CN104468413B

CN104468413B - 一种网络服务方法及系统

Info

Publication number: CN104468413B
Application number: CN201410706650.8A
Authority: CN
Inventors: 汤雅妃; 张云勇; 范济安; 魏进武; 张呈宇; 霍玉嵩
Original assignee: China United Network Communications Group Co Ltd
Current assignee: China United Network Communications Group Co Ltd
Priority date: 2014-11-27
Filing date: 2014-11-27
Publication date: 2017-12-22
Anticipated expiration: 2034-11-27
Also published as: CN104468413A

Abstract

本发明提供一种网络服务方法及系统；方法包括：获取当前网络资源状态以及当前服务队列中各服务请求任务的服务请求属性数据；根据所述服务请求属性数据以及预存的样本数据，分别计算在当前网络资源状态下所述各服务请求任务在当前服务队列中将被服务的服务概率值；所述样本数据包括不同网络资源状态下各服务请求任务的服务请求属性数据及服务顺序；对所述当前服务队列中各服务请求任务按照所述服务概率值从大到小进行排序，并按此顺序依次进行网络服务和资源分配。本发明能够基于当前网络资源状态，根据当前服务队列的服务请求属性数据进行任务调度和资源分配。

Description

一种网络服务方法及系统

技术领域

本发明涉及通信领域，尤其涉及一种网络服务方法及系统。

背景技术

随着移动通信网络的发展，用户对网络服务质量和服务效率的需求不断增强。然而限于服务资源有限，如果用户的服务需求较为集中，将导致在服务高峰期出现网络服务排队现象。比如在“双11”活动的时候，由于业务量巨大且集中，很容易造成网络拥塞，用户访问活动网站的网速很慢，网络交易通常需要等待较长时间甚至经常交易不成功；除夕晚间，用户集中发短信或者打电话拜年，容易出现占线问题。这些都是典型的移动网络服务排队现象。为了保证服务质量，使得有限的网络资源被最大化利用，网络服务系统需要对服务队列进行有效管理，对网络资源进行合理分配。

现有网络服务方法主要遵循先入先出的公平服务原则，即先到达的事件先提供服务。近年来，随着SLA(服务等级协议)的提出，作为提供网络资源服务的运营商需要向用户提供差异化服务，保证部分业务享有优先服务的权利。为了兼顾用户优先级，同时尽量不影响服务公平性，现有技术通常采用加权公平排队(Weighted Fair Queuing，WFQ)机制进行服务请求任务的调度和网络资源的分配。针对业务优先级、业务等待时间、队列长度、队列中所占比例等指标设置不同的权重系数，然后按照权重法计算等候队列中每个服务请求任务的优先级，并基于优先级进行服务资源的分配。

在现有技术中，权重系数的大小直接决定了服务请求任务在服务队列中的相对位置，对服务质量产生重要影响，不同的权重会导致完全不同的结果。然而随着指标维度的增加，这种加权公平排队方法将会存在“维度灾难”隐患，对权重系数的准确性提出了严重挑战，从而降低了综合优先级的精度，公平性难以得到保证。

其次，现有技术中评价指标的权重系数通常是根据人为经验进行设置或者通过相关规则进行量化配置的，缺乏数据分析作为理论依据。因此使用的权重系数是一种经验系数，并不能充分考虑到当前服务队列的实际情况。

同时，现有技术在强调服务公平性的同时却忽略了网络服务系统中各服务请求任务对网络资源的竞争性，因此会造成资源的浪费和不合理分配。为了保证有限资源的最大化利用必须在不同资源状态下基于不同的服务策略进行任务调度和资源分配。

另一方面，现有网络服务方法采用的是一种单向传递的服务模式，缺乏对服务数据的有效利用。这种开环系统由于缺少反馈控制，很难达到真正意义上为稳态。

发明内容

本发明要解决的技术问题是如何基于当前网络资源状态，根据当前服务队列的服务请求属性数据进行任务调度和资源分配。

为了解决上述问题，本发明提供了一种网络服务方法，包括：

S101、获取当前网络资源状态以及当前服务队列中各服务请求任务的服务请求属性数据；所述服务请求属性数据包括服务请求任务在当前服务队列的已等待时长、对应的用户服务等级以及资源需求量；

S102、根据所述服务请求属性数据以及预存的样本数据，分别计算在当前网络资源状态下所述各服务请求任务在当前服务队列中将被服务的服务概率值；所述样本数据包括不同网络资源状态下各服务请求任务的服务请求属性数据及服务顺序；

S103、对所述当前服务队列中各服务请求任务按照所述服务概率值从大到小进行排序，并按此顺序依次进行网络服务和资源分配。

可选地，所述步骤S102包括：

根据当前网络资源状态所匹配的状态等级，查找该状态等级对应的服务概率模型；所述服务概率模型根据所述预存的样本数据预先生成；

分别将当前服务队列中各服务请求任务的所述服务请求属性数据代入所述服务概率模型，得到该服务请求任务在当前服务队列中将被服务的服务概率值。

可选地，所述步骤S101前还包括：

根据所述样本数据的网络资源状态的分布情况划分出多个状态等级；

根据所述样本数据在各属性维度的分布情况进行区间划分，并对区间内的样本数据值进行归一化处理；所述属性维度包括已等待时长、对应的用户服务等级以及资源需求量；

采用概率密度核估计法基于所述样本数据进行帕尔森窗宽参数学习，生成各状态等级对应的服务概率模型。

可选地，当前网络资源状态下服务请求任务x_i在当前服务队列中将被服务的服务概率值P(x_i|x_1:i-1,i+1:n,status)为：

其中，status为当前网络资源状态匹配的状态等级；n为所述当前服务队列中的服务请求任务的个数；k为1～n中任一个不等于i的整数；

ξ为常数，表示在网络资源状态status下，服务队列中其他n-1个服务请求任务同时出现的概率；

P(x_i,x_k|status)表示在网络资源状态status下x_i先于x_k服务的概率；

P(x_i|status)表示在网络资源状态status下，服务请求任务x_i无条件被立即服务的概率。

可选地，所述P(x_i|status)为：

a为状态等级status对应的样本数据的条数，h_t、h_s和h_q是分别以状态等级status对应的a个样本数据中已等待时长、用户服务等级、资源需求量作为训练数据集生成的最优窗宽；s.t.后为约束条件；

所述P(x_i,x_k|status)为：

其中k∈[1:i-1,i+1:n]，参数和分别为状态等级status对应的a个样本数据中已等待时长、用户服务等级、资源需求量的样本个数；h_k,t、h_k,s、h_k,q是针对服务请求任务x_k，分别以状态等级status对应的a个样本数据中已等待时长、用户服务等级、资源需求量作为训练数据集生成的最优窗宽。

本发明还提供了一种网络服务系统，包括：

数据获取模块，用于获取当前网络资源状态以及当前服务队列中各服务请求任务的服务请求属性数据；所述服务请求属性数据包括服务请求任务在当前服务队列的已等待时长、对应的用户服务等级以及资源需求量；

计算模块，用于根据所述服务请求属性数据以及预存的样本数据，分别计算在当前网络资源状态下所述各服务请求任务在当前服务队列中将被服务的服务概率值；所述样本数据包括不同网络资源状态下各服务请求任务的服务请求属性数据及服务顺序；

服务模块，用于对所述当前服务队列中各服务请求任务按照所述服务概率值从大到小进行排序，并按此顺序依次进行网络服务和资源分配。

可选地，所述计算模块包括：

查找子模块，用于根据当前网络资源状态所匹配的状态等级，查找该状态等级对应的服务概率模型；所述服务概率模型根据所述预存的样本数据预先生成；

代入子模块，用于分别将当前服务队列中各服务请求任务的所述服务请求属性数据代入所述服务概率模型，得到该服务请求任务在当前服务队列中将被服务的服务概率值。

可选地，所述的系统还包括：

预处理模块，用于根据所述样本数据的网络资源状态的分布情况划分出多个状态等级；根据所述样本数据在各属性维度的分布情况进行区间划分，并对区间内的样本数据值进行归一化处理；所述属性维度包括已等待时长、对应的用户服务等级以及资源需求量；采用概率密度核估计法基于所述样本数据进行帕尔森窗宽参数学习，生成各状态等级对应的服务概率模型。

可选地，所述P(x_i|status)和所述P(x_i,x_k|status)分别为：

本发明结合当前网络资源现状及用户已等待时间、用户服务等级、资源需求量等多维因素，通过对历史保存的大量样本数据的挖掘结果进行网络服务和资源分配。此种方法既体现服务公平性，又体现了服务请求任务对有限资源的竞争性，提高了服务效率。

本发明的优化方案通过贝叶斯推理的精确推导将服务请求任务被服务的后验概率求解问题转换为求解似然函数和先验概率两个子问题。并且经过多层推导，结合应用环境最终将问题实质简化为各个属性维度上多组条件概率的求解问题。在各个维度上进行独立的区间划分及概率估计，使服务性能不受属性维度的影响，有效避免了“维度灾难”隐患。

该优化方案中还可以采用核方法进行服务概率函数估计及窗宽参数的学习。经理论证明，在一定条件下核方法可以以任意的精度逼近随机变量真实的概率密度函数。因此，核估计法的使进一步保证了本发明中服务概率值计算的精确性，从而使得网络服务更为合理。

附图说明

图1为实施例一的网络服务方法的流程示意图；

图2为实施例一的一个例子的流程示意图。

具体实施方式

下面将结合附图及实施例对本发明的技术方案进行更详细的说明。

需要说明的是，如果不冲突，本发明实施例以及实施例中的各个特征可以相互结合，均在本发明的保护范围之内。另外，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例一、一种网络服务方法，如图1所示，包括：

S101、获取当前网络资源状态以及当前服务队列中各服务请求任务的服务请求属性数据；所述服务请求属性数据包括服务请求任务在当前服务队列的已等待时长t、对应的用户服务等级s以及资源需求量q；

本实施例将网络服务问题建模成一个服务概率预测和排序问题，计算服务请求任务的服务概率值并以此进行任务调度和网络资源的分配；本实施例利用概率的手段进行大数据挖掘，从统计的角度进行数据分析使得结果更具鲁棒性，从而可以提高资源利用率，尽可能满足用户体验和资源需求。

本实施例中，所述网络资源状态可以但不限于为带宽占用率。

本实施例的一种实施方式中，可以通过贝叶斯推理模型计算服务请求任务的服务概率值。

所述步骤S102具体可以包括：

根据当前网络资源状态所匹配的状态等级，查找该状态等级对应的服务概率模型；所述服务概率模型是根据所述预存的样本数据预先生成的；

本实施方式中，所述步骤S101前还可以包括：

根据所述样本数据在各属性维度的分布情况进行区间划分，并对区间内的样本数据值进行归一化处理以降低样本空间的稀疏度；所述属性维度包括已等待时长、对应的用户服务等级以及资源需求量；

采用概率密度核估计法基于所述样本数据进行帕尔森窗宽参数学习，生成各状态等级对应的服务概率模型供在线系统实时调用。

本实施方式通过对样本数据及其映射关系的挖掘和分析，训练出相应的服务概率模型并以此得到服务概率值。

本实施方式中，当前网络资源状态下服务请求任务x_i在当前服务队列中将被服务的所述服务概率值P(x_i|x_1:i-1,i+1:n,status)为：

其中，所述P(x_i|status)可以为：

所述P(x_i,x_k|status)可以为：

本实施方式的一种备选方案中，所述步骤S103后还可以包括：

更新所述网络资源状态并将此次服务记录写入数据库。

也就是说，新生成的服务记录将作为样本数据反馈给训练数据集进行服务概率模型的更新和完善。

所述方法还可以包括：定期或不定期的对所述训练数据集进行更新。

为了保证服务效率，还可以定期或不定期的对所述训练数据集进行离线学习和训练。这种闭环服务体系，通过对样本数据的价值利用，不断扩充样本容量提高服务精确度的同时更能实现服务概率模型的动态调控，以达到整个系统的稳态保证。

本实施例的一种实施方式中，所述方法还可以包括：当所述网络资源状态发生变化时，结束当前服务队列，重新进行步骤S101～S103。

本实施例的一个例子中，将网络服务方法建模成一个服务概率预测问题，基于贝叶斯推理结合核概率估计方法计算服务概率值，根据服务概率值从高到低依次响应多个申请节点的网络服务请求。工作流程如图2所示，其中虚线部分表示离线系统处理流程，主要负责数据集的学习和训练，包括：

(S11)首先，根据样本数据在各属性维度的分布情况进行区间划分并对区间内的样本数据的值进行归一化处理，得到训练数据集。

(S12)其次，基于概率密度核估计模型利用样本数据进行帕尔森(parzen)窗宽度的参数学习，生成相应的服务概率模型供在线系统调用。

实线部分表示在线系统工作流程，包括：

(S21)首先，控制节点从网元侧获取当前网络资源状态以及来自各个申请节点的服务请求任务的服务请求属性数据；根据所述网络资源状态匹配出对应的状态等级。

(S22)由控制节点通过贝叶斯推理计算出当前所有服务请求任务在当前服务队列中的服务概率值。在计算过程中需要根据离线系统训练好的训练数据集和状态等级对应的服务概率模型，采用帕尔森(parzen)窗口法估计服务概率值。

(S23)根据计算出的服务概率值大小，从高到低进行网络服务，并按照其带宽资源需求量进行资源分配。

(S24)网元侧更新当前网络资源状态，即网络带宽占用率，同时将此次服务记录按照固定格式写入数据库，保存为样本数据。

另外，还可以定期或不定期对所述训练数据集进行更新。

当所述状态等级发生变化时，结束当前服务队列，重新进行下一轮服务概率值计算以确定下一组服务对象。

下面对本实施例的设计原理进行具体介绍：

本实施例的所述训练数据集中每个数据点记录了各采集时刻对应的网络资源状态status、各服务请求任务的服务请求属性数据以及服务顺序。假设当前网络系统需要对n个服务请求任务进行网络服务，并且事先采集到这n个请求的服务请求属性数据。则本实施例的目标是在已知当前网络资源状态status和所有服务请求任务的服务请求属性数据x_1:n后，预测每一个服务请求任务i∈n的服务概率值，即服务请求任务x_i在当前服务队列中即将被服务的概率P(x_i|x_1:i-1,i+1:n,status)。从而当前系统将优先服务于服务概率值高的服务请求任务，根据其需求进行网络带宽分配。

考虑到贝叶斯推理作为一类用来计算隐藏变量后验概率密度分布的重要模型推理工具，本实施例根据贝叶斯公式进行精确推导可将服务请求任务被服务的后验概率求解问题转换为似然函数和先验概率两个子问题的分别求解。如式1：

(式1)

为了保障服务公平性和服务效率，本实施例中服务请求属性x_i＝(t_i,s_i,q_i)包括服务请求任务i在当前服务队列的已等待时长t_i、服务请求任务i对应的用户服务等级s_i以及服务请求任务i的资源需求量q_i。考虑到带宽资源是影响网络拥塞也是影响网络服务质量最重要因素，资源需求量将以带宽资源为指标进行衡量。其中t_i和s_i用作对服务请求任务属性的权衡，以保证服务公平性；最后一项q_i则利用服务请求任务对有限资源的竞争性进行权衡以提高服务效率。

在贝叶斯推理中，式1中分母P(x_1:i-1,i+1:n|status)称为证据因子，表示当网络资源状态为status时，服务队列中其他n-1个服务请求任务同时出现的概率。

进一步，根据贝叶斯推理法则，在P(x_1:i-1,i+1:n|status)中引入隐变量xi，则式1等价于式2：

(式2)

由此看来对当前服务队列的所有n个服务请求任务而言，通过式2的边缘积分可将分母(即所述证据因子)归一化为某一固定常数，设为ξ，用以保证各类别的后验概率总和为1，从而满足概率的归一化条件。这意味着在式2中，对当前服务队列中任意服务请求任务而言，其服务概率值的分母一致，因此在决定当前时刻即将进行的服务请求任务时不用考虑证据因子的作用。这样一来，本实施例只用针对式2中的两个分子进一步计算即可。

在贝叶斯推理在中，式2的分子包括两部分：

似然函数P(x_1:i-1,i+1:n|x_i,status)表示当网络资源状态为status并且x_i即将被服务的情况下其他n-1个服务请求任务在等待的可能性。

先验概率P(x_i|status)表示当网络资源状态为status时，不管竞争对手的服务请求属性数据如何，服务请求任务x_i都即将被服务的概率。

考虑到在本实施例设计的网络服务方法中，需要计算出当前服务队列中每一服务请求任务的服务概率值再进行比较。对任意服务请求任务x_i而言，服务概率值取决于其与其他n-1个服务请求任务的竞争，而与这n-1个服务请求任务彼此之间的竞争无关。因此，本实施例做出如下假设：

假设1：假设当前服务队列中所有服务请求任务之间是彼此独立的。

假设2：假设当前服务队列中存在x_i、x_a、x_b、x_c等多个服务请求任务时，x_i的服务概率与x_a、x_b、x_c等其他所有服务请求属性数据独立相关，而不受x_a、x_b、x_c服务请求属性数据的联合影响。

基于上述假设，结合条件概率定义，对式2进一步推导如下：

(式3)

其中P(x_i,x_k|status)表示当网络资源状态为status的情况下x_i先于x_k服务的概率，k为1～n中任一个不等于i的整数。这样一来，通过贝叶斯推理将本实施例解决的实质问题由后验概率预测问题(式1)转换为P(x_i,x_k|status)和P(x_i|status)(式3)两个条件概率求解的子问题。

接下来本实施例通过对样本数据进行训练学习求解出上述两个条件概率密度模型。由于对所观察到的样本的概率密度函数的具体形式一无所知，不能够借助于全参数估计方法来得到样本的概率密度函数。在此本实施例使用无参估计法对所观察样本的概率密度函数进行估计。最经典的无参估计法就是帕尔森窗口法，简称核方法。根据本实施例设计的网络服务方法，基于核方法的概率密度估计主要包括三步：其中前两步采用离线完成，包括对训练数据集中的样本数据的预处理及宽窗参数的学习；第三步是利用训练好的服务概率模型通过差值法估算出服务概率值。

(一)数据预处理

对上述两个条件概率进行估计求解时，首先应对训练数据集进行数据预处理。在本实施例中初始的训练数据集包括原始采集的M个样本数据，其来源可以是人工标注的方法也可以是基于某类规则设置产生的真实数据。每个样本数据记录了各个采集时刻对应的网络资源状态和服务队列中各服务请求任务的服务请求属性数据以及服务顺序。其表示如下：

表一、训练数据集中的样本数据

以第一条样本数据为例，某时刻对应的网络资源状态为status₁，服务队列共有v个服务请求任务，x₁₁到x_1v表示按照服务请求属性数据决定的理想状态下的服务顺序，该服务队列下服务请求任务g的服务请求属性数据由向量x_1g＝(t_1g,,s_1g,q_1g)表示。

根据样本数据的特性可知，该训练数据集包含了本实施例所需的两类数据和两类映射。一类数据是网络资源状态，另一类数据是服务请求任务的服务请求属性数据。一类映射是某一网络资源状态下即将服务的服务请求任务的类型，另一类映射是某一网络资源状态下服务请求任务的服务顺序。而本实施例的训练目的正是利用这些已知数据和已知映射关系找出其隐藏规律，通过贝叶斯推理决定任意网络资源状态下的服务顺序，以此进行网络服务。

接下来进一步基于训练数据集中上述两类数据进行样本空间的划分。首先是对网络资源状态的空间划分。考虑到带宽资源是影响网络拥塞也是影响网络服务质量最重要因素，本实施例根据网络带宽占用率从低到高将网络资源状态划分为status¹:status^ψ共ψ个状态等级。第一级status¹表示当前带宽资源十分富裕，随着级别的增加网络中带宽资源越发紧缺。具体划分时的步进(即各状态等级的间隔)可由网络资源状态status的分布情况决定，在此本实施例将采用最普遍的均匀区间划分法，即由样本中带宽占用率最小值到最大值均匀划分为ψ个区间，每个区间对应一个状态等级。

其次是对服务请求属性数据的空间划分。已知在本实施例中任意一个服务请求任务x_i＝(t_i,s_i,q_i)是一个三维向量，因此基于服务请求属性数据的空间划分方式可以采取以下两种中的任一种：

方式1：直接在t，s，q三个维度上分别以步进λ_t、λ_s和λ_q对三维空间进行座标划分，使得样本点全部分布到对应的子空间上，其中步进λ_t、λ_s和λ_q的取值大小由样本数据集的总体分布决定。但是此方法的前提是在样本数据容量M足够多且分布均匀的情况下，才能保证每个子空间上均对应了足够多的数据点。这样可能存在“维度灾难”隐患，随着属性维度的增加，属性空间的稀疏性呈指数级增长。

方式2：考虑到服务请求x_i＝(t_i,s_i,q_i)中三个属性数据t_i,s_i,q_i分别代表已等待时长、用户服务等级和服务资源需求量，均为已经发生或者客观存在的属性，三者独立存在。因此，本实施例做出如下假设：

假设3：任意服务请求向量X在t，s，q三个维度上是独立不相关的。

基于上述假设，针对本实施例求解的P(x_i|status)和P(x_k,x_i|status)两个条件概率密度做进一步推导，见式4和式5：

P(x_i|status)＝P((t_i,s_i,q_i)|status)

(式4)

＝P(t_i|status)·P(s_i|status)·P(q_i|status)

P(x_i,x_k|status)＝P((t_i,s_i,q_i),(t_k,s_k,q_k)|status)

(式5)

＝P(t_i,t_k|status)·P(s_i,s_k|status)·P(q_i,q_k|status)

在式4中，将status下服务请求任务x_i无条件被立即服务的概率问题等价于各属性维度上x_i无条件被优先服务的概率。以P(t_i|status)为例，表示在网络资源状态为status时，无论其他服务请求任务的已等待时长如何，已等待时长为t_i的服务请求任务即刻被服务的概率。

在式5中，将status下服务请求任务x_i先于x_k服务的概率问题等价于各属性维度上x_i先于x_k服务的条件概率。以P(t_i,t_k|status)为例，表示在网络资源状态为status时，已等待时长为t_i的服务请求任务比已等待时长为t_k的服务请求任务先被服务的概率。

基于上述推理可以将三维空间的求解问题降维到一维空间下。进一步为了降低数据集的稀疏性，分别在t，s，q三个维度上以步进λ_t、λ_s和λ_q进行区间划分，任意样本点x_i＝(t_i,s_i,q_i)按其服务请求属性分别对应于三个坐标轴t，s，q上的各个区间。其中s_i代表用户服务等级，根据通信领域SLA等级划分原则决定步进λ_s即可。λ_t和λ_q的取值越小精确度越高，但是计算压力越大，因此建议由样本数据集的总体分布情况决定，甚至可以采用非等长方式划分区间。其前提是保证每个划分区间包括足够多的数据点，从而使得同一区间内的样本特性无实质性差异，均采用该区间内的样本均值代表。如此一来，将t和q维度下的所有样本点归一化为有限个数据点t＝(t₁,t₂,...)和q＝(q₁,q₂,...)。

与方式1相比，方式2由于把一个服务请求任务的服务请求属性数据按属性拆分成了三个数据，此方法不受服务请求属性数据的维度限制，对样本数据容量的要求较低。基于此考虑，在以下的内容中将采用方式2进行服务请求属性数据的区间划分，并对采集到的原始的样本数据按其所属区间进行归一化处理。预处理后的数据将基于状态等级进行分类存储，表示形式如下：

表二、预处理后的数据

(二)参数学习

在数学上，连续型随机变量的概率密度函数描述的是这个随机变量输出值在某个确定的取值点附近的可能性的函数。本实施例使用无参数估计方法来对所观察样本的密度函数进行估计。最经典的无参数估计方法就是帕尔森窗口法，简称核方法。其基本思想是用某种核函数表示某一样本对估计密度函数的贡献，所有样本所作贡献的线性组合视作对某点概率密度的估计。核方法给出了概率密度函数估计的一种经典的框架，Parzen给出了核方法收敛的严格理论证明，只要核函数的选取得当、窗口宽度的确定合理，核方法可以以任意的精度逼近随机变量真实的概率密度函数。

在无参数估计中，给定随机变量Z的个观察值在未知概率密度函数的具体形式的前提下，核方法采用下面的估计表达式作为随机变量Z的概率密度函数：

(式6)

其中K(z)被称为窗口函数亦或核函数，h为窗口宽度，为样本容量。核函数的选取与窗口宽度的确定决定着最终估计效果的好坏程度。

在对随机变量的未知概率密度函数进行估计时，核函数的选取有多种，但是选取的核函数必须需要满足下面三条性质：

非负性：K(z)≥0,z∈R；R为实数集；

对称性：K(z)＝K(-z),z∈R；

归一性：K(z)在区间[-∞,+∞]上的积分为1，即

常用的核函数包括均匀核、三角核、二次核、高斯核、余弦核等。在此过程中本实施例使用的核函数为高斯核函数：

(式7)

通常选择什么核函数不是密度估计中最关键的因素，因为选用任何核函数都能保证密度估计具有稳定相合性。当选定了具体的核函数后，选取不同的窗口宽度h将对最终估计的光滑程度产生较大的影响。由于概率密度是连续的，理论上选择最优窗宽是从估计密度与真实密度之间的误差开始的，因而本实施例在均方积分误差MISE(mean integralsquare error)意义下通过递归求解最优窗宽。均方积分误差是关于窗口宽度h的函数，被用来衡量估计所得的概率密度函数与真实的概率密度函数f(z)之间的差异，表达式为：

(式8)

由表达式可知，最优窗口宽度h_opt应当能够使表达式MISE(h)的值达到最小。本实施例采用对MISE(h)迭代求导的方式求取最优窗宽h_opt，求解步骤如下：

S31、根据经验设置初始窗宽值h＝h₀，假设有a个样本数据，根据式6得到总体的一个密度核估计：

(式9)

S32、将密度核估计式9中的作为总体的真实密度，即f(z)在(-∞,+∞)上有界且处处连续。根据式8得到此轮迭代的最优窗宽h₁：

(式10)

在式10中为使MISE(h₁)达到最小值应令其一阶导数为0，返回h₁。

S33、将h＝h₁代入步骤S31，得到总体的另一个密度核估计，从而求得下一轮迭代输出的最优窗宽h₂。以此类推，通过多次迭代计算，当前后两轮迭代窗宽误差不超过0.01％时，认为核估计窗口参数h收敛于一个稳定值，将最后一轮计算出的窗宽作为该样本下的最优窗宽h_opt。

综合以上分析，假设训练数据集中总共记录了a条status^δ状态下的样本数据。进行式4中f(t|status^δ)、f(s|status^δ)、f(q|status^δ)三条服务概率模型中的窗宽参数学习时，先提取出状态等级为status^δ时的a个样本数据中已等待时长、用户服务等级、资源需求量作为训练数据集接下来采用上述递归算法，基于高斯核函数进行窗宽参数学习，生成对应的最优窗宽和

针对式5中f(t,t_l|status^δ)、f(s,s_l|status^δ)和f(q,q_l|status^δ)三条服务概率模型的窗宽参数学习，以f(t,t_l|status^δ)为例，首先查找出状态等级为status^δ时在已等待时长为t_l的服务请求任务前优先服务的服务请求任务；然后提取出该服务请求任务的服务请求属性中已等待时长作为训练数据集其中参数c为训练数据集长度(即样本个数)，不同的t_l对应不同的训练数据集长度；接下来采用上述递归算法，基于高斯核函数进行窗宽参数学习，生成对应的最优窗宽

与此同时，在进行离线参数学习时需要根据样本空间划分方式遍历status、t、s、q各个维度。假设整个训练数据集在status维度上被划分为status¹:status^ψ共ψ个状态等级，在t维度上被归一化为α个数据点t＝(t₁,t₂,...,t_α)，在s维度上被划分为β个等级s＝(s₁,s₂,...,s_β)，在q维度上被归一化为γ个数据点q＝(q₁,q₂,...,q_γ)。

针对式4需要依次求解出网络资源状态status^δ＝status¹:status^ψ时对应的窗宽，共计3ψ个解，对应3ψ个服务概率模型。

针对式5需要依次求解出系统资源状态status^δ＝status¹:status^ψ时，t_l＝(t₁,t₂,...,t_α)对应的窗宽s_l＝(s₁,s₂,...,s_β)对应的窗宽以及q_l＝(q₁,q₂,...,q_γ)对应的窗宽共计ψ(α+β+γ)个解，对应ψ(α+β+γ)个服务概率模型。

最终离线系统通过对样本数据的训练和学习最终生成并存储ψ(α+β+γ+3)个服务概率模型供在线系统实时调用。

(三)概率估计

在线系统进行网络服务时，首先根据系统当前带宽占用率等网络资源状态匹配出对应的状态等级，抽取出该状态等级在训练数据集中对应的样本数据和服务概率模型。然后根据当前服务队列中所有排队的服务请求任务的服务请求属性数据对式4和式5中的服务概率值进行求解。最后结合式3对当前服务队列中所有服务请求任务的服务概率值进行排序并以此顺序依次对各服务请求任务进行网络服务和资源分配。

假设当前系统中有n个服务请求任务在等待网络服务，现有网络资源状态所匹配的状态等级为status^δ，status^δ状态对应了a条样本数据，α+β+γ+3个服务概率模型。以服务请求任务x_i＝(t_i,s_i,q_i)为例，首先根据式4、6、7，结合相应的服务概率模型，服务请求任务x_i在状态等级为status^δ时被无条件优先服务概率P(x_i|status^δ)表示为：

(式11)

同理，根据式5、6、7，结合相应的服务概率模型，在status^δ状态下服务请求任务x_i先于服务请求任务x_k＝(t_k,s_k,q_k)服务的概率P(x_i,x_k|status)表示为式12。其中k∈[1:i-1,i+1:n]，参数和分别为训练数据集t,t_k|status^δ、s,s_k|status^δ和q,q_k|status^δ的长度。

(式12)

接下来将P(x_i|status^δ)和n-1个P(x_i,x_k|status)条件概率值代入式3，则status^δ状态下服务请求任务x_i在当前服务队列中的服务概率值P(x_i|x_1:i-1,i+1:n,status^δ)表示为：

(式13)

实施例二、一种网络服务系统，包括：

本实施例的一种实施方式中，所述计算模块包括：

本实施方式中，所述的系统还可以包括：

在其它实施方式中，也可以采用其它方式计算服务概率值。

本实施例的一种实施方式中，当前网络资源状态下服务请求任务x_i在当前服务队列中将被服务的服务概率值P(x_i|x_1:i-1,i+1:n,status)为：

本实施方式中，所述P(x_i|status)可以为：

所述P(x_i,x_k|status)可以为：

本实施方式是利用了贝叶斯推理进行了计算式的推导，在其它实施方式中，也可以采用其它方式计算服务概率值。

本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。

当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明的权利要求的保护范围。

Claims

1.一种网络服务方法，包括：

S103、对所述当前服务队列中各服务请求任务按照所述服务概率值从大到小进行排序，并按此顺序依次进行网络服务和资源分配；

所述步骤S102包括：

2.如权利要求1所述的方法，其特征在于，所述步骤S101前还包括：

3.如权利要求1所述的方法，其特征在于，当前网络资源状态下服务请求任务x_i在当前服务队列中将被服务的服务概率值P(x_i|x_1:i-1,i+1:n,status)为：

<mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>|</mo> <msub> <mi>x</mi> <mrow> <mn>1</mn> <mo>:</mo> <mi>i</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>:</mo> <mi>n</mi> </mrow> </msub> <mo>,</mo> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>t</mi> <mi>u</mi> <mi>s</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mi>&xi;</mi> </mfrac> <mo>&CenterDot;</mo> <munderover> <munder> <mo>&Pi;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> </munder> <mrow> <mi>k</mi> <mo>&NotEqual;</mo> <mi>i</mi> </mrow> <mi>n</mi> </munderover> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mi>k</mi> </msub> <mo>|</mo> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>t</mi> <mi>u</mi> <mi>s</mi> <mo>)</mo> </mrow> <mo>&CenterDot;</mo> <mi>P</mi> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>|</mo> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>t</mi> <mi>u</mi> <mi>s</mi> <mo>)</mo> </mrow> <mrow> <mn>2</mn> <mo>-</mo> <mi>n</mi> </mrow> </msup> <mo>;</mo> </mrow>

4.如权利要求3所述的方法，其特征在于，所述P(x_i|status)为：

<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>|</mo> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>t</mi> <mi>u</mi> <mi>s</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>|</mo> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>t</mi> <mi>u</mi> <mi>s</mi> <mo>)</mo> </mrow> <mo>&CenterDot;</mo> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>i</mi> </msub> <mo>|</mo> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>t</mi> <mi>u</mi> <mi>s</mi> <mo>)</mo> </mrow> <mo>&CenterDot;</mo> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>q</mi> <mi>i</mi> </msub> <mo>|</mo> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>t</mi> <mi>u</mi> <mi>s</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mtable> <mtr> <mtd> <mrow> <mi>s</mi> <mo>.</mo> <mi>t</mi> <mo>.</mo> </mrow> </mtd> <mtd> <mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>|</mo> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>t</mi> <mi>u</mi> <mi>s</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>f</mi> <msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>|</mo> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>t</mi> <mi>u</mi> <mi>s</mi> <mo>)</mo> </mrow> <mrow> <mi>t</mi> <mo>=</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msub> <mi>ah</mi> <mi>t</mi> </msub> </mrow> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>a</mi> </munderover> <mi>K</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>t</mi> <mi>j</mi> </msub> </mrow> <msub> <mi>h</mi> <mi>t</mi> </msub> </mfrac> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>s</mi> <mo>.</mo> <mi>t</mi> <mo>.</mo> </mrow> </mtd> <mtd> <mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>i</mi> </msub> <mo>|</mo> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>t</mi> <mi>u</mi> <mi>s</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>f</mi> <msub> <mrow> <mo>(</mo> <mi>s</mi> <mo>|</mo> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>t</mi> <mi>u</mi> <mi>s</mi> <mo>)</mo> </mrow> <mrow> <mi>s</mi> <mo>=</mo> <msub> <mi>s</mi> <mi>i</mi> </msub> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msub> <mi>ah</mi> <mi>s</mi> </msub> </mrow> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>a</mi> </munderover> <mi>K</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>s</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>s</mi> <mi>j</mi> </msub> </mrow> <msub> <mi>h</mi> <mi>s</mi> </msub> </mfrac> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>s</mi> <mo>.</mo> <mi>t</mi> <mo>.</mo> </mrow> </mtd> <mtd> <mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>q</mi> <mi>i</mi> </msub> <mo>|</mo> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>t</mi> <mi>u</mi> <mi>s</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>f</mi> <msub> <mrow> <mo>(</mo> <mi>q</mi> <mo>|</mo> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>t</mi> <mi>u</mi> <mi>s</mi> <mo>)</mo> </mrow> <mrow> <mi>q</mi> <mo>=</mo> <msub> <mi>q</mi> <mi>i</mi> </msub> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msub> <mi>ah</mi> <mi>q</mi> </msub> </mrow> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>a</mi> </munderover> <mi>K</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>q</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>q</mi> <mi>j</mi> </msub> </mrow> <msub> <mi>h</mi> <mi>q</mi> </msub> </mfrac> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>s</mi> <mo>.</mo> <mi>t</mi> <mo>.</mo> </mrow> </mtd> <mtd> <mrow> <mi>K</mi> <mrow> <mo>(</mo> <mi>z</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <msqrt> <mrow> <mn>2</mn> <mi>&pi;</mi> </mrow> </msqrt> </mfrac> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mfrac> <msup> <mi>z</mi> <mn>2</mn> </msup> <mn>2</mn> </mfrac> </mrow> </msup> <mo>,</mo> <mi>z</mi> <mo>&Element;</mo> <mi>R</mi> </mrow> </mtd> </mtr> </mtable> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>

所述P(x_i,x_k|status)为：

<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mi>k</mi> </msub> <mo>|</mo> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>t</mi> <mi>u</mi> <mi>s</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>t</mi> <mi>k</mi> </msub> <mo>|</mo> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>t</mi> <mi>u</mi> <mi>s</mi> <mo>)</mo> </mrow> <mo>&CenterDot;</mo> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>s</mi> <mi>k</mi> </msub> <mo>|</mo> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>t</mi> <mi>u</mi> <mi>s</mi> <mo>)</mo> </mrow> <mo>&CenterDot;</mo> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>q</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>q</mi> <mi>k</mi> </msub> <mo>|</mo> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>t</mi> <mi>u</mi> <mi>s</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mtable> <mtr> <mtd> <mrow> <mi>s</mi> <mo>.</mo> <mi>t</mi> <mo>.</mo> </mrow> </mtd> <mtd> <mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>t</mi> <mi>k</mi> </msub> <mo>|</mo> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>t</mi> <mi>u</mi> <mi>s</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>f</mi> <msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>,</mo> <msub> <mi>t</mi> <mi>k</mi> </msub> <mo>|</mo> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>t</mi> <mi>u</mi> <mi>s</mi> <mo>)</mo> </mrow> <mrow> <mi>t</mi> <mo>=</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msub> <mi>L</mi> <msub> <mi>t</mi> <mi>k</mi> </msub> </msub> <msub> <mi>h</mi> <mi>t</mi> </msub> </mrow> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>L</mi> <msub> <mi>t</mi> <mi>k</mi> </msub> </msub> </munderover> <mi>K</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>t</mi> <mi>j</mi> </msub> </mrow> <msub> <mi>h</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> </mfrac> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>s</mi> <mo>.</mo> <mi>t</mi> <mo>.</mo> </mrow> </mtd> <mtd> <mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>s</mi> <mi>k</mi> </msub> <mo>|</mo> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>t</mi> <mi>u</mi> <mi>s</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>f</mi> <msub> <mrow> <mo>(</mo> <mi>s</mi> <mo>,</mo> <msub> <mi>s</mi> <mi>k</mi> </msub> <mo>|</mo> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>t</mi> <mi>u</mi> <mi>s</mi> <mo>)</mo> </mrow> <mrow> <mi>s</mi> <mo>=</mo> <msub> <mi>s</mi> <mi>i</mi> </msub> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msub> <mi>L</mi> <msub> <mi>s</mi> <mi>k</mi> </msub> </msub> <msub> <mi>h</mi> <mi>t</mi> </msub> </mrow> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>L</mi> <msub> <mi>s</mi> <mi>k</mi> </msub> </msub> </munderover> <mi>K</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>s</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>s</mi> <mi>j</mi> </msub> </mrow> <msub> <mi>h</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>s</mi> </mrow> </msub> </mfrac> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>s</mi> <mo>.</mo> <mi>t</mi> <mo>.</mo> </mrow> </mtd> <mtd> <mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>q</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>q</mi> <mi>k</mi> </msub> <mo>|</mo> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>t</mi> <mi>u</mi> <mi>s</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>f</mi> <msub> <mrow> <mo>(</mo> <mi>q</mi> <mo>,</mo> <msub> <mi>q</mi> <mi>k</mi> </msub> <mo>|</mo> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>t</mi> <mi>u</mi> <mi>s</mi> <mo>)</mo> </mrow> <mrow> <mi>q</mi> <mo>=</mo> <msub> <mi>q</mi> <mi>i</mi> </msub> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msub> <mi>L</mi> <msub> <mi>q</mi> <mi>k</mi> </msub> </msub> <msub> <mi>h</mi> <mi>t</mi> </msub> </mrow> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>L</mi> <msub> <mi>q</mi> <mi>k</mi> </msub> </msub> </munderover> <mi>K</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>q</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>q</mi> <mi>j</mi> </msub> </mrow> <msub> <mi>h</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>q</mi> </mrow> </msub> </mfrac> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>s</mi> <mo>.</mo> <mi>t</mi> <mo>.</mo> </mrow> </mtd> <mtd> <mrow> <mi>K</mi> <mrow> <mo>(</mo> <mi>z</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <msqrt> <mrow> <mn>2</mn> <mi>&pi;</mi> </mrow> </msqrt> </mfrac> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mfrac> <msup> <mi>z</mi> <mn>2</mn> </msup> <mn>2</mn> </mfrac> </mrow> </msup> <mo>,</mo> <mi>z</mi> <mo>&Element;</mo> <mi>R</mi> </mrow> </mtd> </mtr> </mtable> </mtd> </mtr> </mtable> </mfenced>

5.一种网络服务系统，其特征在于，包括：

服务模块，用于对所述当前服务队列中各服务请求任务按照所述服务概率值从大到小进行排序，并按此顺序依次进行网络服务和资源分配；

所述计算模块包括：

6.如权利要求5所述的系统，其特征在于，还包括：

7.如权利要求5所述的系统，其特征在于，当前网络资源状态下服务请求任务x_i在当前服务队列中将被服务的服务概率值P(x_i|x_1:i-1,i+1:n,status)为：

8.如权利要求7所述的系统，其特征在于，所述P(x_i|status)和所述P(x_i,x_k|status)分别为：