CN103197983A - 基于概率图模型的服务组件可靠性在线时间序列预测方法 - Google Patents
基于概率图模型的服务组件可靠性在线时间序列预测方法 Download PDFInfo
- Publication number
- CN103197983A CN103197983A CN2013101414531A CN201310141453A CN103197983A CN 103197983 A CN103197983 A CN 103197983A CN 2013101414531 A CN2013101414531 A CN 2013101414531A CN 201310141453 A CN201310141453 A CN 201310141453A CN 103197983 A CN103197983 A CN 103197983A
- Authority
- CN
- China
- Prior art keywords
- motifs
- time series
- reliability
- time
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于概率图模型的服务组件可靠性在线时间序列预测方法,包括如下步骤:(1)motifs发现过程;(2)使用发现的motifs标注服务组件的各个历史参数;(3)通过DBNs模型学习构建CPT;(4)DBNs模型推理并开展基于系统实时参数的在线预测。本发明提供的基于概率图模型的服务组件可靠性在线时间序列预测方法,能够有效解决面向服务的组件级系统在线可靠性时间序列预测的问题,对服务计算领域软件质量保障问题提供一种有效的解决方案,为我国开展大规模复杂软件系统的应用提供支撑,解决了自主计算领域有关Self-*的相关研究中最为核心的一个问题。
Description
技术领域
本发明涉及一种利用计算机对面向服务的系统中成员系统(组件级)的可靠性开展在线时间序列预测的方法,尤其涉及一种基于概率图模型的服务组件可靠性在线时间序列预测方法。
背景技术
目前尚未发现利用计算机来开展面向服务的计算(Service-Oriented Computing,简称SOC)系统中面向成员系统(组件级)可靠性的在线时间序列预测方法,但存在一些面向传统计算机系统的在线错误预测的方法及面向SOC系统的可靠性预测方法,比如:
(1)在线错误预测方法,如基于条件概率的贝叶斯预测、非参数方法预测、曲线拟合方法、semi-Markov模型、神经网络模型、SVM模型、组件交互图模型、协同过滤技术等,这些模型或方法只能建模错误的发生,在时间上满足泊松分布的错误事件,对SOC系统中由于网络、吞吐量及系统的工作状态等原因所造成的随机波动环境下不确定性错误事件的可靠性预测问题尚缺乏足够的支持;
(2)服务计算领域有关可靠性预测的方法,其目的大多集中于容错计算,主要关注的是对错误发生后的组件选择问题,这使得该领域的可靠性预测研究主要集中于对历史平均可靠性的预测,或预测下一个时刻(错误发生的临近时刻)的可靠性,相关预测技术不能完全支持本发明所提出的面向SOC的“在线”时间序列可靠性的预测问题。
“前摄”错误管理(Proactive Fault Management)是提高计算机系统可靠性,保障系统持续有效运行的一种手段。基于IBM所提出的自主计算的理念,面向服务的系统运行时“前摄”错误管理其核心问题是如何有效的预测系统的可靠性并在此基础上实现组合系统运行时面向系统可靠性的自优化。自主计算中有关self-*(configuration,healing,optimization,or protection)的研究对服务计算领域现有的可靠性预测问题提出新的挑战:服务计算领域现有的有关可靠性预测方面的研究对有效的预测时间问题都没有展开讨论。为支持self-*的研究,可靠性的预测必须是一种在线(on-line)的预测,需要预测未来(near future)的可靠性。在SOC系统中,不同的用户对成员系统的调用时间具有不确定性。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供面向SOC系统中不确定性错误事件的成员系统可靠性在线时间序列预测方法,从提高预测方法的可操作性的角度,基于概率图模型,通过分析系统历史的可靠性、吞吐量及响应时间这三组数据,预测前导时间之后的一个有效时间序列周期内系统的可靠性,相比现有的SOC成员系统可靠性预测结果更为精确,更能适应SOC动态、不确定性的应用环境
技术方案:为实现上述目的,本发明采用的技术方案为:
在SOC系统中,用户的行为具有涌现性(emergent behavior),成员系统(服务端)及用户(客户端)的网络状况具有不确定性,成员系统的运行状态(通常由服务端的软、硬件环境决定)同样具有很大的不确定性;这些因素导致SOC的各成员系统其错误的发生在时间上不具备明显的规律性。这些问题导致软件工程领域传统的在线错误预测机理或方法很难适应面向不确定性错误事件的SOC成员系统可靠性在线时间序列预测需求;另一方面,为保障系统的运行质量,使得面向服务的系统能够持续有效的运行,要求所面临的错误预测问题需要预测系统未来的可靠性,且在时间上应保证系统能及时修改服务组合的工作流,并顺利执行完毕;而用户占用每一个成员系统的时间同样具有不确定性,因此同时要求在线预测问题需要能够预测SOC成员系统在有效的未来时间区间内多个时间片上的可靠性时间序列。
针对上述问题,本发明对概率图模型开展研究,这一模型将图结构和概率模型有机的结合,不仅可以有效的解决现实世界中大量的不确定性问题,而且可以有效的提高人工智能模型的泛化能力。本发明对系统历史的响应时间RT、吞吐量T和可靠性R三组参数开展分析,寻找这些参数中的motifs,在此基础上采用概率图模型中的动态贝叶斯网络(Dynamic Bayesian networks,DBNs)模型构建面向成员系统可靠性预测的DBNs模型,以相应的motifs作为DBNs网络节点的参数,并对这些参数开展学习以构建DBNs模型中各节点条件依赖关系的条件概率表(Conditional probability table,CPT),在此基础上开展模型的推理,根据实时采集的系统吞吐量T、响应时间RT参数,预测未来的可靠性R时间序列。
具体的,基于概率图模型的服务组件可靠性在线时间序列预测方法,包括如下步骤:
(1)motifs发现过程:寻找历史参数中响应时间RT、吞吐量T和可靠性R三组参数中的motifs;记响应时间RT的motifs为RT_motifs(i)、i=1,2,...,nRT,吞吐量T的motifs为T_motifs(j)、j=1,2,...,nT,可靠性R的motifs为R_motifs(k)、k=1,2,...,nR;其中,motifs表示系统历史参数时间序列数据中出现次数大于某一阈值的系统参数的特征子序列,采用基于时间序列数据相似度(如欧式距离)的方法确定motifs;
(2)使用发现的motifs标注服务组件的各个历史参数:首先将历史参数的每个时间序列分别以与该时间序列包含的特征子序列相似度最大的motifs进行标注,具体为将响应时间RT的每个时间序列分别以与该时间序列包含的特征子序列相似度最大的motifs进行标注,将吞吐量T的每个时间序列分别以与该时间序列包含的特征子序列相似度最大的motifs进行标注,将可靠性R的每个时间序列分别以与该时间序列包含的特征子序列相似度最大的motifs进行标注;然后通过历史参数的标注结果统计历史参数的变化规律;
(3)通过DBNs模型学习构建CPT:基于历史参数的变化规律,构建面向成员系统可靠性R预测的DBNs模型,以相应参数的motifs标注作为DBNs网络中节点的参数,并对网络节点参数开展学习以构建DBNs模型中各节点的条件概率表CPT;
(4)DBNs模型推理并开展基于系统实时参数的在线预测:根据实时采集的响应时间RT和吞吐量T,通过CPT计算子节点的概率分布,实现对未来可靠性R时间序列的预测。
优选的,所述步骤(1)中,基于k-means方法计算时间序列数据的相似度,通过相似度的方法确定motifs的出现。
有益效果:本发明提供的基于概率图模型的服务组件可靠性在线时间序列预测方法,能够有效解决面向服务的组件级系统在线可靠性时间序列预测的问题,对服务计算领域软件质量保障问题提供一种有效的解决方案,为我国开展大规模复杂软件系统的应用提供支撑,解决了自主计算领域有关Self-*(configuration、healing、optimization、或protection)的相关研究中最为核心的一个问题。
附图说明
图1为传统的动态贝叶斯网络模型;
图2为基于概率图模型的服务组件可靠性在线时间序列预测框架。
具体实施方式
下面结合附图对本发明作更进一步的说明。
概率图模型(probabilistic graphical models)可以模拟不同物理区域之间的相关性或依赖关系,反映所收集的现实世界中不确定信息和需要的目标信息之间的关系。这类模型将图和概率结合,可将变量子集(甚至一个变量)的局部分布,根据变量之间内在的结构,转变为对变量集合整体的联合分布。这样,就可以既顾及了变量之间存在的结构,又考虑了平均的必要性;因而可以提高传统人工智能方法所构建的模型的泛化能力。支持连续时间的概率图模型,目前应用主要为在时间上(无限)展开的动态贝叶斯网,传统的动态贝叶斯网络模型如图1所示。
传统的动态贝叶斯网络模型通过建模相邻的连续时间片上的条件依赖关系实现对未来的预测。本案所分析的系统历史参数,因为SOC系统运行环境的动态性,导致相邻时间片系统参数的变化不存在明显的因果关系,而连续时间片上系统参数的波动规律却往往能反映一类特定的事件(如某服务组件软件版本升级)。因此,可以通过分析系统参数相邻时间序列间变化的因果关系,从而构建一种适应于动态、不确定环境下可靠性时间序列在线预测的DBNs模型。通过分析历史参数在连续时间片上的、相邻时间段多个参数的motifs变化与系统未来可靠性之间所存在的因果关系,构建的DBNs模型中,各节点的属性用相应参数的特征子序列motifs来表示,通过对历史数据的学习构建DBNs模型中的条件概率表CPT,最后根据实时采集的系统吞吐量T、响应时间RT信息,开展DBNs推理,选取概率最大的决定关系中的可靠性特征子序列来作为组件级服务可靠性在线时间序列预测的结果。具体的预测流程如图2所示,图中RT表示响应时间,T表示吞吐量,R表示可靠性,t为历史的系统参数时间区间,t+1为待预测的系统参数时间区间;DBNs模型中每个节点的参数通过该参数历史数据中的motifs数量来确定,具体方法如下
(1)motifs发现过程
寻找历史参数中响应时间RT、吞吐量T和可靠性R三组参数中的motifs;记响应时间RT的motifs为RT_motifs(i)、i=1,2,...,nRT,吞吐量T的motifs为T_motifs(j)、j=1,2,...,nT,可靠性R的motifs为R_motifs(k)、k=1,2,...,nR;其中,motifs表示系统历史参数时间序列数据中出现次数大于某一阈值的系统参数的特征子序列,基于k-means方法计算时间序列数据的相似度,采用基于时间序列数据相似度的方法确定motifs的出现。下面以响应时间RT的motifs发现过程为例进行说明。
设系统参数的采样周期为其中s为时间片(slice)个数;则对任意的第i段时间序列可以用一个具有个数为的实数向量来表示,例如(22.13,32.34,35.76,…);将这个实数向量映射到多维空间,根据欧氏距离计算任意两个向量RT(i)和RT(j)间的距离,距离公式为:
使用k-means算法的基本思想对这些向量进行聚类以发现系统参数中的motifs,motifs的发现过程如表1所示:
表1motifs的发现过程
对于响应时间RT,其motifs则定义为每一聚簇的中心点。
接下来,对响应时间RT重新划分时间段,每个时间段取RT(i)之后△tl时间内的时间序列数据,记为这样同样将响应时间RT划分为n段时间序列数据,其中每段同样包括个数据点。并采用上述发现过程找出这些参数中的motifs。
吞吐量T和可靠性R的motifs发现过程,与响应时间RT完全一致。
如上所述,△tl为组合系统修改服务组合工作流所需要的平均安全时间,因此RT(i),T(i)所对应的系统未来可靠性(在线预测的结果)的预测结果为即对于系统的历史参数,则可靠性预测问题可表示为:
其中,RT(i),T(i)表示在吞吐量和响应时间历史参数中的第i段时间序列,表示时间段取R(i)之后△tl时间内的系统可靠性时间序列数据;通过构建DBNs模型可分析满足的因果关系,并最终解决可靠性在线时间序列预测问题。
(2)使用发现的motifs标注各个历史参数
首先将历史参数的每个时间序列分别以与该时间序列包含的特征子序列相似度最大的motifs进行标注,具体为将响应时间RT的每个时间序列分别以与该时间序列包含的特征子序列相似度最大的motifs进行标注,将吞吐量T的每个时间序列分别以与该时间序列包含的特征子序列相似度最大的motifs进行标注,将可靠性R的每个时间序列分别以与该时间序列包含的特征子序列相似度最大的motifs进行标注;然后通过历史参数的标注结果统计历史参数的变化规律。
将每个时间序列划归到与某个motifs的相似度最大的类中,仍以响应时间RT为例,对于响应时间RT,通过motifs发现,最终得到了k个motifs(k值过小会使得预测的结果准确率不高,而k值过大,会使得最终所构建的CPT规模过大而导致CPT的构建和推理的过程变得异常复杂;因此,各个系统参数的motifs个数的设定需要结合具体的实验,以取得一个最佳的经验值),即RT_motifs(j)、j=1,2,...,k,若RT(i)与这k个motifs中的RT_motifs(m)的相似度最大。则我们就用RT_motifs(m)来标注RT(i),即:
RT(i)←Label_of(RT_motifs(m))
其中,RT_motifs(m)满足:
dis(RT(i),RT_motifs(m))≤dis(RT(i),RT_motifs(j)),where,j=1,2,...,k
同样,对参数采用相同的方法予以标注。
(3)通过DBNs模型学习构建CPT
基于历史参数的变化规律,构建面向成员系统可靠性R预测的DBNs模型,以motifs作为网络节点参数,并对网络节点参数开展学习以构建条件依赖关系的CPT。
如图2所示。在每个节点的CPT中,参数采用motifs发现过程中所构建的motifs来表示。根据我们在步骤(2)中对各历史参数的标注结果,对历史参数开展统计分析,并最终建立相应的CPT。
DBNs模型中任一节点y的CPT中的任意一行信息满足:
其中Y为节点y的属性集合,设Y=y1,y2,…,yi。x1,x2,…,xj为节点y的所有条件属性的任一组合,即在DBNs模型中指向y的所有边的起点。
下面我们以节点R(t)的CPT构建过程为例予以说明。图2中,指向R(t)的节点包括RT(t)和T(t),设RT的历史参数中motifs分别为RT_motifs(A)和RT_motifs(B),分别记为A、B。T的历史参数中motifs为T_motifs(C)和T_motifs(D),记为C、D。设RT的历史参数以motifs标注后,其排列为AABABBBBBAAB,相应的,T的参数以motifs表示后,其排列为DDDCCDCDCDCD。设R的历史参数motifs为R_motifs(E),R_motifs(F),记为E、F,其排列为EEEEFFEEFFEE。则对于时序可靠性预测DBNs中的节点R(t)所构建的CPT如表2所示。
表2DBNs模型中的一个CPT实例
E | F | |
A,C | 16.67% | 0.00% |
A,D | 16.67% | 8.33% |
B,C | 8.33% | 16.67% |
B,D | 25.00% | 8.33% |
表2中,每一行为指向R(t)的节点的所有节点(为RT(t)和T(t))的任一motifs的组合,每一列为R(t)的任一motifs。CPT中任一项的值为对应的因果关系出现的概率。以表1第2行第2列为例,其因果关系为A,C→E,在历史参数中(参数RT、T、R必须来自相同的时间段),满足A,C→E的关系共出现两次,而RT,T→R共有12个历史记录,因此其概率值为16.7%。依据这种方法计算表1中其它单元的概率值。采用同样的方法我们可以构建图2中所有节点的CPT。至此,我们得到了面向某一组件(SOC中的成员系统)的在线可靠性时间序列预测DBNs模型,依据这一模型,可以开展对该组件未来可靠性的在线时序预测。
(4)DBNs模型推理并开展基于系统实时参数的在线预测
根据实时采集的响应时间RT和吞吐量T,通过CPT计算子节点的概率分布,实现对未来可靠性R时间序列的预测。
根据实时所采集的吞吐量、响应时间参数计算其与历史参数中motifs的相似度,以最相似的motifs标注这两组参数。推理的过程中我们取满足该因果关系中概率最大的一组motifs结果,即:
R(t+1)=R(t+1)_motifs(σ)
其中,R(t+1)_motifs(σ)满足:
P(R(t+1)_motifs(σ)|R(t+1),T(t+1))=Max(P(R(t+1)|R(t+1),T(t+1)))
以表2中的CPT为例,假设实时参数以motifs标注分别为B、C,则R(t)的推理结果为F。最终,根据节点R(t+1)的CPT,即RT(t+1),T(t+1)→R(t+1)的因果关系,我们就可以得到的时间序列。
通过以上描述可以看出,本案所提出的面向SOC成员系统的可靠性在线时间序列预测方法,通过对系统的历史参数进行离线的分析,构建DBNs预测模型。在对某一SOC成员系统开展预测时,只需要根据实时采集的系统参数,对DBNs模型开展推理,并得到预测结果。推理过程的时间复杂度是常数阶的,即O(1)。由此可见,这一发明所提出的方法非常适用于在线的计算。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.基于概率图模型的服务组件可靠性在线时间序列预测方法,其特征在于:包括如下步骤:
(1)motifs发现过程:寻找历史参数中响应时间RT、吞吐量T和可靠性R三组参数中的motifs;记响应时间RT的motifs为RT_motifs(i)、i=1,2,...,nRT,吞吐量T的motifs为T_motifs(j)、j=1,2,...,nT,可靠性R的motifs为R_motifs(k)、k=1,2,...,nR;其中,motifs表示系统历史参数时间序列数据中出现次数大于某一阈值的系统参数的特征子序列,采用基于时间序列数据相似度的方法确定motifs;
(2)使用发现的motifs标注服务组件的各个历史参数:首先将历史参数的每个时间序列分别以与该时间序列包含的特征子序列相似度最大的motifs进行标注,具体为将响应时间RT的每个时间序列分别以与该时间序列包含的特征子序列相似度最大的motifs进行标注,将吞吐量T的每个时间序列分别以与该时间序列包含的特征子序列相似度最大的motifs进行标注,将可靠性R的每个时间序列分别以与该时间序列包含的特征子序列相似度最大的motifs进行标注;然后通过历史参数的标注结果统计历史参数的变化规律;
(3)通过DBNs模型学习构建CPT:基于历史参数的变化规律,构建面向成员系统可靠性R预测的DBNs模型,以相应参数的motifs标注作为DBNs网络中节点的参数,并对网络节点参数开展学习以构建DBNs模型中各节点的条件概率表CPT;
(4)DBNs模型推理并开展基于系统实时参数的在线预测:根据实时采集的响应时间RT和吞吐量T,通过CPT计算子节点的概率分布,实现对未来可靠性R时间序列的预测。
2.根据权利要求1所述的基于概率图模型的服务组件可靠性在线时间序列预测方法,其特征在于:所述步骤(1)中,基于k-means方法计算时间序列数据的相似度,通过相似度的方法确定motifs的出现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310141453.1A CN103197983B (zh) | 2013-04-22 | 2013-04-22 | 基于概率图模型的服务组件可靠性在线时间序列预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310141453.1A CN103197983B (zh) | 2013-04-22 | 2013-04-22 | 基于概率图模型的服务组件可靠性在线时间序列预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103197983A true CN103197983A (zh) | 2013-07-10 |
CN103197983B CN103197983B (zh) | 2015-04-29 |
Family
ID=48720571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310141453.1A Active CN103197983B (zh) | 2013-04-22 | 2013-04-22 | 基于概率图模型的服务组件可靠性在线时间序列预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103197983B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455858A (zh) * | 2013-09-23 | 2013-12-18 | 东南大学 | 面向服务的系统中的质量动态预警方法 |
CN104660699A (zh) * | 2015-02-25 | 2015-05-27 | 重庆大学 | 基于可变斜率的缺失服务响应时间补足方法和装置 |
CN104951425A (zh) * | 2015-07-20 | 2015-09-30 | 东北大学 | 一种基于深度学习的云服务性能自适应动作类型选择方法 |
CN105224543A (zh) * | 2014-05-30 | 2016-01-06 | 国际商业机器公司 | 用于处理时间序列的方法和装置 |
CN106407473A (zh) * | 2016-10-27 | 2017-02-15 | 西南石油大学 | 一种基于事件相似性建模的获取事件脉络的方法及其系统 |
CN107145967A (zh) * | 2017-04-12 | 2017-09-08 | 东南大学 | 基于multi_DBNs模型的大服务组件系统在线可靠性预测方法 |
CN107679674A (zh) * | 2017-10-23 | 2018-02-09 | 携程计算机技术(上海)有限公司 | Ota平台海外酒店房型服务缺陷的预测方法及系统 |
CN109376068A (zh) * | 2018-09-03 | 2019-02-22 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 软件可靠性预测方法、装置、计算机设备和存储介质 |
CN109510793A (zh) * | 2017-09-14 | 2019-03-22 | 蓝盾信息安全技术股份有限公司 | 一种基于协同过滤的安全事件预测技术 |
US10467533B2 (en) | 2015-12-29 | 2019-11-05 | Tata Consultancy Services Limited | System and method for predicting response time of an enterprise system |
CN117034905A (zh) * | 2023-08-07 | 2023-11-10 | 重庆邮电大学 | 一种基于大数据的互联网假新闻识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101442561A (zh) * | 2008-12-12 | 2009-05-27 | 南京邮电大学 | 一种基于支持向量机的网格监控方法 |
CN102495865A (zh) * | 2011-11-28 | 2012-06-13 | 南京大学 | 结合图像内部空间关系及视觉共生关系的图像标注方法 |
US20120185736A1 (en) * | 2011-01-19 | 2012-07-19 | Oracle International Corporation | System and method for using dependency in a dynamic model to relate performance problems in a complex middleware environment |
-
2013
- 2013-04-22 CN CN201310141453.1A patent/CN103197983B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101442561A (zh) * | 2008-12-12 | 2009-05-27 | 南京邮电大学 | 一种基于支持向量机的网格监控方法 |
US20120185736A1 (en) * | 2011-01-19 | 2012-07-19 | Oracle International Corporation | System and method for using dependency in a dynamic model to relate performance problems in a complex middleware environment |
CN102495865A (zh) * | 2011-11-28 | 2012-06-13 | 南京大学 | 结合图像内部空间关系及视觉共生关系的图像标注方法 |
Non-Patent Citations (1)
Title |
---|
王红兵等: "《Web Services的权重空间距离和定量选择》", 《计算机工程与科学》, vol. 33, no. 10, 10 November 2011 (2011-11-10), pages 182 - 185 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455858B (zh) * | 2013-09-23 | 2017-01-18 | 东南大学 | 面向服务的系统中的质量动态预警方法 |
CN103455858A (zh) * | 2013-09-23 | 2013-12-18 | 东南大学 | 面向服务的系统中的质量动态预警方法 |
US10423635B2 (en) | 2014-05-30 | 2019-09-24 | International Business Machines Corporation | Processing time series |
CN105224543A (zh) * | 2014-05-30 | 2016-01-06 | 国际商业机器公司 | 用于处理时间序列的方法和装置 |
CN104660699B (zh) * | 2015-02-25 | 2018-02-13 | 重庆大学 | 基于可变斜率的缺失服务响应时间补足方法和装置 |
CN104660699A (zh) * | 2015-02-25 | 2015-05-27 | 重庆大学 | 基于可变斜率的缺失服务响应时间补足方法和装置 |
CN104951425B (zh) * | 2015-07-20 | 2018-03-13 | 东北大学 | 一种基于深度学习的云服务性能自适应动作类型选择方法 |
CN104951425A (zh) * | 2015-07-20 | 2015-09-30 | 东北大学 | 一种基于深度学习的云服务性能自适应动作类型选择方法 |
US10467533B2 (en) | 2015-12-29 | 2019-11-05 | Tata Consultancy Services Limited | System and method for predicting response time of an enterprise system |
CN106407473A (zh) * | 2016-10-27 | 2017-02-15 | 西南石油大学 | 一种基于事件相似性建模的获取事件脉络的方法及其系统 |
CN106407473B (zh) * | 2016-10-27 | 2020-01-31 | 西南石油大学 | 一种基于事件相似性建模的获取事件脉络的方法及其系统 |
CN107145967A (zh) * | 2017-04-12 | 2017-09-08 | 东南大学 | 基于multi_DBNs模型的大服务组件系统在线可靠性预测方法 |
CN109510793A (zh) * | 2017-09-14 | 2019-03-22 | 蓝盾信息安全技术股份有限公司 | 一种基于协同过滤的安全事件预测技术 |
CN107679674A (zh) * | 2017-10-23 | 2018-02-09 | 携程计算机技术(上海)有限公司 | Ota平台海外酒店房型服务缺陷的预测方法及系统 |
CN109376068A (zh) * | 2018-09-03 | 2019-02-22 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 软件可靠性预测方法、装置、计算机设备和存储介质 |
CN117034905A (zh) * | 2023-08-07 | 2023-11-10 | 重庆邮电大学 | 一种基于大数据的互联网假新闻识别方法 |
CN117034905B (zh) * | 2023-08-07 | 2024-05-14 | 重庆邮电大学 | 一种基于大数据的互联网假新闻识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103197983B (zh) | 2015-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103197983B (zh) | 基于概率图模型的服务组件可靠性在线时间序列预测方法 | |
Guo et al. | Short-term water demand forecast based on deep learning method | |
Wen et al. | Big data driven marine environment information forecasting: a time series prediction network | |
CN109902801B (zh) | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | |
US20190354509A1 (en) | Techniques for information ranking and retrieval | |
Chen et al. | Multivariate fuzzy forecasting based on fuzzy time series and automatic clustering techniques | |
CN104951425B (zh) | 一种基于深度学习的云服务性能自适应动作类型选择方法 | |
Sheu | Dynamic relief-demand management for emergency logistics operations under large-scale disasters | |
Babazadeh et al. | Application of particle swarm optimization to transportation network design problem | |
Mocanu et al. | Comparison of machine learning methods for estimating energy consumption in buildings | |
Zhu et al. | pg-causality: Identifying spatiotemporal causal pathways for air pollutants with urban big data | |
Goodwin et al. | Real-time digital twin-based optimization with predictive simulation learning | |
CN109376906B (zh) | 基于多维度轨迹的出行时间预测方法、系统及电子设备 | |
Qiao et al. | Feature selection strategy for machine learning methods in building energy consumption prediction | |
CN109471698A (zh) | 云环境下虚拟机异常行为检测系统和方法 | |
Jin et al. | Deep‐learning prediction model with serial two‐level decomposition based on Bayesian optimization | |
Efendi et al. | Maximum-minimum temperature prediction using fuzzy random auto-regression time series model | |
CN105471647A (zh) | 一种电力通信网故障定位方法 | |
CN105183659A (zh) | 基于多级模式预测的软件系统行为异常检测方法 | |
Lian et al. | Training algorithm for radial basis function neural network based on quantum-behaved particle swarm optimization | |
Lee et al. | SALAD: Self-adaptive lightweight anomaly detection for real-time recurrent time series | |
CN108241864A (zh) | 基于多变量分组的服务器性能预测方法 | |
CN104036330A (zh) | 一种基于MapReduce的降雨量分类预测方法 | |
Lee et al. | Wind power pattern forecasting based on projected clustering and classification methods | |
Huang et al. | Mobile network traffic prediction based on seasonal adjacent windows sampling and conditional probability estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |