确定资源服务特征，并将非数值型特征值转化成数值型特征；

步骤4，对资源服务特征进行归一化处理，使资源服务的所有特征的取值范围均在[0,

1]之间；

步骤5，从资源服务序列集RSSs中取出一个资源服务序列RSS，并将RSS从RSSs中删除；

其中RSS属于RSS1,RSS2,…,RSSQ中的任意一个；

步骤6，为资源服务序列RSS选取关键特征序列；

步骤7，重复步骤5至步骤6，直到资源服务序列集RSSs为空，整个资源服务序列集RSSs的关键特征序列选取过程结束；

所述为资源服务序列RSS选取关键特征序列包括：

步骤6.1，枚举资源服务序列RSS前两个资源服务的所有资源服务特征，组成特征序列集，方式如下：分别枚举出资源服务序列RSS前两个资源服务r1和r2的所有资源服务特征，其中，r1的所有资源服务特征为F1＝{f1,1,f1,2,…,f1,m}，r2的所有资源服务特征为F2＝{f2,1,f2,2,…,f2,l}；并构成F1元素在前，F2元素在后的，长度为2的特征序列集FSs＝{,,…,,…,}；其中，m表示资源服务r1中的资源服务特征数，l表示资源服务r2中的资源服务特征数；

步骤6.2，将所述前两个资源服务r1和r2从资源服务序列RSS中删除；

步骤6.3，从特征序列集FSs中取出一个特征序列FS＝；其中1≤i≤m，1≤j≤l；

步骤6.4，利用聚类计算特征序列FS中相邻特征间的影响度；

步骤6.5，如果特征序列FS中相邻特征之间影响度不低于预设的最低影响度minInf，则将特征序列FS放入关键特征序列集合KFSs中；

步骤6.6，从特征序列集FSs中删除FS；

步骤6.7，重复步骤6.3到6.6，直到特征序列集FSs为空，返回进入步骤6.8；

步骤6.8，判断关键特征序列集合KFSs是否为空，如果为空，整个选取过程结束，否则进入步骤6.9；

步骤6.9，判断资源服务序列RSS是否为空，如果为空，选取过程结束，否则进入步骤

6.10；

步骤6.10，枚举资源服务序列RSS第一个资源服务rnew1的所有特征，得到资源服务特征集合Fnew1＝{fnew1,1,fnew1,2,…,fnew1,p}；其中，p表示资源服务rnew1中的资源服务特征数；

步骤6.11，删除资源服务序列RSS的第一个资源服务rnew1；

步骤6.12，从关键特征序列集合KFSs中获取一个关键特征序列FSk＝<α1,α2,…,αL>，并将FSk从KFSs中删除；其中，α1,α2,…,αL分别表示FSk的特征，L表示FSk的长度；

步骤6.13，计算αL对Fnew1中任意特征fnew1,q的影响度influence；其中，1≤q≤p，fnew1,q表示rnew1的第q个特征；

步骤6.14，判断influence和预设的最低影响度minInf的大小；如果influence>＝minInf，令FS＝FSk+fnew1,q，得到FS＝<α1,α2,…,αL,fnew1,q>，并将FS加入到KFSnew中；

步骤6.15，重复步骤6.12到6.14，直到KFSs为空，即遍历完KFSs中的所有关键特征序列，然后进入步骤6.16；

步骤6.16，令KFSs＝KFSnew，更新关键特征序列集合KFSs为关键特征序列集合KFSnew；步骤6.17，重复步骤6.8到6.16，直到资源服务序列RSS为空，资源服务序列RSS的关键特征序列选取过程结束；

步骤6.4中，利用聚类计算特征序列FS中相邻特征间的影响度，具体为：令相邻特征为fpre和fnext；特征fpre对特征fnext的影响度，表示成fnext随fpre的变化率的绝对值，记为I(fpre,fnext)；

假设fpre和fnext分别是资源服务rpre和rnext的一个特征，rpre和rnext共同出现的业务过程实例Id为Ids＝{Id1,Id2,…,IdM}，其中M表示Ids的大小，fpre在Ids中对应的值为X＝{x1,x2,…,xM}，fnext在Ids中对应的值为Y＝{y1,y2,…,yM}，其中xi∈X表示fpre在业务过程实例Idi中的值，yi同理，则fnext随fpre的变化率的绝对值为集合slopeSet＝{slope1,slope2,…,slopeM-1}，其中slopei的计算公式如下：从上式得出，若将fpre和fnext的值分别对应为x坐标轴和y坐标轴，则slopei的几何含义即为第i段线段的斜率的绝对值；若xi+1＝xi，则令slopei＝0；

根据slopeSet计算相邻特征间的影响度，具体包括：

步骤6.4.1，构建集合list，给list赋初值为slopeSet；

步骤6.4.2，计算list中所有元素的平均距离avgDis；步骤6.4.3，给阈值t赋初值为avgDis的一半，给初始中心集合initCenters赋初值为空集，给整型变量i赋初值0；

步骤6.4.4，从list中获取一个元素p，并将p从list中删除；

步骤6.4.5，将p加入到第i个Canopy类中，将p加入集合initCenters中；

步骤6.4.6，遍历集合list，计算p与当前遍历元素q的距离dist；如果dist小于阈值t，则将q加入到第i个Canopy类中，并从list中删除q；

步骤6.4.7，令i加1；

步骤6.4.8，重复步骤6.4.4到6.4.7，直到list为空，返回进入步骤6.4.9；

步骤6.4.9，构建旧聚类中心集合oldCenters，给oldCenters赋初值为初始中心集合initCenters，构建新聚类中心集合newCenters，给newCenters赋初值为空集；

步骤6.4.10，构建簇集clusters，给clusters赋初值为空集；

步骤6.4.11，判断集合newCenters是否为空，如果为空，则令oldCenters等于newCenters；

步骤6.4.12，遍历slopeSet，获取oldCenters中与当前遍历元素d距离最小的元素的下标index；将d加入第index个簇中；

步骤6.4.13，将簇集clusters中每个簇的质心放入集合newCenters；

步骤6.4.14，重复步骤6.4.10到6.4.13，直到newCenters等于oldCenters，返回进入步骤6.4.15；

步骤6.4.15，获取最大规模簇的聚类中心MaxClusterCenter，MaxClusterCenter即为影响度influence。