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
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.