上下文感知的云服务QoS预测研究
这是一篇关于QoS预测,上下文感知,残差网络,张量分解,时间卷积网络的论文, 主要内容为近年来,云计算发展迅速,云服务数量呈几何式增长,这使得用户的服务选择更加困难。服务质量(Quality of Service,QoS),是评价云服务的重要指标,也是服务选择与推荐的有力参考[1]。为帮助用户选择合适的服务,服务推荐系统常依赖QoS预测技术筛选候选服务,QoS预测也成为服务计算中的热门研究问题。现有QoS预测方法通常结合上下文信息,通过挖掘其中的隐式特征提升预测准确度。最常用的上下文信息是位置和时间,然而位置感知的QoS预测方法中,协同过滤方法不具备对非线性特征的学习能力,能够学习非线性特征的深度学习方法又普遍存在梯度消失的问题,未能在QoS预测中有效发挥深度学习优势;时间感知的QoS预测方法往往仅对历史缺失值进行预测,忽略时间序列对于未来QoS值的预测价值。针对上述问题,本文分别基于位置、时间两种上下文信息进行QoS预测方法的研究,主要工作内容如下:(1)阐述当前QoS预测研究进展,总结了上下文感知的QoS预测技术的优势,并对其中位置感知和时间感知两类预测方法的不足进行分析。(2)针对现有位置感知的深度学习QoS预测方法中梯度消失问题,提出一种基于残差网络的位置感知的QoS预测方法(PLRes)。该方法利用残差网络特征复用的思想有效缓解梯度消失问题,在特征构造上将地理位置和网络位置信息结合,同时依据历史信息构造概率分布特征,进一步提升了预测准确性。(3)针对未来QoS值预测的问题,提出一种基于时间卷积网络的时间感知的QoS预测方法(TF-TCN),该方法通过一种基于注意力机制的张量分解模型对历史未知数据进行填充,依据填充后完整的QoS时序数据通过时间卷积网络实现对未来多时段QoS值的预测。(4)在公开数据集WS-Dream上对两种QoS预测方法分别进行实验,该数据集为不同用户调用Web服务产生的真实数据集,本文设置不同的稀疏矩阵密度进行大量实验,充分验证了本文方法的有效性。
网络位置感知的云服务推荐机制的研究
这是一篇关于QoS预测,云服务推荐,网络位置,协同过滤,矩阵分解的论文, 主要内容为随着Web 2.0时代的不断发展,人们获取新鲜事物的渠道越来越多,获取新知识的途径越来越便捷,但随之而来的是人们面对数据海洋而产生的信息过载的问题。为了解决在海量信息中获取用户个性化需求的信息的难题,推荐系统应运而生。基于云的软件服务作为一种高速发展的新型开放软件模式,面临着同质化日趋严重的问题。为了解决这一问题,很多学者开始将推荐系统作用于云服务领域,而服务质量(Quality of Service,QoS)作为描述云服务的非功能性属性,可以轻而易举的从中看出云服务的优劣。因此,云服务的QoS预测问题成为云服务推荐领域的热门研究问题之一。在现有的研究中通常使用协同过滤算法进行QoS预测,但是往往会忽略网络位置等上下文信息对预测结果的影响。通过网络位置信息可以很容易地找到相似邻居,根据邻居信息又可以更精确地预测QoS值。另外,在一些研究中,仅考虑了用户侧或服务侧的单一影响,然而二者对预测结果的影响程度均占有一定比重。基于以上问题,在本文中提出了两个网络位置感知的协同过滤算法预测QoS的缺失值。主要创新点如下:(1)提出了一种基于混合上下文信息正则化的矩阵分解算法。算法中引入了用户的网络位置信息、地理位置信息和服务的网络位置信息、地理位置信息、WSDL信息。使用改进的皮尔逊相关系数计算出用户间的相似度和服务间的相似度,这些信息的作用是用来进一步筛选用户和服务的相似邻居,剔除掉一些非相似项的干扰。为了进一步减小目标用户和邻居、候选服务和邻居之间可能存在的相似性不高的影响,将用户和邻居、服务和邻居的差异度作为正则化项加入矩阵分解中。实验结果表明本章算法对比一些经典算法具有较大的优势。(2)提出了一种基于局部信息与潜在关系的矩阵分解算法。由于在海量的云服务中,用户调用过的服务数量有限,导致推荐系统通过已有调用记录预测缺失QoS值的能力并不出众,因此将整合网络位置信息、地理位置信息和WSDL信息的邻居信息加入到协同过滤算法当中,利用相似邻居的信息弥补在矩阵稀疏时预测精确度不高的问题。为了挖掘用户和服务与其邻居之间的潜在关系,充分发挥相似邻居的作用,本章中分别构建了基于用户邻居和基于服务邻居局部矩阵,然后将全局信息和局部信息结合,并通过参数调整用户和服务的局部信息对于整体算法的影响程度。这样,可以对大量用户-云服务的调用关系中无历史调用记录的QoS值进行预测。通过大量的对比实验验证,本章算法在预测准确度上有比较明显的优势。
网络位置感知的云服务推荐机制的研究
这是一篇关于QoS预测,云服务推荐,网络位置,协同过滤,矩阵分解的论文, 主要内容为随着Web 2.0时代的不断发展,人们获取新鲜事物的渠道越来越多,获取新知识的途径越来越便捷,但随之而来的是人们面对数据海洋而产生的信息过载的问题。为了解决在海量信息中获取用户个性化需求的信息的难题,推荐系统应运而生。基于云的软件服务作为一种高速发展的新型开放软件模式,面临着同质化日趋严重的问题。为了解决这一问题,很多学者开始将推荐系统作用于云服务领域,而服务质量(Quality of Service,QoS)作为描述云服务的非功能性属性,可以轻而易举的从中看出云服务的优劣。因此,云服务的QoS预测问题成为云服务推荐领域的热门研究问题之一。在现有的研究中通常使用协同过滤算法进行QoS预测,但是往往会忽略网络位置等上下文信息对预测结果的影响。通过网络位置信息可以很容易地找到相似邻居,根据邻居信息又可以更精确地预测QoS值。另外,在一些研究中,仅考虑了用户侧或服务侧的单一影响,然而二者对预测结果的影响程度均占有一定比重。基于以上问题,在本文中提出了两个网络位置感知的协同过滤算法预测QoS的缺失值。主要创新点如下:(1)提出了一种基于混合上下文信息正则化的矩阵分解算法。算法中引入了用户的网络位置信息、地理位置信息和服务的网络位置信息、地理位置信息、WSDL信息。使用改进的皮尔逊相关系数计算出用户间的相似度和服务间的相似度,这些信息的作用是用来进一步筛选用户和服务的相似邻居,剔除掉一些非相似项的干扰。为了进一步减小目标用户和邻居、候选服务和邻居之间可能存在的相似性不高的影响,将用户和邻居、服务和邻居的差异度作为正则化项加入矩阵分解中。实验结果表明本章算法对比一些经典算法具有较大的优势。(2)提出了一种基于局部信息与潜在关系的矩阵分解算法。由于在海量的云服务中,用户调用过的服务数量有限,导致推荐系统通过已有调用记录预测缺失QoS值的能力并不出众,因此将整合网络位置信息、地理位置信息和WSDL信息的邻居信息加入到协同过滤算法当中,利用相似邻居的信息弥补在矩阵稀疏时预测精确度不高的问题。为了挖掘用户和服务与其邻居之间的潜在关系,充分发挥相似邻居的作用,本章中分别构建了基于用户邻居和基于服务邻居局部矩阵,然后将全局信息和局部信息结合,并通过参数调整用户和服务的局部信息对于整体算法的影响程度。这样,可以对大量用户-云服务的调用关系中无历史调用记录的QoS值进行预测。通过大量的对比实验验证,本章算法在预测准确度上有比较明显的优势。
上下文感知的云服务QoS预测研究
这是一篇关于QoS预测,上下文感知,残差网络,张量分解,时间卷积网络的论文, 主要内容为近年来,云计算发展迅速,云服务数量呈几何式增长,这使得用户的服务选择更加困难。服务质量(Quality of Service,QoS),是评价云服务的重要指标,也是服务选择与推荐的有力参考[1]。为帮助用户选择合适的服务,服务推荐系统常依赖QoS预测技术筛选候选服务,QoS预测也成为服务计算中的热门研究问题。现有QoS预测方法通常结合上下文信息,通过挖掘其中的隐式特征提升预测准确度。最常用的上下文信息是位置和时间,然而位置感知的QoS预测方法中,协同过滤方法不具备对非线性特征的学习能力,能够学习非线性特征的深度学习方法又普遍存在梯度消失的问题,未能在QoS预测中有效发挥深度学习优势;时间感知的QoS预测方法往往仅对历史缺失值进行预测,忽略时间序列对于未来QoS值的预测价值。针对上述问题,本文分别基于位置、时间两种上下文信息进行QoS预测方法的研究,主要工作内容如下:(1)阐述当前QoS预测研究进展,总结了上下文感知的QoS预测技术的优势,并对其中位置感知和时间感知两类预测方法的不足进行分析。(2)针对现有位置感知的深度学习QoS预测方法中梯度消失问题,提出一种基于残差网络的位置感知的QoS预测方法(PLRes)。该方法利用残差网络特征复用的思想有效缓解梯度消失问题,在特征构造上将地理位置和网络位置信息结合,同时依据历史信息构造概率分布特征,进一步提升了预测准确性。(3)针对未来QoS值预测的问题,提出一种基于时间卷积网络的时间感知的QoS预测方法(TF-TCN),该方法通过一种基于注意力机制的张量分解模型对历史未知数据进行填充,依据填充后完整的QoS时序数据通过时间卷积网络实现对未来多时段QoS值的预测。(4)在公开数据集WS-Dream上对两种QoS预测方法分别进行实验,该数据集为不同用户调用Web服务产生的真实数据集,本文设置不同的稀疏矩阵密度进行大量实验,充分验证了本文方法的有效性。
基于矩阵分解的云服务QoS预测研究及应用
这是一篇关于云服务,QoS预测,矩阵分解,循环神经网络,服务推荐的论文, 主要内容为典型特种工业设备智能检测监测平台服务于制造企业、检验机构和监管部门,是工业发展的重要一环。随着平台的不断发展,服务内容不断增多,信息过载问题也随之出现。作为解决信息过载问题的有效手段,云服务领域的服务推荐通常使用QoS作为推荐指标,QoS预测的精准度也直接影响了服务推荐的质量。然而,当前的QoS预测方法都是应用在互联网场景下的,没有涉及到特种工业设备云平台这一特殊场景。而且当前的QoS预测方法通常认为QoS数据是完全可靠的。针对这一情况,本文在国内外相关研究的基础上,分析了QoS数据中异常值对于预测的影响,并提出了一种基于异常值分析的矩阵分解QoS预测方法。为了满足云服务平台实时服务的特点,在利用上述预测方法的同时引入LSTM模型提出了一个基于LSTM矩阵分解的时间感知QoS预测方法,并将依据该模型实现的服务推荐系统应用到了云服务平台上。本文主要工作内容如下:(1)分析当前国内外QoS预测领域的基础理论和各项关键技术,从中总结现有方法的缺陷。同时结合课题的研究背景和意义,确定后续需要解决的核心问题,设计研究方法和实现方法。(2)针对现有方法通常依赖于QoS数据的可靠性这一点,详细分析了异常值对于QoS预测的影响,在分析了现有方法在这一方面的缺陷后,使用对异常值不敏感的损失函数结合矩阵分解方法构建了目标函数,提出了一种基于异常值分析的矩阵分解QoS预测方法,最后在对比实验中验证了该方法的有效性。(3)云服务平台作为提供实时服务的平台,需要一个能够进行实时推荐的系统。而传统的预测方法无法处理时序数据,因此在矩阵分解方法的基础上引入循环神经网络的变种模型LSTM来处理时序数据。提出了一个对于异常值不敏感且能够在时间感知场景下进行预测的方法。(4)立足智能检测监测云服务平台的实际场景,结合软件开发技术,采用SOA架构和多级存储的方案,设计并实现了云服务推荐原型系统。云服务推荐原型系统中集成了时间感知QoS预测模型,并将预测数据用于云服务推荐。
基于深度因子分解和近邻正则化的QoS预测研究
这是一篇关于Web服务,QoS预测,深度因子分解,近邻正则化的论文, 主要内容为随着大数据和云计算等以服务为导向的计算日益普及,越来越多的Web服务由服务提供商部署在互联网上,许多Web服务的功能属性是相同或类似,但其非功能性属性(如响应时间和吞吐量)可能会有很大差异,这些非功能属性通常被描述为服务计算中的服务质量(QualityofServices,QoS)。如何让用户从广泛的Web服务提供者中找出满足其功能和非功能需求的最合适的Web服务,这一点至关重要,所以,Web服务的QQoS预测研究受到了越来越多的关注。基于历史记录来预测Web服务的QQoS值是获取Web服务QQoS的有效方法。目前,常用的QoS预测方法包括了协同过滤和矩阵分解等技术,但是这些方法对QoS数据深层语义的理解有限,数据蕴含的非线性特征对这些方法来说也无法捕获到,这限制了 QoS预测的精度。此外,由于隐私保护等需求,可以挖掘利用的QQoS辅助信息有限,需要尽可能挖掘数据蕴含的内在特征来提高模型或者算法的预测能力。为此,本文开展了如下工作:首先,本文分析了当前Web服务推荐系统领域的研究现状,回顾了推荐系统的几种主要方法以及方法的优缺点。其次,通过整合深度学习和近邻信息来改进推荐系统,提出了一种基于深度因子分解和近邻正则化的QoS预测模型(NR-DFM)。利用多层感知机(MLP)来建模学习用户和服务的隐含特征的深层交互,然后最小化目标函数来学习模型。该模型类似于因子分解方法,可称为深度因子分解(DeepFactorization Model),更进一步,本文考虑用户邻居(即相似的用户)彼此间的影响,加入正则化项来描述类似信任传播的影响,以此来平滑用户特征的学习。最后,在数据集WS-DREAM上进行Web服务QoS预测,表明提出的方法在大型数据集上的预测精度要好于先前的基于矩阵分解和协同过滤的方法。深度学习能够有效地捕捉用户与服务之间的关系,组合低层特征形成更加稠密的高层语义抽象,同时考虑到近邻对Web服务QQoS的影响,大幅提高了 QoS预测精度。
基于深度因子分解和近邻正则化的QoS预测研究
这是一篇关于Web服务,QoS预测,深度因子分解,近邻正则化的论文, 主要内容为随着大数据和云计算等以服务为导向的计算日益普及,越来越多的Web服务由服务提供商部署在互联网上,许多Web服务的功能属性是相同或类似,但其非功能性属性(如响应时间和吞吐量)可能会有很大差异,这些非功能属性通常被描述为服务计算中的服务质量(QualityofServices,QoS)。如何让用户从广泛的Web服务提供者中找出满足其功能和非功能需求的最合适的Web服务,这一点至关重要,所以,Web服务的QQoS预测研究受到了越来越多的关注。基于历史记录来预测Web服务的QQoS值是获取Web服务QQoS的有效方法。目前,常用的QoS预测方法包括了协同过滤和矩阵分解等技术,但是这些方法对QoS数据深层语义的理解有限,数据蕴含的非线性特征对这些方法来说也无法捕获到,这限制了 QoS预测的精度。此外,由于隐私保护等需求,可以挖掘利用的QQoS辅助信息有限,需要尽可能挖掘数据蕴含的内在特征来提高模型或者算法的预测能力。为此,本文开展了如下工作:首先,本文分析了当前Web服务推荐系统领域的研究现状,回顾了推荐系统的几种主要方法以及方法的优缺点。其次,通过整合深度学习和近邻信息来改进推荐系统,提出了一种基于深度因子分解和近邻正则化的QoS预测模型(NR-DFM)。利用多层感知机(MLP)来建模学习用户和服务的隐含特征的深层交互,然后最小化目标函数来学习模型。该模型类似于因子分解方法,可称为深度因子分解(DeepFactorization Model),更进一步,本文考虑用户邻居(即相似的用户)彼此间的影响,加入正则化项来描述类似信任传播的影响,以此来平滑用户特征的学习。最后,在数据集WS-DREAM上进行Web服务QoS预测,表明提出的方法在大型数据集上的预测精度要好于先前的基于矩阵分解和协同过滤的方法。深度学习能够有效地捕捉用户与服务之间的关系,组合低层特征形成更加稠密的高层语义抽象,同时考虑到近邻对Web服务QQoS的影响,大幅提高了 QoS预测精度。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设工坊 ，原文地址：https://m.bishedaima.com/lunwen/56355.html
