CN105007176B - 一种基于分层贝叶斯网络模型的云服务QoS预测方法 - Google Patents
一种基于分层贝叶斯网络模型的云服务QoS预测方法 Download PDFInfo
- Publication number
- CN105007176B CN105007176B CN201510303657.XA CN201510303657A CN105007176B CN 105007176 B CN105007176 B CN 105007176B CN 201510303657 A CN201510303657 A CN 201510303657A CN 105007176 B CN105007176 B CN 105007176B
- Authority
- CN
- China
- Prior art keywords
- bayesian network
- data
- layer
- cloud service
- node
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/50—Testing arrangements
- H04L43/55—Testing of service level quality, e.g. simulating service usage
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/104—Peer-to-peer [P2P] networks
- H04L67/1044—Group management mechanisms
- H04L67/1053—Group management mechanisms with pre-configuration of logical or physical connections with a determined number of other peers
- H04L67/1057—Group management mechanisms with pre-configuration of logical or physical connections with a determined number of other peers involving pre-assessment of levels of reputation of peers
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种从云计算三层服务方面结合分层贝叶斯网络模型的云服务QoS预测方法。通过构建虚拟节点,将底层贝叶斯网络的推理结果作为不确定证据,输入到对应的上层网络节点中,以代替该底层贝叶斯网络。云计算系统首先通过数据收集器收集基础设施层、平台层上的数据,然后分别对数据进行预测,预测的结果为底层贝叶斯网络的推理结果,其作为不确定证据,输入作为应用层的先验概率,接着将基础设施层和平台层收集的数据导入应用层的数据中心,结合应用层收集器收集的数据一起对云服务QoS进行预测,最后将获得的云服务QoS的预测结果和直接获取到的云服务QoS结果作比较。
Description
技术领域
本发明涉及一种云服务QoS预测方法,尤其涉及一种基于分层贝叶斯网络模型的云服务QoS预测方法,属于信息技术领域。
背景技术
云计算(cloud computing)是基于互联网的相关服务的增加、使用和交付模式,通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源。云计算已经逐渐成为多个领域包括效用计算、分布式计算、网格计算、Web服务以及面向服务体系结构SOA的自然演变和集成,它使得用户可以通过网络在任何时间与地点获取计算服务能力。云计算是一种按使用量付费的模式,这种模式提供可用的、便捷的、按需的网络访问,进入可配置的计算资源共享池(资源包括网络,服务器,存储,应用软件,服务),这些资源能够被快速提供,只需投入很少的管理工作,或与服务供应商进行很少的交互。云计算是通过使计算分布在大量的分布式计算机上,而非本地计算机或远程服务器中,企业数据中心的运行将与互联网更相似。这使得企业能够将资源切换到需要的应用上,根据需求访问计算机和存储系统。云计算可以认为包括以下几个层次的服务:基础设施即服务(IaaS),它将硬件设施基础资源(服务器、存储、网络和其他设备等)作为一种服务提供给云服务客户;平台即服务(PaaS),它将整个开发平台和提供资源与存储的开发环境托管在云中,作为一种服务提供给消费者;和软件即服务(SaaS),它将某些特定应用软件功能封装成通过Internet或者分布式环境的服务。
随着对人们QoS的服务组合问题的研究日益深入,已经提出了大量相关算法和预测方法。如Shao和Chen等人分别提出了基于协同过滤的QoS预测方法,根据不同的用户使用记录来预测QoS。Canfora G等人提出了基于遗传算法的云服务组合方法,将组合服务编码成染色体,适应度值是服务的综合QoS。徐猛等人提出的基于扩展图规划的Top-K服务组合方法,通过服务索引和增加图规划中的辅助节点,使得经过一次规划搜索即可找到Top-K个满足用户QoS要求的组合服务。Godse等人提出了一种根据QoS值自动选择Web Service的方法,它主要由三个部分组成:监测并获得Web Service的QoS值;根据历史QoS值预测将来的QoS值;根据预测的QoS值自动选择合适的Web Service。虽然考虑了同一时刻的服务组合和不同时刻的服务组合,但并没有考虑到云计算的三层结构方面对云服务QoS的影响。因此为了预测云服务QoS,我们考虑了云计算的三层结构,提出了一种基于分层贝叶斯网络模型的云服务QoS预测方法。
云计算由于其支持虚拟化、提供服务质量保证、高可靠性可用性、自治性与快速弹性等特点,使得云服务可以有效的进行资源配置,适应互联网的动态需求,但鉴于云服务本身的异构性、自治性和动态性等特点引发的不确定因素影响了云计算环境下服务组合的正确性、可靠性和可用性。怎样才能帮助用户选择最符合用户需求的云服务呢?因此,有效而准确预测云服务QoS成为人们研究的的关键问题。
在云计算环境下,云服务可以认为包括以下几个层次的服务:基础设施即服务(IaaS),平台即服务(PaaS)和软件即服务(SaaS),但是并没有深入层次结构获取结构层次上的数据来预测更适合的组合服务来满足用户的需求。并且考虑到用户对应用的QoS需求是随时间变化的,服务提供方所提供的服务所满足的QoS约束也是随时变化的,怎样才能预测出更适合的云服务QoS以满足用户的未来需求?因此如何构建能够满足用户QoS需求的云服务是云服务应用领域亟待解决的难题。
发明内容
发明目的:针对现有技术中存在的问题与不足,为了能够满足用户QoS需求的云服务,有效而准确预测出更适合的云服务QoS以满足用户的未来需求,本发明提供一种基于分层贝叶斯网络模型的云服务QoS预测方法,在云计算环境下,从云计算的三层服务方面用分层贝叶斯网络模型的云服务QoS预测方法以满足用户的需求。
技术方案:一种基于分层贝叶斯网络模型的云服务QoS预测方法,从云计算的三层服务——基础设施层、平台层和软件即服务层来实现,根据用户需求,首先将基础设施层和平台层的组合服务数据结合作为底层贝叶斯网络的推理结果,以此作为不确定证据,输入到应用层为其的先验概率,结合应用层的服务数据计算预测云服务QoS。
基础设施层(IaaS):基础设施层(IaaS)主要收集与硬件资源相关的数据,如CPU使用、网络和存储数据等。
平台层(PaaS):平台层(PaaS)主要收集云服务QoS业务流程的数据,另外,PaaS层中还设立了一个总的数据中心,用于汇总IaaS、PaaS中数据收集器收集到的数据。
软件即服务层(SaaS):软件即服务就是所说的应用层,主要收集应用程序执行相关的数据。SaaS层也设立一个总的数据中心,用于汇总IaaS、PaaS、SaaS中数据收集器收集到的数据。在不同的时间间隔内,数据中心中数据的值会根据单个云服务粒度大小的不同而更新,数据中心将收集的云计算环境下服务组合的数据用分层贝叶斯网络模型的云服务QoS预测方法预测出适合的云服务QoS以满足用户的需求。
基于分层贝叶斯网络模型的云服务QoS预测方法,具体过程如下:分层贝叶斯网络用动态置换贝叶斯网络结点会使顶层网络结构变得越来越复杂,对同一结点分别置换不同的贝叶斯网络又很容易造成网络结构混乱,这给推理预测带来难度。因此使用构建虚拟结点的方法,动态的构建贝叶斯网络来推理预测问题。在云计算环境下,用分层贝叶斯网络模型结合云计算的三层服务来分层预测云服务QoS,根据用户需求,首先将基础设施层和平台层的组合服务数据结合作为底层贝叶斯网络的推理结果,以此作为不确定证据,输入到应用层为其的先验概率,结合应用层的服务数据计算预测云服务QoS。
一种基于分层贝叶斯网络模型的云服务QoS预测方法,包括以下步骤:
步骤1:根据可靠性标准,设定原假设Η0与备择假设Η1。其中,原假设和备择假设必须互斥,接受一方,必须拒绝另一方;根据可靠性标准,建立对立的原假设Η0与备择假设H1:Η0:R0<T<R1;H1:T<=R0或者T>=R1;由贝叶斯网络推理得到概率信度值区间值,默认为R0<T<R1,在概率信度值区间选取阈值Thres,概率信度值T与阈值Thres的比较,T<Thres,表明云服务QoS结果不满足声明条件;T>Thres,表明云服务QoS结果满足声明条件;T=Thres,表明无法确定云服务QoS结果是否满足声明条,预测失效。
步骤2:数据收集。在基础设施层(IaaS),平台层(PaaS),应用层(SaaS)分别设计数据收集器,收集不同云层次的相关数据。其中基础设施层(IaaS)收集器主要收集与硬件资源相关的数据,如CPU使用、网络和存储数据等;平台层(PaaS)收集器主要收集云服务Qos的业务流程的数据以及收集基础设施层(IaaS)提交的数据;应用层(SaaS)收集器主要收集应用程序执行相关的数据以及收集基础设施层(IaaS)和平台层(PaaS)提交的数据。
步骤3:读取软件运行时的观测变量组合作为训练样本Xi T,对训练样本Xi T进行预处理,存入样本集TX。使用贝叶斯网络必须知道各个状态之间的相关概率,得到这些参数的过程叫做训练。从各层收集的数据中学习已知贝叶斯网络结构的参数,实质上是学习贝叶斯网络结构中每个节点的概率分布表。贝叶斯网络的参数都是通过机器学习算法从大量的训练数据中学习得到。
步骤4:确定一个结点V上的概率分布。G表示顶层的贝叶斯网络集合,G=<V,A,P>,是有向无环图,结点表示为V={v1,v2,...,vn},贝叶斯网络结点中的Vi和其非直接父节点Vj,条件独立于该结点的父节点的pa(Vi),父节点用pa(Vi)表示,即p(vi/vj,pa(vi))=p(vi/pa(vi))。利用条件独立性,将贝叶斯网络中n个变量联合概率分解为这样随机变量集合V上的一个贝叶斯网络唯一确定了V的概率分布。
步骤5:构建模型。首先根据QoS的云服务组合各个变量之间的依赖关系建立了一种概率图模型,即贝叶斯网络模型,然后根据云计算的三层服务,引入一种分层的贝叶斯网络模型进行表示和预测概率,应用于云计算的三层服务来预测云服务QoS。使用分层的贝叶斯网络模型来预测云服务QoS,贝叶斯网络模型分为两层,其中顶层为分层贝叶斯网络模型中的整体贝叶斯网络结构,底层为顶层贝叶斯网络结点所对应的替换贝叶斯网络。
对于分层贝叶斯网络动态替换贝叶斯网络会使顶层网络结构变得越来越复杂。若对同一节点分别替换不同的贝叶斯网络有很容易造成网络结构混乱,这些都为贝叶斯网络推理带来一定的困难。因此使用构建虚拟结点的方法,动态的构建贝叶斯网络来推理预测问题。
在贝叶斯网络推理中,其结点证据可分为两大类:(1)具体证据,即能够确定节点为某一取值状态;(2)不确定证据,以不确定性表示节点的取值。若贝叶斯网络节点V的某一证据e为不确定证据,该不确定证据可表示为条件概率向量e={P((V=v/H1),P(V=v/H2)...,P((V=v/Hm))}式中:H1,H2,Hm为假设条件,假设结点取值为状态Si,i=1,2,...,m;v为对节点V的观察值,取值(0,1)。
分层贝叶斯网络结构可以使用三元组来表示:HBN={G,T,R},其定义为:
(1)G表示为整体的贝叶斯网络结构,就是顶层的贝叶斯网络集合,G=<V,A,P>是有向无环图,结点表示为v={v1,v2,...,vn},A表示为弧的集合,代表了结点之间的关系,P表示为结构G上的条件概率的集合。
(2)T={t1,t2,...,tt}表示为G中节点对应替换的贝叶斯网络集合,就是底层的贝叶斯网络,如果G中的节点没有可对应的贝叶斯网络,那么T为空。
(3)R为顶层贝叶斯网络和底层贝叶斯网络节点的对应关系,R={Rij|i属于(1,2,...,N),j属于(1,2,...,L)},Rij代表了集合V中第i个节点和T中第j个元素对应关系,并且要求i节点的状态值与第j个贝叶斯网络节点相同。
在云计算的三层服务中,使用分层贝叶斯网络模型预测云服务QoS,底层的贝叶斯网络和顶层的贝叶斯网络节点进行连接时,实际上是把底层的贝叶斯网络实体所获得的数据信息和证据赋给了顶层的网络。因为网络根节点状态值与顶层节点相同,所以可以将底层贝叶斯网络根节点的推理结果作为不确定证据输入到相应的顶层节点。
步骤6:贝叶斯网络模型的预测。根据控制器提供的服务标准和数据筛分模块分组后的数据,将数据进行匹配,形成可以采用贝叶斯网络模型的预处理样本的数据放进贝叶斯网络模型进行预测处理。根据贝叶斯网络模型得到概率信度值,概率信度值T与阈值Thres的比较,观察云服务QoS结果是否满足声明条件作出相应的判断,满足还是不满足声明条件。
步骤7:分别对基础设施即服务层(IaaS)层和平台即服务(PaaS)层收集的数据进行预测。云服务客户通过Internet可以从完善的计算机基础设施获得服务。基础设施即服务层主要收集与硬件资源相关的数据,如CPU使用、网络和存储数据等,然后对这些数据进行贝叶斯网络模型预测并把结果记录到数据库。平台即服务(PaaS)层,如AMP虚拟主机和Java EE应用服务器容器等,对这些平台收集数据,接着进行贝叶斯网络模型预测并把结果记录到相应的数据库。
步骤8:对基础设施层和平台层收集的数据组合预测云服务QoS。这里的组合方式就是把基础设施层和平台层收集的数据收集在一起,统一进行贝叶斯网络模型处理,重新预测云服务QoS。
步骤9:对基础设施层和平台层收集的数据结合软件即服务(SaaS)层收集的数据组合在一起对云服务QoS进行预测。将基础设施层和平台层的组合服务数据结合作为底层贝叶斯网络的推理结果,以此作为不确定证据,输入到应用层,作为应用层的先验概率,结合应用层的服务数据用贝叶斯网络模型预测云服务QoS。
步骤10:预测结果获得概率信度值T。云计算的三层结构结合分层贝叶斯网络模型模型,将各层收集到的数据输入到贝叶斯网络中推理得到概率信度值。
步骤11:对获得的概率信度值T与阈值Thres进行比较。具体为:由贝叶斯网络推理得到概率信度值区间值,默认为R0<T<R1;选取阈值Thres,阈值Thres的选取根据概率信度区间值,如果T大于Thres,则认为有足够的理由相信原假设Η0成立,如果T小于Thres,则支持备择假设Η1成立;如果T=Thres,则不确定支持原假设还是支持备择假设。
步骤12:分析、对比结果。云计算的三层结构结合分层贝叶斯网络模型模型,将各层收集到的数据输入到贝叶斯网络中推理得到概率信度值。分层贝叶斯网络模型进行预测处理得到的云服务QoS概率信度值T和直接获取到的云服务QoS算出在同一区间的概率值T′作比较大小,目的是看分层贝叶斯网络模型的云服务QoS预测方法是否有效的、准确的、可靠的。
有益效果:与现有的技术相比,本发明所提供的一种基于分层贝叶斯网络模型的云服务QoS预测方法,贝叶斯网络作为一种图形化的建模工具有很多优点:贝叶斯网络将有向无环图与概率理论有机结合,不但具有正式的概率理论基础,同时也具有更加直观的知识表示形式,这样贝叶斯网络就能将人类的先验知识和后验的数据完美地结合。如图1为两层的分层贝叶斯网络结构示意图,贝叶斯网络还可以图形化表示随机变量间的联合概率,因此能够处理各种不确定性信息。同时将云计算的三层服务与贝叶斯网络模型结合起来,分层预测云服务QoS,提高了云计算三层服务环境下云服务QoS的可靠性与安全性。
附图说明
图1为本发明的所提出的两层的分层贝叶斯网络结构示意图;
图2为系统框架图;
图3为本发明方法的实施流程图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1为两层的分层贝叶斯网络结构示意图所示:
如图1给出了两层的分层贝叶斯网络结构,其中顶层为分层模型中的整体贝叶斯网络结构,代表整体的云服务QoS;底层为顶层贝叶斯网络结点所对应的替换贝叶斯网络,代表了云服务QoS中的整体贝叶斯网络的子贝叶斯网络,即替换贝叶斯网络。
如图2为系统框架图所示:
基础设施层(IaaS):基础设施层(IaaS)主要收集与硬件资源相关的数据,如CPU使用、网络和存储数据等。
平台层(PaaS):平台层(PaaS)主要收集云服务组合业务流程的数据,另外,PaaS层中还设立了一个总的数据中心,用于汇总IaaS、PaaS中数据收集器收集到的数据。
软件即服务层(SaaS):软件即服务就是所说的应用层,主要收集应用程序执行相关的数据。SaaS层也设立一个总的数据中心,用于汇总IaaS、PaaS、SaaS中数据收集器收集到的数据。在不同的时间间隔内,数据中心中数据的值会根据单个云服务粒度大小的不同而更新,数据中心将收集的云计算环境下服务组合的数据用分层贝叶斯网络模型的云服务QoS预测方法预测出适合的云服务QoS以满足用户的需求。
在云计算环境下,用分层贝叶斯网络模型的云服务QoS预测方法,根据用户需求,首先将基础设施层和平台层的组合服务数据结合作为底层贝叶斯网络的推理结果,以此作为不确定证据,输入到应用层为其的先验概率,结合应用层的服务数据计算预测云服务QoS。
如图3所示,为本发明的一种基于分层贝叶斯网络模型的云服务QoS预测方法的流程图,步骤如下:
步骤101:根据可靠性标准,设定原假设Η0与备择假设H1。其中,原假设和备择假设必须互斥,接受一方,必须拒绝另一方;根据可靠性标准,建立对立的原假设Η0与备择假设H1:Η0:R0<T<R1;H1:T<=R0或者>=R1;
步骤102:数据收集。在基础设施层(IaaS),平台层(PaaS),应用层(SaaS)分别设计数据收集器,收集不同云层的相关数据。其中基础设施层(IaaS)主要收集与硬件资源相关的数据,如CPU使用、网络和存储数据等;平台层(PaaS)主要收集云服务QoS业务流程的数据以及收集基础设施层(IaaS)提交的数据;应用层(SaaS)主要收集应用程序执行相关的数据以及收集基础设施层(IaaS)和应用层(SaaS)提交的数据。
步骤103:读取软件运行时的观测变量组合作为训练样本Xi T,对训练样本Xi T进行预处理,存入样本集TX;
步骤104:确定一个结点V上的概率分布。贝叶斯网络结点中的Vi和其非直接父节点Vj,条件独立于该结点的父节点的pa(Vi),即p(vi/vj,pa(vi))=p(vi/pa(vi))。利用条件独立性,将贝叶斯网络中n个变量联合概率分解为这样随机变量集合V上的一个贝叶斯网络唯一确定了V的概率分布。
步骤105:构建贝叶斯网络模型。首先根据QoS的云服务组合各个变量之间的依赖关系建立了一种概率图模型,即贝叶斯网络模型,然后根据云计算的三层服务,引入一种分层的贝叶斯网络模型进行表示和预测概率,应用于云计算的三层来预测云服务QoS。使用分层的贝叶斯网络模型来预测云服务QoS,其结构如图1表示,下图1为两层的贝叶斯分层结构,其中顶层为分层模型中的整体贝叶斯网络结构,底层为顶层贝叶斯网络结点所对应的替换贝叶斯网络。
分层贝叶斯网络结构可以使用三元组来表示:HBN={G,T,R},其定义为:
(4)G表示为整体的贝叶斯网络结构,就是顶层的贝叶斯网络集合,G=<V,A,P>是有向无环图,结点表示为v={v1,v2,...,vn},A表示为弧的集合,代表了结点之间的关系,P表示为结构G上的条件概率的集合。
(5)T={t1,t2,...,tt}表示为G中节点对应替换的贝叶斯网络集合,就是底层的贝叶斯网络,如果G中的节点没有可对应的贝叶斯网络,那么T为空。
(6)R为顶层贝叶斯网络和底层贝叶斯网络节点的对应关系,R={Rij|i属于(1,2,...,N),j属于(1,2,...,L)},Rij代表了集合V中第i个节点和T中第j个元素对应关系,并且要求i节点的状态值与第j个贝叶斯网络节点相同。
步骤106:贝叶斯网络模型的预测。根据控制器提供的服务标准和数据筛分模块分组后的数据,将数据进行匹配,形成可以采用贝叶斯网络模型的预处理样本的数据放进贝叶斯网络模型进行预测处理。根据贝叶斯网络模型得到概率信度值,概率信度值T与阈值Thres的比较,观察云服务QoS结果是否满足声明条件作出相应的判断,满足还是不满足声明条件。
步骤107:对基础设施即服务层(IaaS)层收集的数据进行预测。消费者通过Internet可以从完善的计算机基础设施获得服务。基础设施即服务层主要收集与硬件资源相关的数据,如CPU使用、网络和存储数据等,然后对这些数据进行预测并把结果记录到数据库。
步骤108:对平台即服务(PaaS)层收集的数据进行预测。平台即服务(PaaS)层,如AMP虚拟主机和Java EE应用服务器容器等,对这些平台上的数据预测并把结果记录到相应的数据库。
步骤109:对基础设施层和平台层收集的数据组合预测云服务QoS。这里的组合方式就是把基础设施层和平台层收集的数据收集在一起,统一进行处理,重新预测云服务QoS。
步骤110:对基础设施层和平台层收集的数据结合软件即服务(SaaS)层收集的数据组合在一起进行云服务QoS预测。将基础设施层和平台层的组合服务数据结合作为底层贝叶斯网络的推理结果,以此作为不确定证据,输入到应用层为其的先验概率,结合应用层的服务数据计算预测云服务QoS。
步骤111:预测结果获得概率信度值T。
步骤112:概率信度值T与阈值Thres的比较;
步骤113:T<Thres,分析表明云服务QoS结果不满足声明条件;
步骤114:T>Thres,分析表明云服务QoS结果满足声明条件;
步骤115:T=Thres,分析表明无法确定云服务QoS结果是否满足声明条,预测失效。
步骤116:分析、对比结果。云计算的三层服务结合分层贝叶斯网络模型模型,将收集到的数据输入到贝叶斯网络中推理得到概率信度值。分层贝叶斯网络模型进行预测处理得到的云服务QoS概率信度值T和直接获取到的云服务QoS算出在同一区间的概率值T′作比较大小,目的是看分层贝叶斯网络模型的云服务QoS预测方法是否有效的、准确的、可靠的。
Claims (5)
1.一种基于分层贝叶斯网络模型的云服务QoS预测方法,其特征在于:从云计算的三层服务——基础设施层、平台层和软件即服务层来实现,根据用户需求,首先将基础设施层和平台层的组合服务数据结合作为贝叶斯网络底层的推理结果,并将该推理结果输入到应用层为其的先验概率,结合应用层的服务数据计算预测云服务QoS;
基础设施层:基础设施层主要收集与硬件资源相关的数据;
平台层:平台层主要收集云服务QoS业务流程的数据,另外,PaaS层中还设立了一个总的数据中心,用于汇总IaaS、PaaS中数据收集器收集到的数据;
软件即服务层:软件即服务就是所说的应用层,主要收集应用程序执行相关的数据;SaaS层也设立一个总的数据中心,用于汇总IaaS、PaaS、SaaS中数据收集器收集到的数据;在不同的时间间隔内,数据中心中数据的值会根据单个云服务粒度大小的不同而更新,数据中心将收集的云计算环境下服务组合的数据用分层贝叶斯网络模型的云服务QoS预测方法预测出适合的云服务QoS以满足用户的需求;
IaaS为基础设施即服务;PaaS为平台即服务;SaaS为软件即服务;
在云计算环境下,用分层贝叶斯网络模型结合云计算的三层服务来分层预测云服务QoS;
预测云服务QoS的具体步骤为:
步骤1:根据可靠性标准,设定原假设Η0与备择假设H1;其中,原假设和备择假设必须互斥,接受一方,必须拒绝另一方;根据可靠性标准,建立对立的原假设Η0与备择假设H1:Η0:R0<T<R1;H1:T<=R0或者T>=R1;H1为备择假设,T为概率信度值,R0为概率信度值的上界,R1为概率信度值的下界;
步骤2:数据收集;在基础设施层,平台层,应用层分别设计数据收集器,收集不同云层的相关数据,其中基础设施层主要收集与硬件资源相关的数据;平台层主要收集云服务QoS业务流程的数据以及收集基础设施层提交的数据;应用层主要收集应用程序执行相关的数据以及收集基础设施层和平台层提交的数据;
步骤3:读取软件运行时的观测变量组合作为训练样本对训练样本进行预处理,存入样本集TX;
步骤4:确定一个节点v上的概率分布;G表示顶层的贝叶斯网络集合,G=<V,A,P>,是有向无环图,节点表示为v={v1,v2,...,vn},贝叶斯网络节点中的vi和其非直接父节点vj,条件独立于该节点的父节点,父节点用pa(vi)表示,即p(νi/νj,pa(νi))=p(νi/pa(νi));利用条件独立性,将贝叶斯网络中n个变量联合概率分解为这样随机变量集合U上的一个贝叶斯网络唯一确定了v的概率分布;A表示为弧的集合,代表了节点之间的关系,P表示为结构G上的条件概率的集合;
步骤5:构建贝叶斯网络模型;首先根据QoS的云服务组合各个变量之间的依赖关系建立了一种概率图模型,即贝叶斯网络模型,然后根据云计算的三层服务,引入一种分层的贝叶斯网络模型进行表示和预测概率,应用于云计算的三层来预测云服务QoS;使用两层的贝叶斯网络模型来预测云服务QoS,其中顶层为分层模型中的整体贝叶斯网络结构,底层为顶层贝叶斯网络节点所对应的替换贝叶斯网络;
步骤6:贝叶斯网络模型的预测;根据控制器提供的服务标准和数据筛分模块分组后的数据,将数据进行匹配,形成可以采用贝叶斯网络模型的预处理样本的数据放进贝叶斯网络模型进行预测处理;根据贝叶斯网络模型得到概率信度值,概率信度值T与阈值Thres比较,观察云服务QoS结果是否满足声明条件;
步骤7:分别对基础设施即服务层和平台即服务层收集的数据进行预测;
步骤8:对基础设施层和平台层收集的数据组合预测云服务QoS;这里的组合方式就是把基础设施层和平台层收集的数据收集在一起,统一进行贝叶斯网络模型处理,重新预测云服务QoS;
步骤9:对基础设施层和平台层收集的数据结合软件即服务层收集的数据组合在一起对云服务QoS进行预测;将基础设施层和平台层的组合服务数据结合作为贝叶斯网络底层的推理结果,并将该推理结果输入到应用层作为先验概率,结合应用层的服务数据计算预测云服务QoS;
步骤10:预测结果获得概率信度值T,云计算的三层结构结合分层贝叶斯网络模型模型,将各层收集到的数据输入到贝叶斯网络中推理得到概率信度值;
步骤11:对获得的概率信度值T与阈值Thres进行比较;
步骤12:分析、对比结果;云计算的三层结构结合分层贝叶斯网络模型,将收集到的数据输入到贝叶斯网络中推理得到概率信度值;分层贝叶斯网络模型进行预测处理得到的云服务QoS结果和直接获取到的云服务QoS结果作比较。
2.如权利要求1所述的基于分层贝叶斯网络模型的云服务QoS预测方法,其特征在于,分层贝叶斯网络结构可以使用三元组来表示:HBN={G,T,R},其定义为:
(1)G表示为整体的贝叶斯网络结构,就是顶层的贝叶斯网络集合,G=<V,A,P>是有向无环图,节点表示为v={v1,v2,...,vn},A表示为弧的集合,代表了节点之间的关系,P表示为结构G上的条件概率的集合;
(2)T={t1,t2,...,tt}表示为G中节点对应替换的贝叶斯网络集合,就是底层的贝叶斯网络,如果G中的节点没有可对应的贝叶斯网络,那么T为空;
(3)R为顶层贝叶斯网络和底层贝叶斯网络节点的对应关系,R={Rij|i属于(1,2,...,N),j属于(1,2,...,L)},Rij代表了节点v中第i个节点和T中第j个元素对应关系,并且要求i节点的状态值与第j个贝叶斯网络节点相同。
3.如权利要求1所述的基于分层贝叶斯网络模型的云服务QoS预测方法,其特征在于,对获得的概率信度值T与阈值Thres进行比较,具体为:由贝叶斯网络推理得到概率信度值区间值,默认为R0<T<R1;选取阈值Thres,阈值Thres的选取根据概率信度区间值,如果T大于Thres,则认为有足够的理由相信原假设Η0成立,如果T小于Thres,则支持备择假设Η1成立;如果T=Thres,则不确定支持原假设还是支持备择假设。
4.如权利要求1所述的基于分层贝叶斯网络模型的云服务QoS预测方法,其特征在于,在贝叶斯推理中,其节点证据可分为两大类:(1)具体证据,即能够确定节点为某一取值状态;(2)不确定证据,以不确定性表示节点的取值;若贝叶斯网络中节点v的某一证据e为不确定证据,该不确定证据可表示为条件概率向量e={P(v=v/H1),P(v=v/H2)...,P(v=v/Hm)}式中:H1,H2,Hm为假设条件,假设节点取值为状态Si,i=1,2,...,m;v为对节点v的观察值,取值(0,1),m表示状态编号,为常数。
5.如权利要求4所述的基于分层贝叶斯网络模型的云服务QoS预测方法,其特征在于,在云计算的三层服务中,使用分层贝叶斯网络模型预测云服务QoS,底层的贝叶斯网络和顶层的贝叶斯网络节点进行连接时,实际上是把底层的贝叶斯网络实体所获得的数据信息和证据赋给了顶层的网络;因为网络根节点状态值与顶层节点相同,所以可以将底层贝叶斯网络根节点的推理结果作为不确定证据输入到相应的顶层节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510303657.XA CN105007176B (zh) | 2015-06-04 | 2015-06-04 | 一种基于分层贝叶斯网络模型的云服务QoS预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510303657.XA CN105007176B (zh) | 2015-06-04 | 2015-06-04 | 一种基于分层贝叶斯网络模型的云服务QoS预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105007176A CN105007176A (zh) | 2015-10-28 |
CN105007176B true CN105007176B (zh) | 2019-01-11 |
Family
ID=54379703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510303657.XA Active CN105007176B (zh) | 2015-06-04 | 2015-06-04 | 一种基于分层贝叶斯网络模型的云服务QoS预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105007176B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109298921B (zh) * | 2018-08-28 | 2020-04-28 | 哈尔滨理工大学 | 一种基于贝叶斯网络的分布式计算任务调度算法 |
CN109919382B (zh) * | 2019-03-08 | 2021-06-04 | 中国电力科学研究院有限公司 | 考虑日周期性影响的光伏功率爬坡事件非精确概率预测方法及系统 |
CN112882917B (zh) * | 2021-03-17 | 2023-05-12 | 云南师范大学 | 一种基于贝叶斯网络迁移的虚拟机服务质量动态预测方法 |
CN114444615B (zh) * | 2022-02-14 | 2023-04-07 | 烟台大学 | 一种基于工业类PaaS平台的贝叶斯分类识别系统及其识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102866942A (zh) * | 2012-09-13 | 2013-01-09 | 河海大学 | 一种基于贝叶斯推断的软件服务质量监控方法及系统 |
CN103281207A (zh) * | 2013-05-30 | 2013-09-04 | 上海师范大学 | 一种SOA下决策系统web服务能力的计算方法 |
CN103473320A (zh) * | 2013-09-12 | 2013-12-25 | 南京大学 | 一种面向跨云平台的服务组合方法 |
CN103490938A (zh) * | 2013-10-15 | 2014-01-01 | 河海大学 | 一种基于分层的云服务组合失效的恢复系统和方法 |
CN104462756A (zh) * | 2014-10-31 | 2015-03-25 | 广东工业大学 | 一种面向制造物联网的服务可信性评估方法 |
-
2015
- 2015-06-04 CN CN201510303657.XA patent/CN105007176B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102866942A (zh) * | 2012-09-13 | 2013-01-09 | 河海大学 | 一种基于贝叶斯推断的软件服务质量监控方法及系统 |
CN103281207A (zh) * | 2013-05-30 | 2013-09-04 | 上海师范大学 | 一种SOA下决策系统web服务能力的计算方法 |
CN103473320A (zh) * | 2013-09-12 | 2013-12-25 | 南京大学 | 一种面向跨云平台的服务组合方法 |
CN103490938A (zh) * | 2013-10-15 | 2014-01-01 | 河海大学 | 一种基于分层的云服务组合失效的恢复系统和方法 |
CN104462756A (zh) * | 2014-10-31 | 2015-03-25 | 广东工业大学 | 一种面向制造物联网的服务可信性评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105007176A (zh) | 2015-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Building performance optimisation: A hybrid architecture for the integration of contextual information and time-series data | |
Whaiduzzaman et al. | Cloud service selection using multicriteria decision analysis | |
Celik et al. | A comprehensive review of multi criteria decision making approaches based on interval type-2 fuzzy sets | |
CN105469204A (zh) | 深度融合大数据分析技术的重装制造企业综合评价系统 | |
CN105007176B (zh) | 一种基于分层贝叶斯网络模型的云服务QoS预测方法 | |
Khan et al. | Modeling the Big Data challenges in context of smart cities–an integrated fuzzy ISM-DEMATEL approach | |
CN104881609A (zh) | 一种复杂软件系统软件单元可信性评估方法 | |
Dong et al. | QoS-oriented monitoring model of cloud computing resources availability | |
US11593735B2 (en) | Automated and efficient personal transportation vehicle sharing | |
CN114398669B (zh) | 基于隐私保护计算和跨组织的联合信用评分方法及装置 | |
Gohar et al. | Identifying and evaluating risks of construction projects in fuzzy environment: a case study in Iranian construction industry | |
Kadoić et al. | Structuring e-learning multi-criteria decision making problems | |
Razumnikov et al. | A model of decision support on migration of enterprise IT-applications in the cloud environment | |
Catak et al. | Fuzzy analytic hierarchy based DBMS selection in Turkish national identity card management project | |
CN104933621A (zh) | 一种担保圈的大数据分析系统和方法 | |
Hassanpour et al. | Infectious waste management during a pandemic: A stochastic location-routing problem with chance-constrained time windows | |
CN110119399A (zh) | 基于机器学习的业务流程优化方法 | |
Lin et al. | [Retracted] Probabilistic Hesitant Fuzzy Methods for Prioritizing Distributed Stream Processing Frameworks for IoT Applications | |
Yang et al. | Disaster recovery site evaluations and selections for information systems of academic big data | |
Jiang et al. | HHM-and RFRM-based water resource system risk identification | |
Wei et al. | Model and algorithm for resolving regional bus scheduling problems with fuzzy travel times | |
Si et al. | Self-Organizing Optimization of Construction Project Management Based on Building Information Modeling and Digital Technology | |
Embarak | Explainable artificial intelligence for services exchange in smart cities | |
Wen et al. | A multi-objective optimization method for emergency medical resources allocation | |
Wang | Towards a resilient networked service system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211029 Address after: 610213 No. 26, floor 1, building 3, No. 68, Haichang Road, Huayang street, Tianfu new area, Chengdu, Sichuan Patentee after: Chengdu Fansen Technology Co.,Ltd. Address before: 211100 No. 8 West Buddha Road, Jiangning District, Jiangsu, Nanjing Patentee before: HOHAI University |
|
TR01 | Transfer of patent right |