随着云计算技术的普及,云服务数量指数级增长,用户不再满足于功能性需求,服务质量(Quality of Service,QoS)成为比较服务优劣的关键性能指标.如何在动态、复杂的云环境中实时、准确地预测服务质量并为用户推荐高质量服务成为热点问题....随着云计算技术的普及,云服务数量指数级增长,用户不再满足于功能性需求,服务质量(Quality of Service,QoS)成为比较服务优劣的关键性能指标.如何在动态、复杂的云环境中实时、准确地预测服务质量并为用户推荐高质量服务成为热点问题.考虑到云服务器的负载、网络状态、用户接入云环境的偏好等随着时间变化,本文提出了基于多源特征和多任务学习的时序QoS预测方法(T-MST),它可以实时、准确地同时预测多种QoS属性.首先,TMST对用户、服务进行特征表示,通过Time2Vec刻画时序特征,再结合多种QoS属性的历史记录生成多源特征表示.其次,基于滑动窗口采用LSTM感知窗口内的时序关系,借助注意力机制细化窗口内不同时刻的关键性,从而构造待预测时刻的隐藏状态.最后,T-MST采用多任务预测层实现多种QoS属性的同时预测,它们共享上游模型,仅在预测层采用不同的感知模块以提升模型的鲁棒性和计算效率.本文基于真实世界的数据集进行了全面的实验验证,结果表明T-MST在吞吐量和响应时间的时序预测任务上平均绝对误差(Mean Absolute Error,MAE)分别平均提升了37.53%和20.38%,优于现有的时序QoS预测方法;而且TMST的计算效率更高,能够有效应对实时QoS预测的需求.展开更多
网络技术的发展和多接入边缘计算的兴起使得计算和网络资源的部署逐渐靠近终端.随着服务数量的增多,为了向用户更好地推荐服务,如何在复杂、动态的边缘计算环境中实时、准确地预测服务质量(quality of service,QoS)成为一项挑战.本文提...网络技术的发展和多接入边缘计算的兴起使得计算和网络资源的部署逐渐靠近终端.随着服务数量的增多,为了向用户更好地推荐服务,如何在复杂、动态的边缘计算环境中实时、准确地预测服务质量(quality of service,QoS)成为一项挑战.本文提出一种基于服务负载实时预测QoS的深度神经模型(QPSL),它可以为边缘计算中的QoS预测提供缺少的负载状况感知和周期感知.首先,对服务的负载状况进行特征表示,并通过时序分解模块获取时序特征.其次,将CNN和BiLSTM结合,学习潜在的时序关系,生成不同时刻的状态向量.然后,基于Attention机制为历史时刻的状态向量分配权重,从而构造未来时刻的状态向量.最后,将上下文嵌入向量与状态向量送入感知层完成实时QoS预测.基于真实的融合数据集进行了大量的实验,结果表明QPSL在响应时间和吞吐量任务上的MAE分别平均提升了10.28%和10.87%,优于现有的时间感知QoS预测方法.展开更多
服务质量(Quality of Service,QoS)是Web服务选择的关键指标。传统的用于Web服务选择的QoS值都是静态的历史记录,没有考虑对于同个服务,不同用户获得的QoS值之间的差异性。近年来,出现了各种各样的针对用户的个性化QoS预测算法。文章将...服务质量(Quality of Service,QoS)是Web服务选择的关键指标。传统的用于Web服务选择的QoS值都是静态的历史记录,没有考虑对于同个服务,不同用户获得的QoS值之间的差异性。近年来,出现了各种各样的针对用户的个性化QoS预测算法。文章将浅析如何将协同过滤算法应用到个性化的QoS预测当中。展开更多
工业互联网平台支持各类制造资源的泛在连接,能够为不同用户提供全生命周期的制造服务。制造服务QoS(quality of service)在服务匹配、选择和共享中扮演重要角色。然而,如何在保护数据安全的前提下充分利用工业互联网平台下不同企业的...工业互联网平台支持各类制造资源的泛在连接,能够为不同用户提供全生命周期的制造服务。制造服务QoS(quality of service)在服务匹配、选择和共享中扮演重要角色。然而,如何在保护数据安全的前提下充分利用工业互联网平台下不同企业的制造服务特征数据,对提高QoS预测精度至关重要。为此,提出了一种QoS多方联合预测方法。首先,根据各制造服务商在本地长期累计的相关数据,建立用户—制造服务QoS关系矩阵;进而,在保护用户偏好信息安全下共享企业间制造服务的潜在特征向量实现QoS联合训练,同时应用同态加密与差分隐私加密机制保证传输数据的安全;最后,应用随机梯度下降法迭代更新模型参数以预测缺失的制造服务QoS值。实验以WS-dream数据集与案例企业制造服务共享平台数据为例验证了该方法的有效性,结果表明该方法能够在保护数据安全的前提下有效地提高模型预测的准确度。展开更多
文摘随着云计算技术的普及,云服务数量指数级增长,用户不再满足于功能性需求,服务质量(Quality of Service,QoS)成为比较服务优劣的关键性能指标.如何在动态、复杂的云环境中实时、准确地预测服务质量并为用户推荐高质量服务成为热点问题.考虑到云服务器的负载、网络状态、用户接入云环境的偏好等随着时间变化,本文提出了基于多源特征和多任务学习的时序QoS预测方法(T-MST),它可以实时、准确地同时预测多种QoS属性.首先,TMST对用户、服务进行特征表示,通过Time2Vec刻画时序特征,再结合多种QoS属性的历史记录生成多源特征表示.其次,基于滑动窗口采用LSTM感知窗口内的时序关系,借助注意力机制细化窗口内不同时刻的关键性,从而构造待预测时刻的隐藏状态.最后,T-MST采用多任务预测层实现多种QoS属性的同时预测,它们共享上游模型,仅在预测层采用不同的感知模块以提升模型的鲁棒性和计算效率.本文基于真实世界的数据集进行了全面的实验验证,结果表明T-MST在吞吐量和响应时间的时序预测任务上平均绝对误差(Mean Absolute Error,MAE)分别平均提升了37.53%和20.38%,优于现有的时序QoS预测方法;而且TMST的计算效率更高,能够有效应对实时QoS预测的需求.
文摘网络技术的发展和多接入边缘计算的兴起使得计算和网络资源的部署逐渐靠近终端.随着服务数量的增多,为了向用户更好地推荐服务,如何在复杂、动态的边缘计算环境中实时、准确地预测服务质量(quality of service,QoS)成为一项挑战.本文提出一种基于服务负载实时预测QoS的深度神经模型(QPSL),它可以为边缘计算中的QoS预测提供缺少的负载状况感知和周期感知.首先,对服务的负载状况进行特征表示,并通过时序分解模块获取时序特征.其次,将CNN和BiLSTM结合,学习潜在的时序关系,生成不同时刻的状态向量.然后,基于Attention机制为历史时刻的状态向量分配权重,从而构造未来时刻的状态向量.最后,将上下文嵌入向量与状态向量送入感知层完成实时QoS预测.基于真实的融合数据集进行了大量的实验,结果表明QPSL在响应时间和吞吐量任务上的MAE分别平均提升了10.28%和10.87%,优于现有的时间感知QoS预测方法.
文摘服务质量(Quality of Service,QoS)是Web服务选择的关键指标。传统的用于Web服务选择的QoS值都是静态的历史记录,没有考虑对于同个服务,不同用户获得的QoS值之间的差异性。近年来,出现了各种各样的针对用户的个性化QoS预测算法。文章将浅析如何将协同过滤算法应用到个性化的QoS预测当中。
文摘工业互联网平台支持各类制造资源的泛在连接,能够为不同用户提供全生命周期的制造服务。制造服务QoS(quality of service)在服务匹配、选择和共享中扮演重要角色。然而,如何在保护数据安全的前提下充分利用工业互联网平台下不同企业的制造服务特征数据,对提高QoS预测精度至关重要。为此,提出了一种QoS多方联合预测方法。首先,根据各制造服务商在本地长期累计的相关数据,建立用户—制造服务QoS关系矩阵;进而,在保护用户偏好信息安全下共享企业间制造服务的潜在特征向量实现QoS联合训练,同时应用同态加密与差分隐私加密机制保证传输数据的安全;最后,应用随机梯度下降法迭代更新模型参数以预测缺失的制造服务QoS值。实验以WS-dream数据集与案例企业制造服务共享平台数据为例验证了该方法的有效性,结果表明该方法能够在保护数据安全的前提下有效地提高模型预测的准确度。
