CN105071961B - 一种Web服务的服务质量预测方法和装置 - Google Patents
一种Web服务的服务质量预测方法和装置 Download PDFInfo
- Publication number
- CN105071961B CN105071961B CN201510466828.0A CN201510466828A CN105071961B CN 105071961 B CN105071961 B CN 105071961B CN 201510466828 A CN201510466828 A CN 201510466828A CN 105071961 B CN105071961 B CN 105071961B
- Authority
- CN
- China
- Prior art keywords
- qos
- time window
- bulletin
- kth
- estimated value
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种Web服务的服务质量预测方法和装置。方法包括:在第k‑1个时间窗口结束时,依据所述第k‑1个时间窗口的QoS估计值计算得到第k个时间窗口的QoS公告;依据所述QoS公告、第k个时间窗口的卡尔曼增益和第k个时间窗口的QoS量测值,计算所述第k个时间窗口的QoS估计值;依据所述第k个时间窗口的QoS估计值和QoS公告,计算所述第k个时间窗口的QoS公告可信度;依据所述第k个时间窗口的QoS公告可信度调节所述第k+1个时间窗口的大小;以调节后的第k+1个时间窗口的大小为QoS预测周期执行后续预测。本发明运行效率高、准确性高、且能够实现自适应校准。
Description
技术领域
本发明涉及通信技术领域,更具体地说,涉及一种Web服务的服务质量预测方法和装置。
背景技术
Web服务(Web Service)技术以其自包含、自描述、模块化的特点以及松耦合、低成本等显著优势成为目前面向服务架构(Service Oriented Architecture,SOA)最成功的实现技术。然而,随着大量的Web服务被构建和发布,网络中出现了大量功能相同或相近但服务质量(Quality of Service,QoS)各异的Web服务。包括可靠性、可用性、安全性等在内的QoS指标作为非功能属性的代表成为Web服务选择的重要依据。但是,受服务提供商的硬件及软件等基础设施、网络状况、服务请求负载等因素的影响,Web服务的QoS呈现出明显的动态特性,因此,非常有必要开展Web服务的QoS动态预测研究,通过预测Web服务的QoS的预期水平来评估不同Web服务的非功能属性,并依据此进行Web服务的选择。
现有技术中关于Web服务的QoS预测方法主要包括以下几种方法:
(1)基于协同过滤(Collaborative Filtering,CF)及其改进算法的QoS预测方法。
具体地,针对用户端的QoS指标,该类方法依据相似度高的实体间往往具有相似观点或属性的基本假设,选择与自己相似度高的实体作为推荐者,并根据推荐者的历史QoS数据进行预测。
(2)基于人工智能的QoS预测方法。
具体地,该类方法通过采用大量的历史QoS数据构造、训练并更新免疫算子、人工神经网络等人工智能算法的核心部件,进行QoS预测。
(3)其他QoS预测方法。
如基于结构方程模型(Structural Equation Modeling,SEM)的QoS预测方法,利用QoS历史信息定量预测在未来时间段内QoS的变化值;又如基于事例推理的QoS预测方法,依据外界环境、事务类型、事务大小相同或相近时服务的QoS相同或相近的基本假设进行QoS预测。
然而本发明的发明人对现有技术中的上述Web服务的QoS预测方法进行研究后发现,现有Web服务的QoS预测方法主要存在以下问题:一是依赖于大量历史QoS数据,运行效率低;二是QoS数据来源于服务消费者的反馈信息,而服务消费者的反馈信息在数据量和数据的真实性两方面都带有不确定性,从而使得Web服务的QoS预测准确性难以保证;三是难以根据实时的QoS数据实现QoS预测的自适应校准。
发明内容
有鉴于此,本发明提供一种Web服务的服务质量预测方法和装置,以解决现有技术中Web服务的QoS预测方法存在的依赖于大量历史QoS数据,运行效率低,准确性低以及无法实现自适应校准的难题,以实现服务器端Web服务的QoS预测和自适应校准,为用户选择Web服务提供客观决策依据。技术方案如下:
基于本发明的一方面,本发明提供一种Web服务的服务质量预测方法,包括初始化的服务质量QoS估计值;所述方法包括:
在第k-1个时间窗口结束时,依据所述第k-1个时间窗口的QoS估计值计算得到第k个时间窗口的QoS公告;k为大于1的正整数;
依据所述QoS公告、第k个时间窗口的卡尔曼增益和第k个时间窗口的QoS量测值,计算所述第k个时间窗口的QoS估计值;
依据所述第k个时间窗口的QoS估计值和QoS公告,计算所述第k个时间窗口的QoS公告可信度;
依据所述第k个时间窗口的QoS公告可信度调节所述第k+1个时间窗口的大小;
以调节后的第k+1个时间窗口的大小为QoS预测周期执行后续预测。
优选地,当计算第1个时间窗口的QoS公告时,所述在第k-1个时间窗口结束时,依据所述第k-1个时间窗口的QoS估计值计算得到第k个时间窗口的QoS公告包括:
在所述第1个时间窗口开始时,依据初始化的QoS估计值计算得到第1个时间窗口的QoS公告。
优选地,所述在第k-1个时间窗口结束时,依据所述第k-1个时间窗口的QoS估计值计算得到第k个时间窗口的QoS公告包括:
利用公式计算所述第k个时间窗口的QoS公告
其中,为第k-1个时间窗口的QoS估计值,Fk为第k个时间窗口的QoS状态转换矩阵。
优选地,所述依据所述QoS公告、第k个时间窗口的卡尔曼增益和第k个时间窗口的QoS量测值,计算所述第k个时间窗口的QoS估计值包括:
利用公式计算所述第k个时间窗口的QoS估计值
其中,Kk为第k个时间窗口的卡尔曼增益,zk为第k个时间窗口的QoS量测值。
优选地,所述第k个时间窗口的卡尔曼增益Kk的计算方法包括:
利用公式计算所述第k个时间窗口的预测误差协方差矩阵其中,Pk-1为第k-1个时间窗口的估计误差协方差矩阵,Qk为第k个时间窗口的系统激励噪声协方差矩阵;
利用公式计算所述第k个时间窗口的卡尔曼增益Kk;
其中,Rk为第k个时间窗口的量测噪声协方差矩阵。
优选地,所述依据所述第k个时间窗口的QoS估计值和QoS公告,计算所述第k个时间窗口的QoS公告可信度包括:
利用公式计算所述第k个时间窗口的QoS公告可信度Trustk;
其中,n为QoS指标个数。
优选地,所述依据所述第k个时间窗口的QoS公告可信度调节所述第k+1个时间窗口的大小包括:
判断所述第k个时间窗口的QoS公告可信度是否小于阈值;
如果小于,减小所述第k+1个时间窗口;
如果不小于,保持或增大所述第k+1个时间窗口。
基于本发明的另一方面,本发明提供一种Web服务的服务质量预测装置,包括初始化的服务质量QoS估计值;所述装置包括:
第一计算单元,用于在第k-1个时间窗口结束时,依据所述第k-1个时间窗口的QoS估计值计算得到第k个时间窗口的QoS公告;k为大于1的正整数;
第二计算单元,用于依据所述QoS公告、第k个时间窗口的卡尔曼增益和第k个时间窗口的QoS量测值,计算所述第k个时间窗口的QoS估计值;
第三计算单元,用于依据所述第k个时间窗口的QoS估计值和QoS公告,计算所述第k个时间窗口的QoS公告可信度;
调节单元,用于依据所述第k个时间窗口的QoS公告可信度调节所述第k+1个时间窗口的大小;
执行单元,用于以调节后的第k+1个时间窗口的大小为周期执行后续预测。
优选地,所述第一计算单元计算第1个时间窗口的QoS公告时,具体用于在所述第1个时间窗口开始时,依据初始化的QoS估计值计算得到第1个时间窗口的QoS公告;
所述第一计算单元计算第k个时间窗口的QoS公告时,具体用于利用公式计算所述第k个时间窗口的QoS公告
其中,为第k-1个时间窗口的QoS估计值,Fk为第k个时间窗口的QoS状态转换矩阵。
优选地,所述第二计算单元具体用于,利用公式计算所述第k个时间窗口的QoS估计值
其中,Kk为第k个时间窗口的卡尔曼增益,zk为第k个时间窗口的QoS量测值。
优选地,还包括:
第四计算单元,用于利用公式计算所述第k个时间窗口的预测误差协方差矩阵其中,Pk-1为第k-1个时间窗口的估计误差协方差矩阵,Qk为第k个时间窗口的系统激励噪声协方差矩阵;
第五计算单元,用于利用公式计算所述第k个时间窗口的卡尔曼增益Kk;
其中,Rk为第k个时间窗口的量测噪声协方差矩阵。
优选地,所述第三计算单元具体用于,利用公式计算所述第k个时间窗口的QoS公告可信度Trustk;
其中,n为QoS指标个数。
优选地,所述调节单元包括:
判断子单元,用于判断所述第k个时间窗口的QoS公告可信度是否小于阈值;
调节子单元,用于在所述判断子单元判断所述第k个时间窗口的QoS公告可信度小于阈值时,减小所述第k+1个时间窗口;在所述判断子单元判断所述第k个时间窗口的QoS公告可信度不小于阈值时,保持或增大所述第k+1个时间窗口。
应用本发明的上述技术方案,本发明提供的一种Web服务的服务质量预测方法具体包括:在第k-1个时间窗口结束时,依据所述第k-1个时间窗口的QoS估计值计算得到第k个时间窗口的QoS公告,进而依据QoS公告、第k个时间窗口的卡尔曼增益和第k个时间窗口的QoS量测值,计算第k个时间窗口的QoS估计值;进一步依据所述第k个时间窗口的QoS估计值和QoS公告,计算所述第k个时间窗口的QoS公告可信度;最后依据第k个时间窗口的QoS公告可信度调节第k+1个时间窗口的大小,并以调节后的第k+1个时间窗口的大小为QoS预测周期执行后续预测。因此,本发明以时间窗口为周期,预测QoS公告,递推式聚合QoS量测数据得到QoS估计值,进而依据QoS估计值和QoS公告计算QoS公告可信度,并以计算得到的QoS公告可信度自适应调整时间窗口的大小。本发明不依赖于大量的历史QoS数据,运行效率高;且本发明在实现Web服务的QoS预测时,不依赖于服务消费者的反馈信息,解决了由预测数据源导致的预测准确性的问题;且同时,本发明还会依据计算得到的QoS公告可信度自适应调整时间窗口的大小,实现了预测准确度的自适应校准,提高了QoS公告的时效性,保证了Web服务的QoS预测方法的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明中包括LPAC的系统架构设计结构图;
图2为本发明提供的一种Web服务的服务质量预测方法的流程图;
图3为本发明提供的一种Web服务的服务质量预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
针对现有技术中存在的Web服务的QoS预测方法存在的依赖于大量历史QoS数据,运行效率低,以及难以实现自适应校准,准确性低的问题,本发明从独立的第三方角度出发,通过扩展Web服务注册中心,针对服务在服务器端运行时的QoS状态,提出一种可自适应校准的轻量级Web服务的QoS预测机制LPAC(Lightweight QoS Prediction Mechanismwith Adaptive Calibration)。LPAC通过引入卡尔曼滤波(Kalman Filtering,KF)将系统的QoS状态转换过程转化为隐马尔可夫模型(Hidden Markov Model,HMM),预测QoS状态以生成QoS公告,然后根据QoS量测值校准QoS公告以获得QoS估计值,并通过QoS公告与QoS估计值的相似度计算QoS公告可信度,最后根据QoS公告可信度来自适应调节下一个时间窗口大小,实现预测准确度的再次校准。LPAC的输出为QoS公告与QoS公告可信度,二者分别反映了QoS预测值及预测准确度,来为Web服务选择提供依据。
具体地,本发明中的时间窗口指的是QoS预测周期;
QoS真实值指的是某个时间窗口内服务QoS真实水平的平均值进行规范化处理后的值;
QoS公告,即QoS预测值,具体指的是对下一个时间窗口内QoS真实值的先验预测;
QoS估计值指的是某个时间窗口内QoS真实值的后验估计;
QoS量测值指的是对某时间窗口内采集到的QoS数据进行规范化处理后的值;
QoS公告可信度指的是某个时间窗口内QoS公告与QoS估计值的一致性大小,表征着QoS公告的准确度。
本发明中的LPAC遵从信任即服务(Trust as a Service)的思想,旨在为当前基于QoS预测的服务选择提供数据支撑,其系统架构设计如图1所示。
其中,WSDL为Web服务描述语言(Web Service Description Language),UDDI为统一描述、发现和集成(Universal Description,Discovery and Integration)机构。
LPAC扩展Web服务架构中的Web服务注册中心,即UDDI机构,由独立第三方UDDI机构后台运行整个机制。此外,LPAC将QoS限定为服务在服务器端的基本属性,剥离客户端的反馈信息,针对服务器端的QoS状态进行量测和预测。上述方法使得LPAC能够对服务请求者透明。
更具体的,LPAC由数据采集与规范化模块和QoS预测与校准模块组成。数据采集与规范化模块用于采集Web服务在服务器端的QoS数据,并进行规范化处理得到QoS量测值。QoS预测与校准模块是LPAC的核心,主要工作是通过引入KF实现QoS预测,并根据QoS量测值校准QoS公告,同时,基于QoS公告可信度自适应调节时间窗口大小以校准和优化QoS预测周期。
首先发明人对于本发明中数据采集与规范化模块采集Web服务在服务器端的QoS数据,对采集到的服务器端的QoS数据进行规范化处理得到QoS量测值,即QoS量测值的构建进行简单介绍。
QoS量测值在逻辑上表示为:行为属性、列为证据的矩阵形式,如下公式(1)所示。
其中,atti表示属性i,eij表示属性i包含的证据j。本发明中的QoS公告、QoS公告可信度均采用这种表示形式,以体现属性层的QoS信息。在实际计算中,LPAC将QoS量测值各元素顺序转化为列向量作为输入。
Web服务的QoS属性可划分为性能和能力、可用性、安全性/隐私等主要方面,每个QoS属性各自包括多个QoS指标来实施量化。QoS指标可分为动态和静态两类,动态指标主要集中在性能和能力(如服务器端运行时间、吞吐量、事务量等)、可用性(如正常运行的平均时间、拒绝率、灾难恢复时间等)属性中;静态指标主要集中在安全性/隐私属性中。考虑到QoS指标的实用性和可测量性,LPAC选择Web服务在服务器端的QoS动态指标(如服务的运行时间、吞吐量等)来构建QoS量测值。
具体地,QoS量测值的构建方法包括:
步骤101,QoS数据采集。
由UDDI机构监控服务在服务器端的QoS数据,或由服务器端以审计形式向UDDI机构提交QoS数据。
步骤102,QoS等级划分。
针对某个时间窗口内服务所有调用过程产生的QoS数据,取各QoS指标的均值,接着将其映射为相应的QoS等级,以消除不同QoS指标有不同量纲的问题。
步骤103,数据规范化。
对得到的QoS等级数据进行规范化处理,从而将离散形式的QoS等级映射到[0,1]区间,以方便理解和计算。数据规范化方法如公式(2)所示。
其中,L表示QoS等级个数,d为某一QoS指标的QoS等级。
步骤104,数据转换。
将数据规范化处理后的数据进行形式转换,得到QoS量测值。
进一步,在具体介绍本发明下述Web服务的QoS预测方法前,发明人还需要说明的是,本发明中的LPAC是基于以下预设和假设来实现Web服务的QoS预测的。
(1)QoS状态转换为隐马尔可夫过程;
(2)QoS状态转换过程、QoS量测过程均存在零均值的高斯白噪声,分别称为系统激励噪声和量测噪声;
(3)系统激励噪声与量测噪声之间线性无关。
假设QoS指标个数为n,则可用n维列向量xk∈Rn表示第k个时间窗口的QoS真实值,并定义QoS状态转换方程为:
xk=Fkxk-1+wk (3)
公式(3)中,Fk为QoS状态转换矩阵,为n维列向量,wk为系统激励噪声。本发明定义第k个时间窗口内的QoS量测值为zk,量测矩阵为Hk,量测噪声为vk。其中,量测方程满足:
zk=Hkxk+vk (4)
其中公式(3)、(4)中,噪声wk、vk的协方差矩阵分别为Qk、Rk,均为n×n矩阵,zk、wk、vk均为n维列向量。
(4)参数估计与初始值设定
LPAC需要预先获知以下内容:
1)系统模型参数:QoS状态转换矩阵Fk、量测矩阵Hk、系统激励噪声wk及量测噪声vk;
2)初始QoS信息:初始化的QoS估计值初始化的QoS公告可信度Trust0;
3)初始状态估计协方差矩阵P0。
此外,本发明采用最大期望算法(Expectation Maximization Algorithm,EM算法)来对Fk、Qk和Rk进行估计。具体方法如下公式(5)(6)(7)所示。
其中,参数λ为参与参数校准的QoS估计值序列长度,用来控制参数校准对计算效率的影响,其取值示例如公式(8)所示。
(5)其它未知量的假设
Hk为n阶单位矩阵I,表示QoS量测值是在QoS真实值的基础上叠加了量测噪声;
表示QoS初始值“不好不坏”;
rep0=(0.5,...,0.5)T,表示服务请求者对服务的QoS初始值“半信半疑”;
P0=0,表示忽略QoS初始值的估计误差;
Q0=0.1I,R0=0.5I,表示量测噪声明显显著于系统激励噪声。
在基于上述预设和假设的情况下,请参阅图2,其示出了本发明提供的一种Web服务的服务质量预测方法的流程图,包括:
步骤201,在第k-1个时间窗口结束时,依据所述第k-1个时间窗口的QoS估计值计算得到第k个时间窗口的QoS公告。其中,k为大于1的正整数。
对于本发明首次计算第1个时间窗口的QoS公告,本发明在所述第1个时间窗口开始时,或临近第1个时间窗口开始时,依据初始化的QoS估计值计算得到第1个时间窗口的QoS公告。
对于本发明后续计算第k个时间窗口的QoS公告,则依据前一个,即第k-1个时间窗口的QoS估计值来计算第k个时间窗口的QoS公告。
具体地,本发明利用下述公式(9),计算所述第k个时间窗口的QoS公告
其中,为第k-1个时间窗口的QoS估计值,Fk为第k个时间窗口的QoS状态转换矩阵。
步骤202,依据所述QoS公告、第k个时间窗口的卡尔曼增益和第k个时间窗口的QoS量测值,计算所述第k个时间窗口的QoS估计值。
具体地,本发明利用下述公式(10),计算所述第k个时间窗口的QoS估计值
其中,Kk为第k个时间窗口的卡尔曼增益,zk为第k个时间窗口的QoS量测值。
在本发明中,卡尔曼增益Kk用来刻画预测误差在预测误差及量测误差中的比重。由下述公式(12)可见,Kk值越小,则量测误差相对预测误差越显著,表示预测过程更为准确,此时QoS估计值更接近于QoS公告;反之,则QoS估计值更接近于QoS量测值。
为了更清楚地说明本发明的技术方案,在此发明人还需要进一步说明本发明中关于第k个时间窗口的卡尔曼增益Kk的计算方法,该方法包括:
步骤301,计算所述第k个时间窗口的预测误差协方差矩阵。
具体地,本发明利用下述公式(11),计算所述第k个时间窗口的预测误差协方差矩阵
其中,Pk-1为第k-1个时间窗口的估计误差协方差矩阵,Qk为第k个时间窗口的系统激励噪声协方差矩阵。
需要说明的是,本发明中关于第k个时间窗口的估计误差协方差矩阵Pk的更新方法如下公式(12)所示,该估计误差将传递到下一个预测过程。
其中,Kk为第k个时间窗口的卡尔曼增益。
步骤302,依据所述预测误差协方差矩阵计算所述第k个时间窗口的卡尔曼增益。
具体地,本发明利用下述公式(13),计算所述第k个时间窗口的卡尔曼增益Kk。
其中,Rk为第k个时间窗口的量测噪声协方差矩阵。
步骤203,依据所述第k个时间窗口的QoS估计值和QoS公告,计算所述第k个时间窗口的QoS公告可信度。
在本发明中,本发明在得到第k个时间窗口的QoS公告与QoS估计值后,LPAC基于二者之间的相似度(或距离)来计算QoS公告可信度。
具体地,本发明利用下述公式(14),计算所述第k个时间窗口的QoS公告可信度Trustk。
其中,n为QoS指标个数。
本发明支持任意维数QoS指标预测,且每个QoS指标对应的相似度对QoS公告可信度具有相同的贡献度。此外,本发明使得QoS公告可信度呈现出快速下降的特点,即欧氏距离越大,则QoS公告可信度下降得越快。
步骤204,依据所述第k个时间窗口的QoS公告可信度调节所述第k+1个时间窗口的大小。
本发明中,LPAC基于QoS公告可信度自适应调节时间窗口大小。
具体地,LPAC判断所述第k个时间窗口的QoS公告可信度是否小于阈值;如果小于,则减小所述第k+1个时间窗口,如果不小于,保持或增大所述第k+1个时间窗口。
在本发明中,若QoS公告可信度小于阈值,减小时间窗口以缩短QoS预测周期,进而提高QoS公告的时效性;反之,则保持或适度增大时间窗口以节省计算资源。具体方法如下公式(15)所示。
其中,Δ表示时间窗口大小,其取值上限根据具体环境而定;Trustthreshold为QoS公
告可信度的阀值;TKFQPM为LPAC的基本时间开销,需要在具体环境中测试得到。ρ和θ为调节因
子,且ρ和θ均大于0。由于满足ρ和θ的取值范围应取决于Δ
的取值上限及TKFQPM。
本发明中,采用上述方法的时间窗口大小变化呈现出快速下降的特点,即随着QoS公告可信度降低,时间窗口快速减小,从而起到了快速缩短QoS预测周期以提高QoS公告时效性的作用。
步骤205,以调节后的第k+1个时间窗口的大小为QoS预测周期执行后续预测。
因此应用本发明的上述技术方案,本发明提供的一种Web服务的服务质量预测方法,在第k-1个时间窗口结束时,依据所述第k-1个时间窗口的QoS估计值计算得到第k个时间窗口的QoS公告,进而依据QoS公告、第k个时间窗口的卡尔曼增益和第k个时间窗口的QoS量测值,计算第k个时间窗口的QoS估计值;进一步依据所述第k个时间窗口的QoS估计值和QoS公告,计算所述第k个时间窗口的QoS公告可信度;最后依据第k个时间窗口的QoS公告可信度调节第k+1个时间窗口的大小,并以调节后的第k+1个时间窗口的大小为QoS预测周期执行后续预测。因此,本发明以时间窗口为周期,预测QoS公告,递推式聚合QoS量测数据得到QoS估计值,进而依据QoS估计值和QoS公告计算QoS公告可信度,并以计算得到的QoS公告可信度自适应调整时间窗口的大小。本发明不依赖于大量的历史QoS数据,运行效率高;且本发明在实现Web服务的QoS预测时,不依赖于服务消费者的反馈信息,解决了由预测数据源导致的预测准确性的问题;且同时,本发明还会依据计算得到的QoS公告可信度自适应调整时间窗口的大小,实现了预测准确度的自适应校准,提高了QoS公告的时效性,保证了Web服务的QoS预测方法的准确性。
基于前文本发明提供的一种Web服务的服务质量预测方法,本发明还提供一种Web服务的服务质量预测装置,该装置包括初始化的服务质量QoS估计值。装置的具体结构如图3所示,包括:第一计算单元100、第二计算单元200、第三计算单元300、调节单元400和执行单元500。其中,
第一计算单元100,用于在第k-1个时间窗口结束时,依据所述第k-1个时间窗口的QoS估计值计算得到第k个时间窗口的QoS公告;k为大于1的正整数;
第二计算单元200,用于依据所述QoS公告、第k个时间窗口的卡尔曼增益和第k个时间窗口的QoS量测值,计算所述第k个时间窗口的QoS估计值;
第三计算单元300,用于依据所述第k个时间窗口的QoS估计值和QoS公告,计算所述第k个时间窗口的QoS公告可信度;
调节单元400,用于依据所述第k个时间窗口的QoS公告可信度调节所述第k+1个时间窗口的大小;
执行单元500,用于以调节后的第k+1个时间窗口的大小为周期执行后续预测。
其中具体地,第一计算单元100计算第1个时间窗口的QoS公告时,具体用于在所述第1个时间窗口开始时,依据初始化的QoS估计值计算得到第1个时间窗口的QoS公告;
第一计算单元100计算第k个时间窗口的QoS公告时,具体用于利用公式计算所述第k个时间窗口的QoS公告
其中,为第k-1个时间窗口的QoS估计值,Fk为第k个时间窗口的QoS状态转换矩阵。
第二计算单元200具体用于,利用公式计算所述第k个时间窗口的QoS估计值
其中,Kk为第k个时间窗口的卡尔曼增益,zk为第k个时间窗口的QoS量测值。
此时本发明较优的,装置还可以包括:
第四计算单元600,用于利用公式计算所述第k个时间窗口的预测误差协方差矩阵其中,Pk-1为第k-1个时间窗口的估计误差协方差矩阵,Qk为第k个时间窗口的系统激励噪声协方差矩阵;
第五计算单元700,用于利用公式计算所述第k个时间窗口的卡尔曼增益Kk;
其中,Rk为第k个时间窗口的量测噪声协方差矩阵。
即本发明通过第四计算单元600和第五计算单元700实现第k个时间窗口的卡尔曼增益Kk的计算。
第三计算单元300具体用于,利用公式计算所述第k个时间窗口的QoS公告可信度Trustk;
其中,n为QoS指标个数。
调节单元400包括:判断子单元401和调节子单元402。其中,
判断子单元401,用于判断所述第k个时间窗口的QoS公告可信度是否小于阈值;
调节子单元402,用于在所述判断子单元401判断所述第k个时间窗口的QoS公告可信度小于阈值时,减小所述第k+1个时间窗口;在所述判断子单元401判断所述第k个时间窗口的QoS公告可信度不小于阈值时,保持或增大所述第k+1个时间窗口。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种Web服务的服务质量预测方法和装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (2)
1.一种Web服务的服务质量预测方法,其特征在于,所述方法包括:
在第k-1个时间窗口结束时,依据所述第k-1个时间窗口的QoS估计值计算得到第k个时间窗口的QoS公告;k为大于1的正整数;所述QoS公告为对第k个时间窗口内QoS真实值的先验预测值;
依据所述QoS公告、第k个时间窗口的卡尔曼增益和第k个时间窗口的QoS量测值,计算所述第k个时间窗口的QoS估计值;
依据所述第k个时间窗口的QoS估计值和QoS公告,计算所述第k个时间窗口的QoS公告可信度;所述QoS公告可信度为所述第k个时间窗口内QoS公告与QoS估计值的一致性大小;
依据所述第k个时间窗口的QoS公告可信度调节第k+1个时间窗口的大小;
以调节后的第k+1个时间窗口的大小为QoS预测周期执行后续预测;
其中,当计算第1个时间窗口的QoS公告时,所述在第k-1个时间窗口结束时,依据所述第k-1个时间窗口的QoS估计值计算得到第k个时间窗口的QoS公告包括:在所述第1个时间窗口开始时,依据初始化的QoS估计值计算得到第1个时间窗口的QoS公告;
当计算除第1个时间窗口外的其他时间窗口的QoS公告时,所述在第k-1个时间窗口结束时,依据所述第k-1个时间窗口的QoS估计值计算得到第k个时间窗口的QoS公告包括:利用公式计算所述第k个时间窗口的QoS公告其中,为第k-1个时间窗口的QoS估计值,Fk为第k个时间窗口的QoS状态转换矩阵;
其中,所述依据所述QoS公告、第k个时间窗口的卡尔曼增益和第k个时间窗口的QoS量测值,计算所述第k个时间窗口的QoS估计值包括:
利用公式计算所述第k个时间窗口的QoS估计值其中,Kk为第k个时间窗口的卡尔曼增益,zk为第k个时间窗口的QoS量测值;
其中,所述第k个时间窗口的卡尔曼增益Kk的计算方法包括:
利用公式Pk -=FkPk-1FT+Qk,计算所述第k个时间窗口的预测误差协方差矩阵Pk -;其中,Pk-1为第k-1个时间窗口的估计误差协方差矩阵,Qk为第k个时间窗口的系统激励噪声协方差矩阵;
利用公式Kk=Pk -(Pk -+Rk)-1,计算所述第k个时间窗口的卡尔曼增益Kk;
其中,Rk为第k个时间窗口的量测噪声协方差矩阵;
其中,所述依据所述第k个时间窗口的QoS估计值和QoS公告,计算所述第k个时间窗口的QoS公告可信度包括:
利用公式计算所述第k个时间窗口的QoS公告可信度Trustk;其中,n为QoS指标个数;
其中,所述依据所述第k个时间窗口的QoS公告可信度调节第k+1个时间窗口的大小包括:
判断所述第k个时间窗口的QoS公告可信度是否小于阈值;
如果小于,减小所述第k+1个时间窗口;
如果不小于,保持或增大所述第k+1个时间窗口。
2.一种Web服务的服务质量预测装置,其特征在于,所述装置包括:
第一计算单元,用于在第k-1个时间窗口结束时,依据所述第k-1个时间窗口的QoS估计值计算得到第k个时间窗口的QoS公告;k为大于1的正整数;所述QoS公告为对第k个时间窗口内QoS真实值的先验预测值;
第二计算单元,用于依据所述QoS公告、第k个时间窗口的卡尔曼增益和第k个时间窗口的QoS量测值,计算所述第k个时间窗口的QoS估计值;
第三计算单元,用于依据所述第k个时间窗口的QoS估计值和QoS公告,计算所述第k个时间窗口的QoS公告可信度;所述QoS公告可信度为所述第k个时间窗口内QoS公告与QoS估计值的一致性大小;
调节单元,用于依据所述第k个时间窗口的QoS公告可信度调节第k+1个时间窗口的大小;
执行单元,用于以调节后的第k+1个时间窗口的大小为周期执行后续预测;
其中,所述第一计算单元计算第1个时间窗口的QoS公告时,具体用于在所述第1个时间窗口开始时,依据初始化的QoS估计值计算得到第1个时间窗口的QoS公告;
所述第一计算单元计算第k个时间窗口的QoS公告时,具体用于利用公式计算所述第k个时间窗口的QoS公告其中,为第k-1个时间窗口的QoS估计值,Fk为第k个时间窗口的QoS状态转换矩阵;
其中,所述第二计算单元具体用于,利用公式计算所述第k个时间窗口的QoS估计值其中,Kk为第k个时间窗口的卡尔曼增益,zk为第k个时间窗口的QoS量测值;
其中,所述装置还包括:
第四计算单元,用于利用公式Pk -=FkPk-1FT+Qk,计算所述第k个时间窗口的预测误差协方差矩阵Pk -;其中,Pk-1为第k-1个时间窗口的估计误差协方差矩阵,Qk为第k个时间窗口的系统激励噪声协方差矩阵;
第五计算单元,用于利用公式Kk=Pk -(Pk -+Rk)-1,计算所述第k个时间窗口的卡尔曼增益Kk;
其中,Rk为第k个时间窗口的量测噪声协方差矩阵;
其中,所述第三计算单元具体用于,利用公式计算所述第k个时间窗口的QoS公告可信度Trustk;其中,n为QoS指标个数;
其中,所述调节单元包括:
判断子单元,用于判断所述第k个时间窗口的QoS公告可信度是否小于阈值;
调节子单元,用于在所述判断子单元判断所述第k个时间窗口的QoS公告可信度小于阈值时,减小所述第k+1个时间窗口;在所述判断子单元判断所述第k个时间窗口的QoS公告可信度不小于阈值时,保持或增大所述第k+1个时间窗口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510466828.0A CN105071961B (zh) | 2015-07-30 | 2015-07-30 | 一种Web服务的服务质量预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510466828.0A CN105071961B (zh) | 2015-07-30 | 2015-07-30 | 一种Web服务的服务质量预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105071961A CN105071961A (zh) | 2015-11-18 |
CN105071961B true CN105071961B (zh) | 2018-12-14 |
Family
ID=54501248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510466828.0A Active CN105071961B (zh) | 2015-07-30 | 2015-07-30 | 一种Web服务的服务质量预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105071961B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106357437B (zh) * | 2016-08-31 | 2019-07-12 | 河海大学 | 一种基于多元时间序列的Web Service QoS预测方法 |
CN111262749B (zh) | 2018-11-30 | 2023-05-23 | 华为技术有限公司 | 一种检测网络可靠性的方法及设备 |
DE102019204943A1 (de) * | 2019-04-05 | 2020-10-08 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum teleoperierten Fahren eines Fahrzeuges |
CN115155044A (zh) * | 2022-07-13 | 2022-10-11 | 杭州光粒科技有限公司 | 一种确定游泳转身时间的方法、装置、设备及介质 |
CN117873838B (zh) * | 2024-03-12 | 2024-05-24 | 武汉众诚华鑫科技有限公司 | 一种电信设备环境温度监控方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103647673A (zh) * | 2013-12-24 | 2014-03-19 | 博元森禾信息科技(北京)有限公司 | Web服务的服务质量QoS预测方法和装置 |
CN103840985A (zh) * | 2014-02-28 | 2014-06-04 | 浙江大学 | 基于用户邻域的Web Service服务质量预测方法及装置 |
CN104270281A (zh) * | 2014-09-03 | 2015-01-07 | 河海大学 | 一种Web Service QoS组合预测方法 |
CN104579850A (zh) * | 2015-01-27 | 2015-04-29 | 北京邮电大学 | 移动互联网环境下Web服务的服务质量QoS预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8560490B2 (en) * | 2010-02-22 | 2013-10-15 | International Business Machines Corporation | Collaborative networking with optimized inter-domain information quality assessment |
-
2015
- 2015-07-30 CN CN201510466828.0A patent/CN105071961B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103647673A (zh) * | 2013-12-24 | 2014-03-19 | 博元森禾信息科技(北京)有限公司 | Web服务的服务质量QoS预测方法和装置 |
CN103840985A (zh) * | 2014-02-28 | 2014-06-04 | 浙江大学 | 基于用户邻域的Web Service服务质量预测方法及装置 |
CN104270281A (zh) * | 2014-09-03 | 2015-01-07 | 河海大学 | 一种Web Service QoS组合预测方法 |
CN104579850A (zh) * | 2015-01-27 | 2015-04-29 | 北京邮电大学 | 移动互联网环境下Web服务的服务质量QoS预测方法 |
Non-Patent Citations (1)
Title |
---|
《一种轻量级的Web服务QoS预测机制》;李国盛等;《计算机应用研究》;20161130;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105071961A (zh) | 2015-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105071961B (zh) | 一种Web服务的服务质量预测方法和装置 | |
US10803407B2 (en) | Method for selecting learned model corresponding to sensing data and provisioning selected learned model, and learned model provision device | |
CN106471851B (zh) | 基于学习模型的设备定位 | |
Bernard et al. | Using artificial neural networks to identify learning styles | |
CN110995487B (zh) | 多服务质量预测方法、装置、计算机设备及可读存储介质 | |
Melosi | Estimating models with dispersed information | |
US20160275533A1 (en) | Segment Membership Determination for Content Provisioning | |
CN104346926B (zh) | 行驶时间预测方法和装置、以及相关终端设备 | |
JP2021509492A (ja) | 当事者の間の戦略的対話における戦略探索 | |
CN105488307B (zh) | 基于北斗的边坡监测预警系统评价方法 | |
Österlind et al. | Enterprise architecture evaluation using utility theory | |
Fingleton et al. | Endogeneity in a spatial context: properties of estimators | |
CN113379059A (zh) | 用于量子数据分类的模型训练方法以及量子数据分类方法 | |
Mao et al. | Improved extreme learning machine and its application in image quality assessment | |
Rattso | Aggregate local public sector investment and shocks: Norway 1946-1990 | |
CN105786626B (zh) | 基于K划分的Storm平台线程分配方法 | |
CN116668450A (zh) | 一种基于区块链的边缘计算多维信任评估方法和系统 | |
CN105260245B (zh) | 一种资源调度方法及装置 | |
US11893543B2 (en) | Optimized automatic consensus determination for events | |
TW202139625A (zh) | 由通訊網路中的電子裝置進行的方法、以及用於通訊網路中的電子裝置 | |
CN114723071B (zh) | 一种基于客户端分类和信息熵的联邦学习方法及装置 | |
US11636377B1 (en) | Artificial intelligence system incorporating automatic model updates based on change point detection using time series decomposing and clustering | |
CN106096029A (zh) | 一种基于用户双向关系的推荐方法 | |
CN104883366B (zh) | 利用用户实时反馈信息更新Web服务可靠性预测值的方法 | |
CN109992391B (zh) | 连接管理方法和系统 |
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 |