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
在为用户选择并组合其满意的Web服务时,预测Web服务缺失的服务质量(quality of service,QoS)值是必要的。为解决该问题,提出一种R-SRec模型,加入用户地理位置信息和服务的反向预测,提高预测精准度。在基于用户的协同过滤算法中融入用户...在为用户选择并组合其满意的Web服务时,预测Web服务缺失的服务质量(quality of service,QoS)值是必要的。为解决该问题,提出一种R-SRec模型,加入用户地理位置信息和服务的反向预测,提高预测精准度。在基于用户的协同过滤算法中融入用户地理位置信息,提高参与预测数据的空间相关度;在基于服务的协同过滤算法中加入Web服务反向预测,缓解数据稀疏问题;根据不同的置信度融合两种算法,对缺失的QoS值进行预测。使用真实的数据集与其它3类常用的算法进行比较,实验结果表明,该方法的预测结果精确度更高。展开更多
Dynamic Quality of Service(QoS)prediction for services is currently a hot topic and a challenge for research in the fields of service recommendation and composition.Our paper addresses the problem with a Time-aWare se...Dynamic Quality of Service(QoS)prediction for services is currently a hot topic and a challenge for research in the fields of service recommendation and composition.Our paper addresses the problem with a Time-aWare service Quality Prediction method(named TWQP),a two-phase approach with one phase based on historical time slices and one on the current time slice.In the first phase,if the user had invoked the service in a previous time slice,the QoS value for the user calling the service on the next time slice is predicted on the basis of the historical QoS data;if the user had not invoked the service in a previous time slice,then the Covering Algorithm(CA)is applied to predict the missing values.In the second phase,we predict the missing values for the current time slice according to the results of the previous phase.A large number of experiments on a real-world dataset,WS-Dream,show that,when compared with the classical QoS prediction algorithms,our proposed method greatly improves the prediction accuracy.展开更多
文摘通过网络提供服务的Web Service的服务质量会随着网络环境、服务器负载等因素的变化而变化,如何更好地帮助用户选择在未来一段时间内符合服务质量需求的Web Service,是目前服务计算领域中需要解决的关键问题之一。针对上述问题,提出了一种基于时间序列分析的Web Service QoS预测方法,并实现了相应的Web Service QoS自动预测工具。该工具能够根据Web Service的历史QoS数据,有效地预测未来短期内的QoS信息。以17832个Web Service的历史数据为基础,设计了相关实验,并验证了方法的有效性。
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.
文摘在为用户选择并组合其满意的Web服务时,预测Web服务缺失的服务质量(quality of service,QoS)值是必要的。为解决该问题,提出一种R-SRec模型,加入用户地理位置信息和服务的反向预测,提高预测精准度。在基于用户的协同过滤算法中融入用户地理位置信息,提高参与预测数据的空间相关度;在基于服务的协同过滤算法中加入Web服务反向预测,缓解数据稀疏问题;根据不同的置信度融合两种算法,对缺失的QoS值进行预测。使用真实的数据集与其它3类常用的算法进行比较,实验结果表明,该方法的预测结果精确度更高。
基金supported by the National Natural Science Foundation of China (No.61872002)the National Natural Science Foundation of Anhui Province of China (No.1808085MF197)the Philosophy and Social Science Planned Project of Anhui Province (No. AHSKY2015D67)
文摘Dynamic Quality of Service(QoS)prediction for services is currently a hot topic and a challenge for research in the fields of service recommendation and composition.Our paper addresses the problem with a Time-aWare service Quality Prediction method(named TWQP),a two-phase approach with one phase based on historical time slices and one on the current time slice.In the first phase,if the user had invoked the service in a previous time slice,the QoS value for the user calling the service on the next time slice is predicted on the basis of the historical QoS data;if the user had not invoked the service in a previous time slice,then the Covering Algorithm(CA)is applied to predict the missing values.In the second phase,we predict the missing values for the current time slice according to the results of the previous phase.A large number of experiments on a real-world dataset,WS-Dream,show that,when compared with the classical QoS prediction algorithms,our proposed method greatly improves the prediction accuracy.
