1.一种基于密度峰值检测的Mashup服务聚类方法，其特征在于，所述方法包括以下步骤：第一步、对于所有参与聚类的Mashup服务的特征向量，进行局部密度、向量间距离和较高密度最近距离计算；

第二步、基于第一步计算的密度信息，从所有Mashup服务特征向量中，筛选出聚类中心的候选点；

第三步、对第二步所得的聚类中心候选点，进一步筛选出最为合适的K个初始聚类中心，进行K‑means聚类，过程如下：步骤(3.1)在聚类中心候选点集合中，筛选出ρy与δy乘积最高的向量，并将其在半径r内包含的向量个数m统计出来，其中半径r即为第二步计算出的判定半径，进行步骤(3.2)；

步骤(3.2)遍历聚类中心候选点集合，计算当前候选点的波动值SDy，计算公式如下所示：其中，U(y)表示距离y最近的m个向量，γz表示ρy与δy的乘积，avgz则表示这m个向量γz的均值，进行步骤(3.3)；

步骤(3.3)判断候选点集合是否遍历完成，若否，则返回步骤(3.2)，否则，进行步骤(3.4)；

步骤(3.4)对候选点集合中的每个向量，进行加权评估计算，计算公式如下所示：其中，a为介于0与1之间

的权值,默认为0.5，进行步骤(3.5)；

步骤(3.5)对步骤(3.4)计算所得的score进行降序排序，选取前K个向量作为K‑means算法的输入，进行K‑means聚类；

所述第一步的过程如下：

步骤(1.1)遍历每个Mashup服务特征向量，计算当前向量的局部密度ρy，计算公式如下所示：其中，DVecy表示Mashup服务的特征向量，而DVecy的局部密度ρy就是由离其最近的k个特征向量DVecz的余弦相似度cos(DVecy,DVecz)累加而成，这样的计算方式不仅避免了人工设定截断距离所带来的干扰问题，并且可以让每个向量获得较为合理的局部密度值，进行步骤(1.2)；

步骤(1.2)计算当前向量的向量间距离dyz，计算公式如下所示：dyz＝1‑cos(DVecy,DVecz)，进行步骤(1.3)；

步骤(1.3)基于属性ρy与属性dyz，定义当前向量的较高密度最近距离δy，定义公式如下：其中，定义式中y表示当前向量，z表示其他向

量，min函数表示选取最小值，max函数表示选取最大值，进行步骤(1.4)；

步骤(1.4)判断Mashup服务特征向量是否遍历完成，若否，则返回步骤(1.1)，否则，结束；

所述第二步的过程如下：

步骤(2.1)计算限定值bound，其计算公式如下所示：bound＝(max(δy)+min(δy))/2，其中，max(δy)表示δy的最大值，而min(δy)表示δy的最小值，进行步骤(2.2)；

步骤(2.2)将δy值低于bound的Mashup服务特征向量提取出来，并将它们的密度信息对应放入集合S，进行步骤(2.3)；

步骤(2.3)计算步长单元au，并设置初始值为0，其中，au主要用于确定聚类中心候选点的δy值范围，进行步骤(2.4)；

步骤(2.4)遍历集合S，取出δy，进行步骤(2.5)；

步骤(2.5)遍历集合S，取出δz，其中，δz与δy不相等，进行步骤(2.6)；

步骤(2.6)对au进行累加计算，计算公式如下：au＝au+|δy‑δz|，其中，|δy‑δz|表示取δz与δy之差的绝对值，记录当前循环次数count，进行步骤(2.7)；

步骤(2.7)判断集合S是否遍历完成，若否，则返回步骤(2.5)，否则，进行步骤(2.8)；

步骤(2.8)判断集合S是否遍历完成，若否，则返回步骤(2.4)，否则，进行步骤(2.9)；

步骤(2.9)设au＝au/count，进行步骤(2.10)；

步骤(2.10)设置判定半径r，并赋默认值为bound，其中判定半径主要用于进一步确定聚类中心候选点的范围，进行步骤(2.11)；

步骤(2.11)针对所有Mashup服务特征向量，判断在连续的bound/au个区域中，向量δy属性的数量是否保持递增，并将初始遍历区域设为[l1＝0,l2＝au]，进行步骤(2.12)；

步骤(2.12)若δy属性的数量递增，则将l1与l2的值分别累加一个步长au，进行更新，否则，进行步骤(2.13)；

步骤(2.13)将判定半径r设为l1的值，进行步骤(2.14)；

步骤(2.14)从所有Mashup服务特征向量中，筛选出半径r内包含其它向量，并且δy值大于r的向量作为聚类中心候选点集合。