一种基于信誉度的Web服务质量预测方法

基于现有的服务质量预测方法大多是以其他用户的使用感受为依据,但前提都是假设这些信息是准确可信的,一旦这个假设难以得到保证,那预测的结果将会出现重大偏差。从服务用户信誉度的角度,提出一种Web服务质量预测的方法。首先介绍该方法的基本思想与主要过程,随后对评价用户信誉等级划分、评价用户信誉度计算以及服务质量的预测算法等内容进行重点分析;最后,通过仿真实验,将本文提出的方法与传统的算术平均值法进行比较。研究结果表明:该方法能有效提高Web服务质量预测的准确性。

一种用于服务质量预测的混合协同过滤方法

不同用户的网络状况、异构环境和地理位置的不同导致其对相同Web服务感受到的Qo S差异较大,因此提出了一种为用户预测其未调用过服务的Qo S的混合协同过滤方法。首先采用皮尔逊相关系数计算服务之间的相似度,并引入相似度信任因子对相似度进行修正,然后得到与目标服务最相似的top-k服务近邻集,最后采用改进的协同过滤方法预测目标服务的Qo S值。采用网络上真实服务的Qo S数据集进行实验评估,实验结果表明,该方法可有效提升Qo S预测的准确度。

基于位置与信誉感知深度神经网络的云服务质量预测

随着众多具有相似功能的云服务的出现,为用户选择最适合的服务的难度也越来越大。协同过滤是处理这一问题的常用方法,但是它面临着数据稀疏性和可信度这两个普遍的问题,这大大降低了其预测准确性。为了正确和系统地解决这个问题,提出了一种基于位置与信誉感知深度神经网络的云服务质量预测方法。首先,结合地理位置信息采用K-means聚类过滤不可信用户;其次,在可信用户和服务之间构建一个深度神经网络模型,采用信誉感知网络嵌入来学习用户的潜在表示,并通过全连接层输出用户特征向量和服务特征向量;最后,通过矩阵点乘求和对两者进行融合,输出预测值。在公共数据集WSDream上进行实验的结果表明,与给出的其他方法相比,所提方法在预测准确率上有明显提高。

基于CART与SlopeOne的服务质量预测算法

针对现有的预测算法大多未有效利用用户—服务对的潜在特征问题,提出一种基于分类和SlopeOne的预测算法,通过用户—服务对的历史服务质量值提取出用户和服务的个性特征(用户和服务的服务质量均值与方差);基于提取出的特征,使用CART(classification and regression trees)对用户—服务对进行分类;使用SlopeOne算法在目标用户和目标服务所在的分类集合数据集上进行回归预测,提高了预测准确度;选用真实数据集WS-Dream进行实验,实验结果表明该方法在数据稀疏情况下具有较好的预测精度。

基于受限玻尔兹曼机的Web服务质量预测方法

针对协同过滤算法无法有效处理数据稀疏的问题,提出1种基于受限玻尔兹曼机的Web服务质量(QoS)预测方法;第1阶段使用受限玻尔兹曼机模型对所有缺失的QoS值进行预测,并对原始的QoS矩阵进行填充;在第2阶段基于该QoS矩阵进行全局邻居筛选,同时将受限玻尔兹曼机引入到用户近邻的协同过滤模型中,以预测目标QoS值。研究结果表明:该方法能提高QoS预测精确度,在一定程度上降低数据稀疏对预测的影响。

面向服务遥感图像处理平台中时间感知的服务质量预测

面向服务架构(SOA)通过将遥感图像处理算法抽象成组件化的服务,进一步通过服务选择及组合,满足遥感图像处理的复杂业务需求。为了得到满足用户服务质量(QoS)要求的服务组件进行组合,前提就是获得所有服务的QoS。然而,对于用户未调用过的服务,其QoS是缺失的,因此围绕缺失QoS的预测出现了很多研究工作。针对目前QoS预测没有考虑时效性,进而影响了QoS预测准确度的问题,通过考虑时效性提出基于时间片的QoS模型,进一步基于协同过滤提出时间感知的QoS预测方法。在WS-DREAM真实数据集中的实验结果表明,时间感知的QoS预测方法能够获得较小的均方误差(MAE)和均方根误差(RMSE)。此外,对于可能影响时间感知QoS预测的多个参数,通过设置不同的参数组合进行了多次实验和分析,为参数的选择提供了一定的参考。

一种Web Service的服务质量预测方法

服务消费者在选择服务之前,通常需要基于其他消费者的经验对未使用过的服务的质量进行预测.考虑到不同服务消费者对同一服务的服务质量的感受之间可能存在较大的差别,提出了一种QoS(quality of service)预测方法.该方法以消费者的历史经验为基础,计算消费者之间以及服务之间的相似程度,并以此相似度为基础对消费者并未使用过的服务的QoS进行预测.实验结果表明,这种方法可以显著提高Web服务质量预测的准确性.

基于灰色神经网络的多Agent服务集成系统服务质量预测

随着网络中大量功能相似的web服务不断涌现,服务质量(QoS)在web服务选择中的地位日益突出,但目前关于web服务QoS管理和动态预测的机制还不成熟.为了支持动态QoS预测,弥补当前web服务集成模型的不足,提出了一种面向QoS的多Agent web服务集成模型.然后在该模型的基础上,提出一种基于灰色神经网络的动态QoS预测方法,并运用MATLAB建立动态QoS预测模型,通过仿真验证本方法在QoS动态预测中是可行且有效的.

基于贝叶斯分类的Web服务质量预测方法研究

针对网络环境不稳定导致Web服务质量(QoS)数据中存在噪声数据,进而降低Web服务质量预测精度的问题,提出一种基于贝叶斯分类的混合协同过滤Web服务质量值预测方法.该方法使用贝叶斯算法对Web服务质量数据进行分类并得到每个分类的概率,利用分类结果确定缺失值可能的取值范围,并对用户和服务的相似邻居进行过滤.通过引入分类概率,改进传统的协同过滤方法得到最终的缺失值预测结果,在一定程度上消除了噪声数据对Web服务质量预测的影响.实验结果表明:较之现有方法,该方法具有更好的预测精度.

考虑数据变化范围的Web服务服务质量协同预测方法

针对Web服务QoS数据变化范围不同将导致传统协同过滤方法的邻居对目标用户的贡献度不均、进而影响预测结果的准确性的问题,提出一种基于高斯映射的协同预测方法,采用高斯归一化理论,将处于不同区域的服务质量数据映射到一个统一区间,通过皮尔逊相关系数计算相似度,引入最小相似性阈值因子来过滤具有弱相关性的近邻,应用协同过滤算法计算归一化后服务质量矩阵中的缺失项,设计了还原算法并计算得到原始服务质量矩阵下的对应项,融合基于用户和基于服务的计算结果进行综合预测。通过真实数据集上的对比实验和实例验证结果表明,所提方法能有效解决因贡献度不均等导致的误差,进而提高预测结果的准确度。

Web服务质量动态预测方法研究

随着面向服务计算技术(SOC)的快速发展,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成为评价和选择Web服务的重要依据。由于Web服务所在环境的开放性,使得Web服务的QoS具有很强的动态性,如何精确地预测Web服务的QoS成为影响服务选择和服务组合质量的关键问题。对当前已有的Web服务QoS动态预测方法进行了深入的剖析,指出了现有QoS动态预测方法的优点与不足,讨论了未来的研究方向;明确了存在的关键问题以及未来的发展方向。

分布式用户隐私保护可调节的云服务个性化QoS预测模型

个性化服务质量(Qo S,quality of service)预测是构建高质量云服务系统的重要环节,传统基于协同过滤方法采用集中式的训练模式难以保护用户隐私,为了在获取高准确预测效果的同时有效保护用户隐私,提出分布式用户隐私保护可调节的云服务个性化QoS预测模型(DUPPA)。该模型采用“服务器-多用户”架构,服务器协调多个用户,处理多用户上传模型梯度和下载全局模型的请求并维护全局模型参数。为进一步保护用户隐私,提出用户隐私程度调节策略,通过调节本地模型参数初始化比例、梯度上传比例以平衡隐私程度和预测精度。在本地模型初始化阶段,用户计算本地模型与全局模型的差值矩阵,并选择差值矩阵中数值较大元素所对应的全局模型参数初始化本地模型参数;在梯度上传阶段,用户可选择部分重要的梯度上传至服务器来满足不同应用场景对隐私保护的需求。为了评估DUPPA的隐私程度,提出针对分布式矩阵分解模型梯度共享方案的数据重构攻击方法。实验结果表明,当DUPPA在梯度上传比例为0.1、本地模型参数初始化比例为0.5时,预测的平均绝对误差(MAE,mean absolute error)和均方根误差(RMSE,root mean square error)较传统的集中式矩阵分解模型分别降低了1.20%和0.91%;当DUPPA的梯度上传比例为0.1时,隐私程度至少是梯度上传比例为1时的5倍;当DUPPA的本地模型参数初始化比例为0.5时,隐私程度至少是本地模型参数初始化比例为1时的3.44倍。

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。

一种轻量级的Web服务QoS预测机制

服务质量(quality of service,QoS)作为Web服务非功能属性的代表,已被广泛作为重要的服务选择依据。现有QoS预测方法存在着难以兼顾运行效率与预测准确度的问题,且普遍忽略了服务器端的QoS预测。针对该问题,提出一种适用于服务器端环境的轻量级QoS预测机制(LPM)。LPM基于卡尔曼滤波算法构建QoS状态转换模型来实现QoS预测,并借助预测准确度优化预测周期。实验结果显示,在存在显著量测噪声的应用环境中,LPM的预测准确度明显优于常规方法。LPM的QoS预测结果可为用户选择Web服务提供首要的客观依据。

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。

基于支持向量机与事例推理的Web服务QoS动态预测方法研究

在开放的网络环境下,Web服务的Qo S具有很强的动态性,而如何准确地预测未来一段时间之后Web服务的Qo S,关系到服务选择与组合的成败,是服务计算领域亟待解决的关键问题.针对此问题,在考虑Web服务负载、任务特征与服务Qo S相互关联的情况下,给出一种基于支持向量机与事例推理的Web服务Qo S动态预测方法.本文首先采用支持向量机对Web服务在一段时间之后的负载进行预测,然后,根据以上预测得出的负载结果和所要处理任务的特征信息,采用事例推理方法对Web服务处理某一具体任务时的Qo S进行预测.实验结果表明,该方法是可行的、有效的,并在一定程度上提高了Web服务Qo S的准确性.

基于社区发现的Web服务QoS预测

传统的协同过滤方法预测未知服务质量(QoS)值时多数面临数据稀疏、冷启动和噪声影响等问题。为此,提出一种新的基于社区发现的QoS预测方法。通过谱聚类对用户进行社区划分,根据位置信息对Web服务聚类,并利用改进的混合协同过滤方法预测QoS值。实验结果表明,该方法可够缓解新用户的冷启动问题,与基于协同过滤的QoS预测方法相比,具有更高预测准确度。

远程遥控驾驶场景下基于网络信息开放的QoS预测

5G系统的飞速发展支持许多车联网用例对服务质量(quality of service,Qo S)的苛刻要求。但网络和应用的适配仍然存在很多问题。网络信息开放是一种潜在的解决方案,旨在实现网络向应用程序实时提供蜂窝无线网络信息,从而帮助服务提供方实现更好的策略控制并改善用户体验。提出一种基于网络信息开放的服务质量预测(predictive QoS,PQo S)方法,通过提前预测即将发生的网络变化来支持应用做出提前响应,提高用户的体验质量(qualityofexperience,Qo E)。介绍了网络信息开放及PQo S的背景,并介绍了PQo S的国内外研究、标准及落地现状;提出一种远程遥控驾驶(tele-operateddriving,To D)场景下基于网络信息开放的Qo S预测方法;对实际测试的数据进行分析,评估验证了PQo S的可行性。结果表明,基于网络信息开放的Qo S预测技术能够良好地支持包括5G ToD在内的车联网应用,为5G系统在智慧交通行业的落地提供了参考。

基于混合协同过滤的个性化Web服务推荐

随着网络上Web服务的不断增加,Web服务的个性化选择和推荐成为服务计算领域最重要的挑战之一。对个性化Web服务推荐方法进行了研究,提出了基于模型和基于内存混合的Web服务推荐方法。该方法基于客观连续的服务质量(quality of service,Qo S)数据和主观离散的评价数据,采用聚类、映射、聚合等算法预测服务的质量,并对用户的期望、评分和服务的Qo S信息进行了量化描述。此外,设计了Web服务推荐框架,实现了信息的采集与处理、Web服务的个性化推荐。实验结果表明,与主流的推荐算法相比,所提方法在多种评分误差的评价指标上都取得了更好的结果。

基于贝叶斯张量分解的改进QoS预测

随着Web服务相关标准和技术的日趋成熟,基于服务质量(QoS)的Web服务推荐对用户体验起着决定性作用。如何准确预测Qos值是当今的研究热点。以往基于近邻或模型的协同过滤算法,采用的是"用户-服务"二维信息,预测的QoS值是静态的且精准性不高。将时间信息维度引入张量模型,建立"用户-服务-时间"的三维张量可使QoS预测值更加符合用户需求特点,用贝叶斯方法求解张量分解,引入概率意义下对于系统的解释和分析,提供一套先验概率引入先验知识的贝叶斯推断框架,提高了QoS预测的精确度。实验表明,使用该算法的预测结果较其他算法相比较有更小的平均绝对误差,很好地解决了数据稀疏度问题。