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
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.
