CN104601385A - 基于地理位置的WebService服务质量预测方法 - Google Patents

Abstract

本发明涉及一种Web服务质量预测方法，公开了一种基于地理位置的WebService服务质量预测方法，通过生成一个基于用户地理位置信息的邻居选择器，寻找在地理上最接近目标用户的K个邻居用户，通过计算邻居用户的权重，建立基于地理位置的服务质量预测模型，采用梯度下降法求导服务质量预测模型的目标函数，得到最终的待预测值。本发明的优点在于，通过寻找与目标用户相邻的邻居用户，利用邻居用户与目标用户之间存在相似性，对目标用户的Web服务质量进行预测，不仅预测准确率高，同时也解决了服务质量预测的冷启动的问题，具有较好的应用价值。

Description

基于地理位置的WebService服务质量预测方法

技术领域

本发明涉及Web服务质量预测领域，特别涉及一种基于地理位置的Web Service服务质量预测方法。 

背景技术

Web Service是一类在网络上用以实现资源的互操作性与可访问性的应用，且这类应用是自我描述的、可编程的。Web Service一般使用标准的已定义完善的语言实现，并通过规范的协议发布。基于SOA的架构，Web Service已成为实现企业内与企业间信息系统的重要手段。同时，由于Web Service技术广泛应用在云计算中，特别是SaaS平台上，所以Web Service的数量在迅猛增长。 

服务质量是Web Service非功能性指标的统称，包括服务价格、响应时间、吞吐量等。服务质量是Web Service除功能性外，在服务选择、服务发现、服务推荐等方面重要的衡量标准，特别是候选的服务集中各服务的功能相似的情况下。但是大部分情况下，用户只能获取仅少一部分的QoS值，原因如下：1）因为Web Service的数量非常多，全部调用是不现实的；2）很多Web Service的服务质量会随着物理资源的变化而变动。在实际的服务调用过程中，这些缺失值必须被预测出来作为服务选择与推荐的依据。 

现有技术中存在多种解决推荐系统中预测值缺失的方法，但是上述方法的核心仍然集中于通过调取、分析目标用户的信息，以得到对该目标用户的QoS预测值。上述方法存在以下几个方面的问题，首先，难以解决“冷启动”的问题，当一个目标服务从未被任何用户调用过，或者一个目标用户从未调用任何服务时，无法由该目标用户的信息得到QoS预测值；其次，由于对目标用户的信息分析涉及目标用户对信息的选择与取舍，更多地是反映目标用户自身的主观喜好等因素，而基于Web的服务质量则更多地与目标用户的网络环境和运行环境有较大关联；最后，数据的稀疏性也是服务质量预测要面临的另一个重要的问题，极高的数据稀疏性意味着在用户-服务调用矩阵里绝大多数项都是空值，极大地干扰了预测值的准确性。 

针对上述在现有技术中所存在的问题，有必要开发一种具有更高准确性，可以更好地反映目标用户的实际网络服务质量的预测方法。 

发明内容

本发明针对现有技术中，无法很好地对目标用户的网络服务质量进行预测的缺点，提供了一种全新的基于地理位置的Web Service服务质量预测方法。 

为实现上述目的，本发明可采取下述技术方案： 

基于地理位置的Web Service服务质量预测方法，包括以下具体步骤：

1）根据用户的地理位置坐标，计算多个用户l与目标用户a之间的空间距离 作为用户间距离；

2）根据步骤1）得到的用户间距离，在多个用户l中选择与目标用户a距离最近的K个用户作为最相似的邻居l；

3）分别计算每一位最相似的邻居l与目标用户a之间的相似度；根据相似度分别计算每一位最相似的邻居l的权重，其中，g表示最相似的邻居的个数；

4）建立基础的矩阵分解模型，该矩阵分解模型的目标函数，其中，为之间的调节因子，代表用户隐因子矩阵，代表服务隐因子矩阵，为指示函数，表示用户i调用过服务j，表示用户i与服务j之间未发生过调用行为，表示用户i与服务j之间的网络服务质量QoS，，、分别表示弗洛贝尼乌斯范数；

5）应用梯度下降法对步骤4）所得矩阵分解模型进行求解，并得到最终的与，所使用的梯度下降迭代公式为，其中，代表梯度下降过程中的学习率；

6）对目标用户a对服务j的调用过程的服务质量进行预测，得到预测值。

作为优选，步骤4）还包括以下步骤： 

4.1）将用户-服务调用矩阵Q分解为两个低维矩阵，即；

4.2）计算用户i调用服务j所对应的服务质量的预测值；

4.3）定义损失函数为；

4.4）定义用户i调用服务j得到的服务质量预测值为；

4.5）结合步骤4.3）以及步骤4.4）得到上述步骤4）的矩阵分解模型的目标函数。

作为优选，步骤5）还包括以下具体步骤：将步骤4）所得到的矩阵分解模型的目标函数求以及的偏导数得到：， 

，其中，表示所有以用户i作为邻居用户的用户。

本发明由于采用了以上技术方案，具有显著的技术效果： 

本发明通过选择与目标用户相邻的多个邻居用户，通过对邻居用户的网络服务质量进行预测，得到了针对目标用户的预测值。该方法较好地反映了目标用户的网络服务质量，且排除了目标用户自身的主观臆断性对网络服务质量的影响，令得到的预测值更为客观，更接近目标用户的网络环境本身。其次，解决了服务调用的“冷启动”问题，对于一个从未调用任何服务的目标用户，或者在目标用户自身多项数据信息缺失的情况下，仍然能够进行较为准确的预测。此外，本发明具有线性时间复杂度，相对现有预测方法，更为适用于大数据的情形。

附图说明

图1为本发明的流程示意图。 

图2为邻居选择器以及权重计算器的流程示意图。 

图3为获得目标函数的流程示意图。 

图4为模型求解的流程示意图。 

具体实施方式

下面结合实施例对本发明作进一步的详细描述。 

实施例1 

基于地理位置的Web Service服务质量预测方法，如图1所示，包括以下具体步骤：

邻居选择器的建立，如图2所示： 

1）根据用户的地理位置坐标，计算多个用户l与目标用户a之间的空间距离作为用户间距离；将计算得到的空间距离由小到大进行排序。

2）根据步骤1）得到的用户间距离，在多个用户l中选择与目标用户a距离最近的K个用户作为最相似的邻居l。 

权重计算器的建立： 

3）选择合适的相似度计算函数，该相似度计算函数需要满足以下条件：当等于0时，目标用户a与邻居用户l的空间位置相互重叠，即两者位于同一地点；当等于1，则目标用户a与邻居用户l的IT技术设施完全相同；当趋向于∞时，目标用户a与邻居用户l空间上相距非常远，虽然不能确定两位用户的IT基础设施是否相同，但可以认为两位用户之间不再有相似性关系，即等于0。分别计算每一位最相似的邻居l与目标用户a之间的相似度；根据相似度分别计算每一位最相似的邻居l的权重，其中，g表示最相似的邻居的个数，l=1,2,…,K，表示最相似的邻居的顺序编号；

模型建立步骤，如图3所示：

4）建立基础的矩阵分解模型，该矩阵分解模型的目标函数，其中，为之间的调节因子，代表用户隐因子矩阵，，代表服务隐因子矩阵，为指示函数，表示用户i调用过服务j，表示用户i与服务j之间未发生过调用行为。                                                  、   为极小的正常数，可选值为0.001。   、   分别表示弗洛贝尼乌斯范数。其中，上述目标函数由以下的步骤得到：

4.1）将用户-服务调用矩阵Q分解为两个低维矩阵，即用户特征矩阵U与服务特征矩阵S之积，即；其中，矩阵Q的行代表用户i，矩阵Q的列代表Web Service，即服务j，矩阵Q中的每一项   代表第   行的用户调用第   列的Web Service后产生的服务质量QoS，表示用户特征矩阵U的第i行，即用户i，表示服务特征矩阵S的第j列，即服务j。

4.2）计算用户i调用服务j所对应的服务质量的预测值； 

4.3）定义损失函数为，即得到基本的目标函数； 

4.4）定义用户i调用服务j得到的服务质量预测值为；

4.5）结合步骤4.3）以及步骤4.4）得到上述步骤4）的矩阵分解模型的目标函数，其中，基本的目标函数中尚需要加入正则化项，并将待预测值拆分为两部分，由目标用户a自己的特征向量学习得到，另一部分则由目标用户a的邻居用户的特征向量学习得到，由此可知，步骤4.4）中的服务质量预测值不仅包括了基于目标用户a自身的特征向量学习得到的服务质量预测值，还包括了基于目标用户a的邻居用户的特征向量学习得到的服务质量预测值，通过调整的取值，可以调整基于目标用户a自身的特征向量学习得到的服务质量预测值与基于目标用户a的邻居用户的特征向量学习得到的服务质量预测值两者在总的服务质量预测值的比例权重，解决了服务调用的“冷启动”问题，但目标用户a缺乏自身的特征向量时也可以得到该目标用户a的服务质量预测值。

模型求解器的建立： 

5）应用梯度下降法对步骤4）所得矩阵分解模型进行求解，具体而言，将步骤4）所得到的矩阵分解模型的目标函数求以及的偏导数得到：，

，其中，表示所有以用户i作为邻居用户的用户。选择确定梯度下降法的迭代次数和迭代步长，其中迭代次数和迭代步长可以任意指定。得到最终的与，所使用的梯度下降迭代公式为，其中，代表梯度下降过程中的学习率，该值为预定值，可以为任意值，在开始预测之前指定；通过多次应用上述梯度下降迭代公式进行迭代，最终得到用户与服务特征矩阵。

6）对目标用户a对服务j的调用过程的服务质量进行预测，得到预测值。 

总之，以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所作的均等变化与修饰，皆应属本发明专利的涵盖范围。 

Claims (3)

1.一种基于地理位置的Web Service服务质量预测方法，其特征在于，包括以下具体步骤：

1）根据用户的地理位置坐标，计算多个用户l与目标用户a之间的空间距离                                                作为用户间距离；

2）根据步骤1）得到的用户间距离，在多个用户l中选择与目标用户a距离最近的K个用户作为最相似的邻居l；

3）分别计算每一位最相似的邻居l与目标用户a之间的相似度；根据相似度分别计算每一位最相似的邻居l的权重，其中，g表示最相似的邻居的个数；

4）建立基础的矩阵分解模型，该矩阵分解模型的目标函数，其中，为之间的调节因子，代表用户隐因子矩阵，代表服务隐因子矩阵，为指示函数，表示用户i调用过服务j，表示用户i与服务j之间未发生过调用行为，表示用户i与服务j之间的网络服务质量QoS，，、分别表示弗洛贝尼乌斯范数；

5）应用梯度下降法对步骤4）所得矩阵分解模型进行求解，并得到最终的与，所使用的梯度下降迭代公式为，其中，代表梯度下降过程中的学习率；

6）对目标用户a对服务j的调用过程的服务质量进行预测，得到预测值。

2.根据权利要求1所述的基于地理位置的Web Service服务质量预测方法，其特征在于，步骤4）还包括以下步骤：

4.1）将用户-服务调用矩阵Q分解为两个低维矩阵，即；

4.2）计算用户i调用服务j所对应的服务质量的预测值；

4.3）定义损失函数为；

4.4）定义用户i调用服务j得到的服务质量预测值为；

4.5）结合步骤4.3）以及步骤4.4）得到上述步骤4）的矩阵分解模型的目标函数。

3.根据权利要求1所述的基于地理位置的Web Service服务质量预测方法，其特征在于，步骤5）还包括以下具体步骤：将步骤4）所得到的矩阵分解模型的目标函数求以及的偏导数得到：，

，其中，表示所有以用户i作为邻居用户的用户。