云服务推荐中基于多源特征和多任务学习的时序QoS预测

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.

基于结构化噪声矩阵补全的Web服务QoS预测

随着面向服务计算技术的快速发展,越来越多具有相同或相似功能的Web服务被部署在网络上。用户进行服务选择之前,通常需要根据历史调用信息对未使用过的服务QoS进行预测。由于历史调用信息收集过程缺乏有效的监督和约束机制,所采样的QoS信息往往容易受到结构化噪声污染,从而导致现有方法预测性能急剧下降。为了克服这个困难,通过将Web服务QoS预测问题建模为L2,1范数正则化矩阵补全问题,提出了一类基于结构化噪声矩阵补全的Web服务QoS预测方法。真实数据集上的实验结果表明,该方法不仅能精确地辨识出QoS采样矩阵中噪声行所在位置,而且能对缺失Web服务QoS进行有效预测。

用户位置感知的Web服务QoS预测方法

随着互联网上Web服务数量的增多,服务的QoS开始成为用户在选择服务时关注的焦点.为了有效获取服务的QoS信息以便向用户推荐高质量的服务,提出一种用户位置感知的Web服务QoS预测方法--UL-WSRec.利用一些QoS属性受用户位置影响的事实和同一个自治系统中的用户在位置上邻近的特点,根据自治系统来计算用户位置和划分相似用户.在传统的协同过滤算法基础上,利用用户位置信息提出了改进的算法,以提高服务QoS预测的效率和精度.基于真实Web服务数据的实验表明了该方法的有效性.

基于事例推理的Web服务QoS动态预测研究

随着面向服务计算技术的发展,网络上出现了大量功能相同而服务质量(QoS)有很大差别的Web服务,QoS逐渐成为评价和选择Web服务的重要依据。目前常用Web服务历史QoS的算术平均值来近似服务的QoS,这种度量方法没有考虑Web服务QoS的动态性,不能准确地度量Web服务的QoS,从而造成被选择的Web服务以较大概率不能满足用户的QoS需求。针对这一问题,提出了一种基于事例推理(CBR)的QoS动态预测方法,该方法将Web服务的QoS与服务的外界环境、所处理的任务类型、任务大小关联起来,利用事例推理技术预测Web服务处理新任务时的QoS。实验结果表明,该预测方法能有效地提高Web服务QoS的准确度。

基于服务调用特征模式的个性化Web服务QoS预测方法

随着网络上完成相同功能的Web服务数量不断增长,服务使用者在选择服务之前,通常需要根据服务的历史使用信息对未使用过的服务质量进行预测.考虑到调用时刻用户输入、网络环境及服务运行环境的差异,提出了一种基于服务调用特征模式的个性化QoS预测方法.该方法通过对服务的历史使用信息进行分析,抽取出服务的常用调用特征模式,当用户调用某服务时,根据用户调用服务时特征,找到其对应的调用模式,若在该模式下有使用信息则直接返回给用户;若没有则根据模式的相似度,采用协作过滤算法为其进行预测.实验结果表明该方法可以显著提高Web服务质量预测的准确性,并且效率较高.

网格环境下的服务质量(QoS)研究

面对类型多样的异构资源、动态协作的复杂网格环境,需要有效的服务质量(QoS)控制机制保障网格应用的需求,网格QoS需引入新的概念和机制,实现QoS需求的描述与映射、动态资源聚合与共享及任务间协作,灵活有效地进行网格应用流的聚合、区分和控制。该文分析了网格QoS控制的特点、难点和基本需求,介绍了网格QoS目前的研究情况,并从QoS管理结构和控制策略、资源预留、QoS协商、自适应方法和QoS评价等几个方面进行阐述,最后分析和总结了网格QoS的基本研究目标和未来的研究方向。

Web服务QoS的免疫多信号预测模型研究

合理的服务质量(Quality of Service,QoS)预测是W eb服务承诺的重要依据,在很大程度上关系到服务提供者的信誉。为了有效解决服务质量的预测问题,受到免疫系统多信号机制的启发,提出一种服务提供者主动的实时QoS预测模型。在多Agent仿真平台上的模拟实验和分析表明,该模型能够很好地解决实时QoS预测问题,服务提供者能够根据预测结果动态地调整Web服务的QoS承诺,从而有效提高其信誉。

面向Web服务QoS预测的非负矩阵分解模型

针对目前QoS预测算法准确度不高的问题,提出通过挖掘已有QoS观测数据中的近邻信息和隐含特征信息而实现服务QoS预测的方法.建立QoS预测的矩阵分解因子模型,将QoS预测问题转化为稀疏QoS矩阵下的模型参数期望最大化(EM)估计问题,提出结合近邻信息的非负矩阵分解算法NCNMF+EM对该问题进行求解.算法综合利用了QoS矩阵中的近邻信息和隐含特征信息,可以实现对不同类型QoS属性值的准确预测.实验结果表明,采用该方法可以显著地提高服务QoS的预测准确度,且算法的运行时间随着矩阵规模的增大呈线性增长,可以应用于大规模的QoS预测问题中.

基于立体QoS模型的Web服务质量模糊评价

为了指导Web服务生命周期中服务选择、实时监控、管理和计费等各阶段的质量评价应用,该文提出Web服务立体QoS模型,给出其中若干关键质量指标的量化定义,在此基础上应用模糊数学中的模糊算法设计Web服务质量的模糊评价方法。通过原型系统对该QoS模型和评价方法进行了验证,结果表明其具有一定的可行性和适用性。

考虑相似比率的Web服务QoS协同预测

针对基于皮尔逊相关系数计算相似度的协同预测方法中,忽略Web服务QoS之间的比率关系而造成的预测误差问题,提出一种考虑相似比率的Web服务QoS协同预测方法 SRPre。该方法基于历史QoS数据,将基于用户和基于服务的协同预测方法相融合,引入最小共同调用数阈值削减相似度计算误差,利用最小相似度阈值筛选相似邻居,根据预测对象QoS与相似邻居QoS平均值之比计算相似比率,在协同预测计算过程中加入相似比率获得QoS预测值,通过实际Web服务实验说明了所提该方法在提高预测准确度方面的有效性。

基于混合协同过滤的Web服务QoS预测方法

为了解决由于服务质量(QoS)历史数据缺失而造成基于QoS的Web服务选择无法得到满意结果的问题,提出一种基于混合协同过滤的Web服务质量预测方法.该方法根据目标用户和目标服务自身特性和相关区域信息,选用不同的预测方法计算缺失的QoS值.如用户(或服务)属于特殊用户类(或特殊服务类),或者服务对区域敏感,则采用基于用户和基于服务的预测方法.否则,利用改进后的欧氏距离测量服务和用户的相似度,并通过引入平衡因子整合基于用户和基于服务的2种不同预测方法.基于真实公开的数据集的实验结果表明,该方法具有较高的Web服务QoS的预测精度,尤其在历史QoS数据稀疏情况下.

基于QoS预测与约束层次模型的云服务推荐方法研究

如何精确地预测云服务的QoS,灵活地处理用户的QoS约束是实现可靠云服务推荐的关键问题。针对上述问题,提出了一种基于事例推理的云服务QoS动态预测方法,用于预测候选云服务的QoS值,提高云服务质量的可靠性;提出了一种基于约束层次(Constraint Hierarchy,CH)的QoS评价模型,该模型依据QoS约束对用户业务的重要程度,将其分为必须满足的硬约束层和允许被偏离的软约束层,该模型能够有效地解决过约束问题。通过实验验证了提出的云服务推荐方法的可行性和有效性。

基于Bootstrap技术的Web服务QoS值的置信区间估计和预测

目前对Web服务QoS(Quality of Service)的预测研究,通常预测QoS的静态值,很少预测QoS值的置信区间.本文借助非参数统计学的Bootstrap技术,提出估计Web服务QoS值置信区间的方法;然后利用与当前Web用户相似的其他Web用户调用待预测Web服务的QoS历史数据,预测当前Web用户调用待预测Web服务的QoS值的置信区间.本文估计了WSDream数据集1中每个用户调用每个Web服务的QoS值的置信区间,实验发现这些置信区间的上下限近似服从重尾分布.通过随机选择WSDream数据集1中60%到90%的用户和Web服务作为训练集,预测另外10%到40%的用户和Web服务的QoS值,实验结果表明预测的QoS置信区间与估计的QoS置信区间的平均覆盖率超过70%,最高达76%.在服务选择或服务推荐时给用户提供一个估计的或预测的QoS置信区间,可以更好地满足用户的个性化需求.

基于时序分析的Web服务QoS协同预测

Qo S预测是Web服务选取、动态服务组合和面向服务系统性能计算的重要基础.针对环境要素随时间变化导致的Web服务Qo S波动问题,提出一种基于时序分析的Qo S预测方法.该方法基于历史Qo S数据采用融合基于用户和基于项目的协同过滤方法计算不同时间片Qo S属性评价矩阵中的缺失项,进而构建Web服务的Qo S属性评价时间序列.在此基础上,设计了基于重近轻远原则的预测算法QARSPre,利用时间片步长控制序列权重,同时构造均值绝对偏差序列动态调整具有较大波动序列的权重,削弱因序列波动对预测结果准确性的影响.实验结果表明QARSPre优于传统的Qo S预测方法,能够适应不同数据集的变化.

一种移动边缘计算环境中服务QoS的预测方法

移动边缘计算通过在终端设备和云之间部署边缘设备,能够在移动用户的近端提供服务,可降低网络时延、减缓网络带宽的压力.然而在移动服务计算环境中,用户的移动性导致其所访问的边缘服务器经常切换,导致传统的QoS(quality of service)预测方法在移动边缘服务环境下会出现较大的偏差.本文提出一种移动边缘计算环境下的服务QoS预测方法EQoSP,通过聚类分析自然地为不同用户/边缘服务器确定各自的相似用户/边缘服务器,在用户所访问的边缘服务器发生切换后,利用相似用户/边缘服务器提供的数据,对用户在新位置使用目标服务的QoS进行预测,从而更真实地反映用户位置发生改变后可能得到的QoS值.与现有方法的对比实验表明,本文所提出的方法对移动边缘环境中未知QoS的预测更为准确.

网络服务质量(QOS)参数研究

ＱＯＳ参数定义是实现ＱＯＳ控制的基础，但是ＩＳＯ和ＩＴＵ等组织定义的ＱＯＳ参数之间存有不一致和不兼容的情况，直接影响ＱＯＳ控制的有效实施．文中为此针对多媒体实时应用的特征，首次提出并定义运输层最小ＱＯＳ参数集，指明了由ＯＳＩ和ＩＴＵ所定义的有关ＱＯＳ参数均能用运输层最小ＱＯＳ参数集中的参数或参数组合加以表示，该集合具有开放性和可管理性。

IP/WDM网络的集成服务质量(QoS)控制方法

对IP/WDM网络的集成服务质量(QoS)控制技术问题做了研究,给出了基于通用多协议标记交换(GMPLS)技术的业务差分处理模型,设计了新的业务分类、光路分类以及层间映射 /疏导 /重构策略,给出了具体的映射技术方案 本方法具有三大特点: 1)光电集成的差分服务模型;2)多粒度多优先级业务的自适应资源管理机制; 3)支持电信级应用 该模型较好地折中了多种类型业务的QoS控制复杂性和有效性,具有较强的实用性和可扩展性,能够解决光因特网络中支持多媒体业务传送的QoS问题.

基于特征深度融合的Web服务QoS联合预测

为了解决Web服务QoS预测准确度不够的问题,针对QoS中隐藏的环境偏好信息和多类QoS隐藏的共同特征,提出一种基于特征深度融合的Web服务QoS联合预测方法。考虑QoS数据可以建模为用户−服务二部图,采用多组件图卷积神经网络进行特征提取和映射,采用加权融合方法对多类QoS特征进行同维映射。使用注意力因子分解机对映射后的特征向量进行一阶特征、二阶交互特征和高阶交互特征的提取,并结合各部分结果实现QoS联合预测。实验结果表明,所提方法在均方根误差和平均绝对误差方面优于现有QoS预测方法。

一种物联网协同过滤QoS预测与服务推荐方法

针对物联网软硬件功能不断服务化以及服务质量(QoS)难以预测的问题,提出一种物联网QoS预测与服务推荐方法。根据用户服务调用与服务QoS历史使用信息,结合基于用户和基于项目的协同过滤方法进行用户项目矩阵缺失值预测,将稠密化后的用户项目矩阵作为当前用户预测相关服务的QoS值,并基于该QoS值预测结果实现服务选择与推荐。通过一个大规模实测服务调用QoS数据集验证了该方法的有效性,实验结果表明其具有较高的预测精度,适用于物联网服务选择与推荐。

基于人工蜂群优化的支持向量机模型在Web服务QoS预测中的应用

在开放的网络环境下,Web服务的服务质量QoS具有很强的动态性。为了提高服务QoS的准确性,为服务选择、服务组合提供可靠的QoS信息,在考虑Web服务所处的网络环境和所要处理任务的特征对服务QoS影响的前提下,提出一种基于人工蜂群优化的支持向量机QoS动态预测方法。该方法首先对人工蜂群算法进行改进,提出了面向观察蜂的免疫选择机制和面向侦查蜂的改进逃逸机制;然后,采用改进的人工蜂群算法对支持向量机的参数进行优化;最后采用优化的支持向量机预测Web服务处理具体任务时的QoS。实验结果表明,该提出的QoS预测方法具有较好的预测速度和精度。