CN106027317A - 信任感知的Web服务质量预测系统及方法 - Google Patents

Abstract

本发明所设计的信任感知的Web服务质量预测系统，它的输入数据处理模块的输出端连接QoS数据库，QoS数据库的第一数据输出端连接可信邻居挖掘模块，QoS数据库的第二数据输出端连接用户信誉度计算模块，QoS数据库的第三数据输出端连接相似服务挖掘模块，用户信誉度计算模块的第一数据输出端连接可信邻居挖掘模块，用户信誉度计算模块的第二数据输出端连接相似服务挖掘模块，可信邻居挖掘模块的数据输出端连接QoS预测模块，相似服务挖掘模块的数据输出端连接QoS预测模块。本发明有效地保证了Web服务QoS预测过程中采用的QoS数据的可信性。

Description

信任感知的Web服务质量预测系统及方法

技术领域

本发明涉及面向服务计算和云计算技术领域，具体地指一种信任感知的Web服务质量预测系统及方法。

技术背景

Web服务是由通用资源标识符(URI)标记的一种软件系统，其公共接口和绑定方法由可扩展标记语言(XML，Extensible Markup Language)进行定义和描述，并且其它软件系统可根据Web服务的描述对其进行发现以及通过Internet协议与其交换基于XML的消息。简言之，Web服务是一种自描述、自包含、平台独立和松散耦合的分布式应用，由于建立一系列基于XML的开放标准和协议基础上，使得Web服务可在网络中被描述、发布、发现、绑定和调用等。Web服务技术作为一种新型的分布式计算模型，近年来被广泛用于跨地区、跨组织和跨系统的异构信息系统综合集成，以及基于互联网的面向服务应用系统的构建。

随着面向服务计算技术、云计算和大数据等技术的发展，网络中出现大量功能相似的Web服务，服务质量(QoS，Quality of Service)成为用户在消费Web服务时应考虑的重要因素，也是服务供应商用于推销其Web服务的主要卖点。QoS是一组用于描述Web服务非功能性特征的属性，包括响应时间、吞吐量、可靠性和可用性等。在实际应用中，由于受不同用户的网络状况、地理位置等客观因素影响，部分依赖于用户的QoS属性(如响应时间、吞吐量等)会表现出较强的用户差异性，因此为了辅助用户选取性能优异的Web服务来构建高质量应用，个性化的Web服务QoS预测显得尤为重要。近年来，由于协同过滤技术在亚马逊、YouTube和Netfix等商业推荐系统取得了较大成功，许多学者提出将协同过滤技术应用于Web服务的QoS个性化预测。协同过滤技术采用相似用户或相似服务的历史QoS数据来为当前用户预测目标服务的未知QoS。虽然目前许多基于协同过滤的QoS预测方法一定程度上提升了预测准确度，但普遍忽略了QoS数据的可信性问题。现有方法通常假设系统中的用户都是可信的，并且会提交可靠的QoS反馈数据。然而不可信用户在大多数推荐系统中普遍存在，这些用户可能会为了谋取不法利益而故意抬高合作方的服务或故意贬低竞争方的服务，因此历史QoS数据中混杂了这些不可信用户提交的虚假数据。在不可信数据条件下，现有的QoS预测方法普遍表现出QoS预测准确度较低的问题，无法为用户提供高质量的Web服务推荐。

发明内容

本发明的目的就是要提供一种信任感知的Web服务质量预测系统及方法，该系统和方法能有效提升在不可信QoS数据条件下QoS预测的准确度以及实现高质量的Web服务推荐。

为实现此目的，本发明所设计的信任感知的Web服务质量预测系统，其特征在于：它包括输入数据处理模块、QoS数据库、可信邻居挖掘模块、用户信誉度计算模块、相似服务挖掘模块和QoS预测模块，其中，所述输入数据处理模块的数据输入端用于接收用户反馈的QoS信息，输入数据处理模块的数据输出端连接QoS数据库的数据输入端，QoS数据库的第一数据输出端连接可信邻居挖掘模块的数据输入端，QoS数据库的第二数据输出端连接用户信誉度计算模块的输入端，QoS数据库的第三数据输出端连接相似服务挖掘模块的输入端，用户信誉度计算模块的第一数据输出端连接可信邻居挖掘模块的数据输入端，用户信誉度计算模块的第二数据输出端连接相似服务挖掘模块的数据输入端，可信邻居挖掘模块的数据输出端连接QoS预测模块的数据输入端，相似服务挖掘模块的数据输出端连接QoS预测模块的数据输入端，QoS预测模块的数据输出端用于向用户推荐Web服务。

一种利用上述系统进行信任感知的Web服务质量预测的方法，其特征在于它包括如下步骤：

步骤1：各个用户将QoS反馈数据传输给数据处理模块，数据处理模块对QoS反馈数据进行规范化处理得到统一格式的QoS数据，并将统一格式的QoS数据传输给QoS数据库，QoS数据库将统一格式的QoS数据传输给用户信誉度计算模块，用户信誉度计算模块采用K-means聚类算法对不同用户提交的QoS反馈数据进行聚类，并识别出每个Web服务上的可信用户簇；进而，根据用户在每个Web服务上的QoS反馈与该服务上的可信用户簇的偏离程度，对用户的QoS反馈数据进行分类；最后，根据用户的反馈分类信息，采用Beta概率密度函数动态评估用户的信誉度；

步骤2：QoS数据库将统一格式的QoS数据传输给可信邻居挖掘模块，用户信誉度计算模块将计算的用户信誉度传输给可信邻居挖掘模块，可信邻居挖掘模块采用皮尔森相关系数计算用户间的相似度，并结合在步骤1中得到的用户信誉度，识别出当前用户的一组可信邻居；然后利用可信邻居的QoS数据为当前用户预测目标服务的未知QoS数据；

步骤3：QoS数据库将统一格式的QoS数据传输给相似服务挖掘模块，用户信誉度计算模块将计算的用户信誉度数据传输给相似服务挖掘模块，相似服务挖掘模块将计算的用户信誉度数据与预设的用户信誉度阈值进行比较，对信誉度高于预设的用户信誉度阈值的用户所提交的不同Web服务QoS数据，采用K-means聚类算法进行聚类，然后根据不同Web服务被聚类为同一簇的频度，计算Web服务间的相似度，最后识别出目标服务的一组相似服务，并利用相似服务的QoS数据预测该目标服务的QoS数据；

步骤4：可信邻居挖掘模块将为当前用户预测目标服务的QoS数据传输给QoS预测模块，相似服务挖掘模块将预测目标服务的QoS数据传输给QoS预测模块，QoS预测模块利用加权法对步骤2的目标服务的QoS预测值和步骤3的目标服务的QoS预测值进行综合，为当前用户预测目标服务未知QoS的最终值，并将QoS预测值最优的单个服务或一组Web服务推荐给当前用户。

本发明采用无监督K-means聚类算法和Beta概率分布来动态计算反馈用户的信誉度，有效地保证了Web服务QoS预测过程中采用的QoS数据的可信性，该方法可有效提升QoS预测方法的鲁棒性。本发明充分利用了可信邻居和相似服务的QoS数据，保证了QoS预测方法的准确度和可靠性，将大大提升不可信数据条件下的Web服务推荐的质量。

附图说明

图1为本发明工作时的系统框架结构示意图。

图中，1—输入数据处理模块、2—QoS数据库、3—可信邻居挖掘模块、4—用户信誉度计算模块、5—相似服务挖掘模块、6—QOS预测模块。

具体实施方式

以下结合附图和具体实施例对本发明作进一步的详细说明：

一种信任感知的Web服务质量预测系统，如图1所示，它包括输入数据处理模块1、QoS数据库2、可信邻居挖掘模块3、用户信誉度计算模块4、相似服务挖掘模块5和QoS预测模块6，其中，所述输入数据处理模块1的数据输入端用于接收用户反馈的QoS信息，输入数据处理模块1的数据输出端连接QoS数据库2的数据输入端，QoS数据库2的第一数据输出端连接可信邻居挖掘模块3的数据输入端，QoS数据库2的第二数据输出端连接用户信誉度计算模块4的输入端，QoS数据库2的第三数据输出端连接相似服务挖掘模块5的输入端，用户信誉度计算模块4的第一数据输出端连接可信邻居挖掘模块3的数据输入端，用户信誉度计算模块4的第二数据输出端连接相似服务挖掘模块5的数据输入端，可信邻居挖掘模块3的数据输出端连接QoS预测模块6的数据输入端，相似服务挖掘模块5的数据输出端连接QoS预测模块6的数据输入端，QoS预测模块6的数据输出端用于向用户推荐Web服务。

本系统在工作时，如图1所示，用户通过网络调用远程服务器上的Web服务，并将观测到的QoS数据反馈给信任感知的Web服务质量预测系统，输入数据处理模块1对收集到的用户反馈数据进行处理，然后提交给QoS数据库2进行存储，用户信誉度计算模块4根据收集到的用户反馈数据计算用户的信誉度；可信邻居挖掘模块3和相似服务挖掘模块5根据收集到的用户反馈数据和计算得到的用户信誉度，识别出一组可信邻居和相似服务；QoS预测模块6为当前用户预测目标服务的未知QoS，并将QoS最优的一个或一组Web服务推荐给当前用户。

一种利用上述系统进行信任感知的Web服务质量预测的方法，它通过挖掘一组可信邻居和相似服务来为当前用户预测目标Web服务的未知服务质量，以实现高质量的Web服务推荐，首先通过对反馈用户聚类以识别出每个服务上的可信用户簇，然后对用户提交的反馈数据进行分类，其次根据用户反馈分类信息，采用Beta概率密度函数动态计算用户的信誉度，进而结合用户信誉度和用户间的皮尔森相似度来挖掘出当前用户的一组可信邻居，同时通过对服务的聚类挖掘出目标服务的一组相似服务，最后利用可信邻居和相似服务的QoS数据实现高质量的QoS预测，该方法效率高、预测精度高、鲁棒性强，可实现在不可信QoS数据条件下的高质量服务推荐；该方法的具体步骤为：

步骤1：各个用户将QoS反馈数据传输给数据处理模块1，数据处理模块1对QoS反馈数据进行规范化处理得到统一格式的QoS数据，并将统一格式的QoS数据传输给QoS数据库2，QoS数据库2将统一格式的QoS数据传输给用户信誉度计算模块4，用户信誉度计算模块4采用K-means聚类算法对不同用户提交的QoS反馈数据进行聚类，并识别出每个Web服务上的可信用户簇；进而，根据用户在每个Web服务上的QoS反馈与该服务上的可信用户簇的偏离程度，对用户的QoS反馈数据进行分类；最后，根据用户的反馈分类信息，采用Beta概率密度函数动态评估用户的信誉度；

步骤2：QoS数据库2将统一格式的QoS数据传输给可信邻居挖掘模块3，用户信誉度计算模块4将计算的用户信誉度传输给可信邻居挖掘模块3，可信邻居挖掘模块3采用皮尔森相关系数(PCC,Pearson Correlation Coefficient)计算用户间的相似度，并结合在步骤1中得到的用户信誉度，识别出当前用户的一组可信邻居；然后利用可信邻居的QoS数据为当前用户预测目标服务的未知QoS数据；

步骤3：QoS数据库2将统一格式的QoS数据传输给相似服务挖掘模块5，用户信誉度计算模块4将计算的用户信誉度数据传输给相似服务挖掘模块5，相似服务挖掘模块5将计算的用户信誉度数据与预设的用户信誉度阈值进行比较，对信誉度高于预设的用户信誉度阈值的用户所提交的不同Web服务QoS数据，采用K-means聚类算法进行聚类，然后根据不同Web服务被聚类为同一簇的频度，计算Web服务间的相似度，最后识别出目标服务的一组相似服务，并利用相似服务的QoS数据预测该目标服务的QoS数据；

步骤4：可信邻居挖掘模块3将为当前用户预测目标服务的QoS数据传输给QoS预测模块6，相似服务挖掘模块5将预测目标服务的QoS数据传输给QoS预测模块6，QoS预测模块6利用加权法对步骤2的目标服务的QoS预测值和步骤3的目标服务的QoS预测值进行综合，为当前用户预测目标服务未知QoS的最终值，并将QoS预测值最优的单个服务或一组Web服务推荐给当前用户。

上述技术方案的步骤1中，WSDream是一组公开的Web服务QoS数据集，其记录了现实中339个不同用户对5825个Web服务的QoS调用数据，通过对WSDream中QoS数据的统计，约有91％的Web服务响应时间分布在[0,2]的范围内，因此认为虽然不同用户体验到的服务QoS各不相同，但大多数服务的QoS普遍分布在某个规范的区域内，换言之，偏离服务的规范QoS值的异常观测样本出现的概率很低，因此可以认为，假如某个用户经常提交与其他用户偏离程度较大的QoS反馈，则该用户很大概率上为不可信用户，基于上述观点，下面介绍通过基于用户的聚类来评估用户的信誉度；

用户信誉度计算模块4采用K-means聚类算法对不同用户提交的QoS反馈数据进行聚类，并识别出每个Web服务上的可信用户簇的具体方法为：

QoS预测系统中包含m个用户和n个服务，用户对服务的QoS历史调用信息可以表示为一个m×n矩阵R，其中任意项R_ij表示用户u_i调用服务s_j后观测到的QoS值，如果用户u_i之前未调用过服务s_j，则R_ij＝null，QoS预测系统的目标就是通过矩阵中已有的数据项来预测这些缺失的数据项，为了评估用户的可信性，首先采用K-means聚类算法对不同用户提交的QoS反馈数据进行聚类，对于服务s_j，通过最小化式1来对调用过该服务的所有用户进行聚类。

$J=\underset{k=1}{\overset{K_u}{\Σ}}\underset{R_{ij}\∈C_j^k}{\Σ}\left|\right|R_{ij}-{\mathrm{\μ}}_j^k|{|}^2---\left(1\right)$

其中，J为对用户进行聚类的目标函数，K_u表示用户被聚类后的簇数量，表示服务s_j上的第k个簇,是第k个簇的中心,k(1≤k≤K_u)是簇的编号；

完成以上聚类过程后，用户将被聚类为若干个簇，处于同一簇中的用户具有更高的相似性；

由于一般系统中的大多数用户为可信的，因此将包含最多元素的用户簇定义为可信用户簇，可信用户簇可由式(2)表示：

$U_j^{\max }=\left\{u\right|u\∈C_j^i,i=\underset{k}{\mathrm{argmax}}\left|C_j^k\right|\}---\left(2\right)$

其中表示服务s_j上的第k个簇的用户数量，i表示包含最多元素的用户簇的编号，u表示用户簇中的用户，由于可信用户簇反映了大多数用户的观测值，因此可信用户簇中的QoS数据为最接近服务s_j的规范QoS值。如前所述，一个偏离服务的规范QoS值的异常观测样本一般很少出现，因此采用可信用户簇将用户的反馈数据分为两类：积极反馈和消极反馈，积极反馈表示用户反馈的数据与大多数用户相似，消极反馈表示用户反馈的数据与大多数用户都不一致。

上述技术方案的步骤1中，根据用户在每个Web服务上的QoS反馈与该服务上的可信用户簇的偏离程度，对用户的QoS反馈数据进行分类的具体方法为：如前所述，一个偏离服务的规范QoS值的异常观测样本一般很少出现，因此采用可信用户簇将用户的反馈数据分为积极反馈和消极反馈，积极反馈表示用户反馈的数据与50％以上用户相似，消极反馈表示用户反馈的数据与50％以上的用户都不一致；

由于不同用户观测到的Web服务的QoS值服从高斯分布N(μ,σ²)，其中μ和σ分别是QoS数据的均值和标准差，由高斯分布的3-σ准则可知，某个QoS观测样本落入(μ-3σ,μ+3σ)区域的概率为99.7％，因此用户u_i观测到的服务s_j的QoS值的概率P满足式(3)，上述概率p是为了反映出现异常值的概率很低，假如出现了可以认为是消极反馈，即为式(4)的分类提供依据：

$P({\mathrm{\&mu;}}_j^{\max }-3{\mathrm{\&sigma;}}_j^{\max }<R_{ij}\&le;{\mathrm{\&mu;}}_j^{\max }+3{\mathrm{\&sigma;}}_j^{\max })=99.7\%---\left(3\right)$

其中表示服务s_j上的可信用户簇的簇中心，表示服务s_j上的可信用户簇的标准差，在式(3)中，采用可信用户簇的数据而不是系统中整个用户的数据来评估，是因为系统中包含的不可信用户会导致评估出现偏差；

在式(3)基础上，采用式(4)将用户反馈分类为积极反馈或消极反馈，

$R_{ij}=\left\{\begin{array}{ccc}Positive,& if& \left|R_{ij}-{\mathrm{\&mu;}}_j^{\max }\right|\&le;3{\mathrm{\&sigma;}}_j^{\max }\\ Negative,& if& \left|R_{ij}-{\mathrm{\&mu;}}_j^{\max }\right|>3{\mathrm{\&sigma;}}_j^{\max }\end{array}\right.---\left(4\right)$

当所有的用户反馈数据都被分类后，每个用户的QoS反馈信息可以表示为一个反馈向量：

在上式中F_i表示用户u_i的反馈向量,p_i表示u_i提交的积极反馈的数量，n_i表示u_i提交的消极反馈的数量。

上述技术方案的步骤1中，根据用户的反馈分类信息，采用Beta概率密度函数动态评估用户的信誉度的具体方法为：

如下式(6)为Beta概率分布的表达式：

$beta\left(p_1\right|\mathrm{\&alpha;},\mathrm{\&beta;})=\frac{\mathrm{\&Gamma;}(\mathrm{\&alpha;}+\mathrm{\&beta;})}{\mathrm{\&Gamma;}\left(\mathrm{\&alpha;}\right)\mathrm{\&Gamma;}\left(\mathrm{\&beta;}\right)}{p_1}^{\mathrm{\&alpha;}-1}{(1-p_1)}^{\mathrm{\&beta;}-1}---\left(6\right)$

其中P₁表示用户未来会提交积极反馈的概率，α和β为Beta分布的两个参数，它们满足0≤p₁≤1，α,β＞0，假如α＜1，则随机变量p₁≠0，当β＜1时，则随机变量p₁≠1，Γ为伽马函数，Beta分布的期望值可由式(7)表示：

E(p)＝α/(α+β) (7)

当户u_i的反馈向量F_i包含p_i个积极反馈和n_i个消极反馈时，用户u_i未来会提供积极反馈的概率密度函数可表示为其过去所提供的反馈数据的函数，即通过更新参数α和β得到新的Beta分布：

α＝p_i+1β＝n_i+1,其中p_i,n_i≥0 (8)

当获取了用户u_i的反馈向量F_i时，用户u_i的后验信誉值可通过结合其先验信誉值和新观测到的反馈数据而计算得到：

$\mathrm{Re}p\left(u_i\right)=E\left(beta\right(p|p_i+1,n_i+1\left)\right)=\frac{p_i+1}{p_i+n_i+2}---\left(9\right)$

其中Rep(u_i)为用户u_i的信誉值,取值范围为[0,1]。

上述技术方案的步骤2中可信邻居挖掘模块3采用皮尔森相关系数计算用户间的相似度，并结合在步骤1中得到的用户信誉度，识别出当前用户的一组可信邻居的具体方法为：

用户间的信任值表示一个用户多大程度上可以信任另一个用户的QoS反馈数据。用户对一个实体的信任可以源于用户对该实体的直接经验也可以源于该实体的信誉度，根据用户对共同调用的Web服务上的QoS反馈数据的皮尔森相似性来评估用户的直接经验，然后结合用户信誉度来评估用户间的信任值，用户间的PCC相似度可由式(10)计算得到：

$Sim(u_i,u_a)=\frac{\underset{j\&Element;S_{ia}}{\&Sigma;}(R_{ij}-\stackrel{\&OverBar;}{R_i})(R_{aj}-\stackrel{\&OverBar;}{R_a})}{\sqrt{\underset{j\&Element;S_{ia}}{\&Sigma;}{(R_{ij}-\stackrel{\&OverBar;}{R_i})}^2}\sqrt{\underset{j\&Element;S_{ia}}{\&Sigma;}{(R_{aj}-\stackrel{\&OverBar;}{R_a})}^2}}---\left(10\right)$

其中Sim(u_i,u_a)是用户u_i和u_a间的相似度，取值范围为[-1,1],值越大表示越相似，R_aj为用户u_a调用服务s_j时体验到的QoS服务，j为QoS服务的编号，S_ia＝S_i∩S_a是用户u_i和u_a共同调用过的Web服务的集合，R_ij是用户u_i调用服务s_j时体验到的QoS，和分别表示用户u_i和u_a观测到的不同服务的平均QoS值；

用户u_i和u_a间的信任值可通过结合它们的相似度和u_a的信誉度计算得到：

$T(u_i,u_a)=\frac{2\&times;\mathrm{Re}p\left(u_a\right)\&times;\left|Sim(u_i,u_a)\right|}{\mathrm{Re}p\left(u_a\right)+\left|Sim(u_i,u_a)\right|}---\left(11\right)$

其中T(u_i,u_a)是用户u_i和u_a间的信任值，表示u_i多大程度上信任u_a的反馈数据；Rep(u_a)是用户u_a的信誉度，Sim(u_i,u_a)是用户u_i和u_a间的相似度，从上式可知信任值T(u_i,u_a)取值范围为[0,1]，值越大表示用户u_i越信任用户u_a的QoS反馈数据；

当所有用户间的信任值都被评估后，可通过式(12)为用户u_i识别出一组可信邻居S(u_i)：

S(u_i)＝{u_a|u_a∈U,T(u_i,u_a)≥0.5,u_a≠u_i} (12)

其中U为QoS预测系统中的用户集，由上式可知信任值≥0.5的用户被认为是可信邻居。

上述技术方案的步骤2中，利用可信邻居的QoS数据为当前用户预测目标服务的未知QoS数据的具体方法为：根据式(13)使用可信邻居的QoS数据为当前用户的未知QoS数据进行预测：

$R_{ij}^u=\stackrel{\&OverBar;}{R_i}+\frac{\underset{u_a\&Element;S\left(u_i\right)}{\&Sigma;}T(u_i,u_a)(R_{aj}-\stackrel{\&OverBar;}{R_a})}{\underset{u_a\&Element;S\left(u_i\right)}{\&Sigma;}T(u_i,u_a)}---\left(13\right)$

其中表示用户u_i调用服务s_j的QoS预测值，是u_i观测到的不同服务的QoS平均值，是可信邻居u_a观测到的不同服务的QoS平均值，R_aj为用户u_a调用服务s_j时体验到的QoS服务。

上述技术方案的步骤3中，采用K-means聚类算法进行聚类的具体方法为：对于用户u_i，通过最小化式(14)来对它调用过的Web服务进行聚类。

$J_1=\underset{k=1}{\overset{K_s}{\&Sigma;}}\underset{R_{ij}\&Element;C_i^k}{\&Sigma;}\left|\right|R_{ij}-{\mathrm{\&mu;}}_i^k|{|}^2---\left(14\right)$

其中J₁为服务聚类的目标函数，表示用户u_i上的第k个服务簇,是用户u_i上的第k个服务簇的中心，k(1≤k≤K_s)是簇的编号；完成以上聚类过程后,服务将被聚类为若干个簇，处于同一个簇内的服务具有更高的相似性；

步骤3中，根据不同Web服务被聚类为同一簇的频度，计算Web服务间的相似度的具体方法为：

为了评估服务间的相似度，对每个高信誉用户在不同服务上的QoS反馈数据进行聚类，然后根据不同服务被聚类为同一簇的频度计算服务间的相似度，为了评估服务间的相似度，我们对每个高信誉用户在不同服务上的QoS反馈数据进行聚类，然后根据不同服务被聚类为同一簇的频度计算服务间的相似度，服务s_j和s_r被聚类为同一簇的次数可表示为：

$f(s_j,s_r)=\underset{i\&Element;U_w}{\&Sigma;}{I}_i(s_j,s_r)---\left(15\right)$

其中f(s_j,s_r)是服务s_j和s_r在高信誉用户上被聚类为同一簇的次数，其中信誉度≥0.5的用户被为高信誉用户，i是用户的编号，I_i(s_j,s_r)是一个指示函数，当服务s_j和s_r在用户u_i上被聚类为同一簇时I_i(s_j,s_r)取值为1，否则取值为0；U_w是高信誉用户集，由式(16)定义：

U_w＝{u_i|u_i∈U,Rep(u_i)≥0.5} (16)

其中U是QoS预测系统中的用户集，Rep(u_i)是用户u_i的信誉度，从上式可知信誉度≥0.5的用户被视为高信誉用户；

当所有服务的QoS数据都被聚类后，服务间的相似度可由式(17)计算得到：

$Sim(s_j,s_r)=\frac{f(s_j,s_r)-f_{min}\left(s_j\right)}{f_{max}\left(s_j\right)-f_{\min }\left(s_j\right)}---\left(17\right)$

其中f_min(s_j)表示服务s_j与其它服务被聚类为同一簇的最少次数，f_max(s_j)表示服务s_j与其它服务被聚类为同一簇的最多次数，Sim(s_j,s_r)表示服务s_j和s_r间的相似度，其取值范围为[0,1]，值越高表示越相似，完成所有服务间的相似度计算后，选取Top-k个最相似的服务集S(s_j)作为服务s_j的邻居集，其中，Top-k表示最相似的K个；

上述技术方案的步骤3中，识别出目标服务的一组相似服务，利用相似服务的QoS数据预测该目标服务的QoS数据的具体方法为：利用目标服务s_j的邻居集S(s_j)的QoS数据来为s_j未知的QoS数据进行预测：

$R_{ij}^s=\frac{\underset{s_r\&Element;S\left(s_j\right)}{\&Sigma;}{R}_{ir}\&times;Sim(s_j,s_r)}{\underset{s_r\&Element;S\left(s_j\right)}{\&Sigma;}Sim(s_j,s_r)}---\left(18\right)$

其中，表示用户u_i调用服务s_j的QoS预测值，s_r是服务s_j的邻居，S(s_j)是服务s_j的邻居集，R_ir是用户u_i观测到的服务s_r的QoS值。

上述技术方案中，步骤1和步骤2介绍的基于用户的聚类方法可以为当前用户识别出一组可信邻居并利用他们的QoS数据进行预测，但是基于用户的聚类方法忽略了相似服务的信息。在步骤3中，采用基于服务的聚类方法来挖掘出目标服务的一组相似服务，用于提升QoS预测的准确度。

上述技术方案的步骤4中，QOS预测模块(6)利用加权法对步骤2的当前用户预测目标服务的未知QoS数据和步骤3的预测目标服务的QoS数据进行综合的具体方法为：通过调节参数λ来结合以上基于用户的聚类方法和基于服务的聚类方法的QoS预测结果，从而为当前用户准确地预测目标服务的未知QoS，最终的QoS预测值可由式(19)表示：

${\hat{R}}_{ij}=\mathrm{\&lambda;}\&times;R_{ij}^u+(1-\mathrm{\&lambda;})\&times;R_{ij}^s---\left(19\right)$

其中参数λ(0≤λ≤1)为调节参数，λ决定了最终的QoS预测值多大程度上依赖基于用户的聚类方法或基于服务的聚类方法，在上式中表示基于用户的聚类方法得到的QoS预测结果，表示基于服务的聚类方法得到的QoS预测结果，表示为当前活动用户预测的最终QoS值，最后，系统根据预测得到的所有候选Web服务的QoS值，来将QoS最优的一个或若干个Web服务推荐给当前活动用户。

本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (10)

1.一种信任感知的Web服务质量预测系统，其特征在于：它包括输入数据处理模块(1)、QoS数据库(2)、可信邻居挖掘模块(3)、用户信誉度计算模块(4)、相似服务挖掘模块(5)和QoS预测模块(6)，其中，所述输入数据处理模块(1)的数据输入端用于接收用户反馈的QoS信息，输入数据处理模块(1)的数据输出端连接QoS数据库(2)的数据输入端，QoS数据库(2)的第一数据输出端连接可信邻居挖掘模块(3)的数据输入端，QoS数据库(2)的第二数据输出端连接用户信誉度计算模块(4)的输入端，QoS数据库(2)的第三数据输出端连接相似服务挖掘模块(5)的输入端，用户信誉度计算模块(4)的第一数据输出端连接可信邻居挖掘模块(3)的数据输入端，用户信誉度计算模块(4)的第二数据输出端连接相似服务挖掘模块(5)的数据输入端，可信邻居挖掘模块(3)的数据输出端连接QoS预测模块(6)的数据输入端，相似服务挖掘模块(5)的数据输出端连接QoS预测模块(6)的数据输入端，QoS预测模块(6)的数据输出端用于向用户推荐Web服务。

2.一种利用权利要求1所述系统进行信任感知的Web服务质量预测的方法，其特征在于它包括如下步骤：

步骤1：各个用户将QoS反馈数据传输给数据处理模块(1)，数据处理模块(1)对QoS反馈数据进行规范化处理得到统一格式的QoS数据，并将统一格式的QoS数据传输给QOS数据库(2)，QoS数据库(2)将统一格式的QoS数据传输给用户信誉度计算模块(4)，用户信誉度计算模块(4)采用K-means聚类算法对不同用户提交的QoS反馈数据进行聚类，并识别出每个Web服务上的可信用户簇；进而，根据用户在每个Web服务上的QoS反馈与该服务上的可信用户簇的偏离程度，对用户的QoS反馈数据进行分类；最后，根据用户的反馈分类信息，采用Beta概率密度函数动态评估用户的信誉度；

步骤2：QOS数据库(2)将统一格式的QoS数据传输给可信邻居挖掘模块(3)，用户信誉度计算模块(4)将计算的用户信誉度传输给可信邻居挖掘模块(3)，可信邻居挖掘模块(3)采用皮尔森相关系数计算用户间的相似度，并结合在步骤1中得到的用户信誉度，识别出当前用户的一组可信邻居；然后利用可信邻居的QoS数据为当前用户预测目标服务的未知QoS数据；

步骤3：QoS数据库(2)将统一格式的QoS数据传输给相似服务挖掘模块(5)，用户信誉度计算模块(4)将计算的用户信誉度数据传输给相似服务挖掘模块(5)，相似服务挖掘模块(5)将计算的用户信誉度数据与预设的用户信誉度阈值进行比较，对信誉度高于预设的用户信誉度阈值的用户所提交的不同Web服务QoS数据，采用K-means聚类算法进行聚类，然后根据不同Web服务被聚类为同一簇的频度，计算Web服务间的相似度，最后识别出目标服务的一组相似服务，并利用相似服务的QoS数据预测该目标服务的QoS数据；

步骤4：可信邻居挖掘模块(3)将为当前用户预测目标服务的QoS数据传输给QOS预测模块(6)，相似服务挖掘模块(5)将预测目标服务的QoS数据传输给QOS预测模块(6)，QoS预测模块(6)利用加权法对步骤2的目标服务的QoS预测值和步骤3的目标服务的QoS预测值进行综合，为当前用户预测目标服务未知QoS的最终值，并将QoS预测值最优的单个服务或一组Web服务推荐给当前用户。

3.根据权利要求2所述的信任感知的Web服务质量预测方法，其特征在于：所述步骤1中，用户信誉度计算模块(4)采用K-means聚类算法对不同用户提交的QoS反馈数据进行聚类，并识别出每个Web服务上的可信用户簇的具体方法为：

QoS预测系统中包含m个用户和n个服务，用户对服务的QoS历史调用信息可以表示为一个m×n矩阵R，其中任意项R_ij表示用户u_i调用服务s_j后观测到的QoS值，如果用户u_i之前未调用过服务s_j，则R_ij＝null，QoS预测系统的目标就是通过矩阵中已有的数据项来预测这些缺失的数据项，为了评估用户的可信性，首先采用K-means聚类算法对不同用户提交的QoS反馈数据进行聚类，对于服务s_j，通过最小化式(1)来对调用过该服务的所有用户进行聚类；

$J=\underset{k=1}{\overset{K_u}{\&Sigma;}}\underset{R_{ij}\&Element;C_j^k}{\&Sigma;}\left|\right|R_{ij}-{\mathrm{\&mu;}}_j^k|{|}^2---\left(1\right)$

其中，J为对用户进行聚类的目标函数，K_u表示用户被聚类后的簇数量，表示服务s_j上的第k个簇,是第k个簇的中心,k(1≤k≤K_u)是簇的编号；

完成以上聚类过程后，用户将被聚类为若干个簇，处于同一簇中的用户具有更高的相似性；

将包含最多元素的用户簇定义为可信用户簇，可信用户簇可由式(2)表示：

$U_j^{\max }\left\{u\right|u\&Element;C_j^i,i={\arg }_{k}max\left|C_j^k\right|\}---\left(2\right)$

其中表示服务s_j上的第k个簇的用户数量，i表示包含最多元素的用户簇的编号，u表示用户簇中的用户，由于可信用户簇反映了大多数用户的观测值，因此可信用户簇中的QoS数据为最接近服务s_j的规范QoS值。

4.根据权利要求3所述的信任感知的Web服务质量预测方法，其特征在于：所述步骤1中，根据用户在每个Web服务上的QoS反馈与该服务上的可信用户簇的偏离程度，对用户的QoS反馈数据进行分类的具体方法为：采用可信用户簇将用户的反馈数据分为积极反馈和消极反馈，积极反馈表示用户反馈的数据与超过50％以上的用户相似，消极反馈表示用户反馈的数据与超过50％以上的用户都不一致；

由于不同用户观测到的Web服务的QoS值服从高斯分布N(μ,σ²)，其中μ和σ分别是QoS数据的均值和标准差，由高斯分布的3-σ准则可知，某个QoS观测样本落入(μ-3σ,μ+3σ)区域的概率为99.7％，因此用户u_i观测到的服务s_j的QoS值的概率P满足式(3)：

$P({\mathrm{\&mu;}}_j^{\max }-3{\mathrm{\&sigma;}}_j^{\max }<R_{ij}\&le;{\mathrm{\&mu;}}_j^{\max }+3{\mathrm{\&sigma;}}_j^{\max })=99.7\%---\left(3\right)$

其中表示服务s_j上的可信用户簇的簇中心，表示服务s_j上的可信用户簇的标准差；

在式(3)基础上，采用式(4)将用户反馈分类为积极反馈或消极反馈，

$R_{ij}=\left\{\begin{array}{cc}Positive,& if|R_{ij}-{\mathrm{\&mu;}}_j^{\max }|\&le;3{\mathrm{\&sigma;}}_j^{\max }\\ Negative,& if|R_{ij}-{\mathrm{\&mu;}}_j^{\max }|>3{\mathrm{\&sigma;}}_j^{\max }\end{array}\right.---\left(4\right)$

当所有的用户反馈数据都被分类后，每个用户的QoS反馈信息可以表示为一个反馈向量：

其中p_i≥0，n_i≥0 (5)

在上式中F_i表示用户u_i的反馈向量,p_i表示u_i提交的积极反馈的数量，n_i表示u_i提交的消极反馈的数量。

5.根据权利要求4所述的信任感知的Web服务质量预测方法，其特征在于：所述步骤1中，根据用户的反馈分类信息，采用Beta概率密度函数动态评估用户的信誉度的具体方法为：

如下式(6)为Beta概率分布的表达式：

$beta\left(p_1\right|\mathrm{\&alpha;},\mathrm{\&beta;})=\frac{\mathrm{\&Gamma;}(\mathrm{\&alpha;}+\mathrm{\&beta;})}{\mathrm{\&Gamma;}\left(\mathrm{\&alpha;}\right)\mathrm{\&Gamma;}\left(\mathrm{\&beta;}\right)}{p_1}^{\mathrm{\&alpha;}-1}{(1-p_1)}^{\mathrm{\&beta;}-1}---\left(6\right)$

其中P₁表示用户未来会提交积极反馈的概率，α和β为Beta分布的两个参数，它们满足0≤p₁≤1，α,β＞0，假如α＜1，则随机变量p₁≠0，当β＜1时，则随机变量p₁≠1，Γ为伽马函数，Beta分布的期望值可由式(7)表示：

E(p)＝α/(α+β) (7)

当户u_i的反馈向量F_i包含p_i个积极反馈和n_i个消极反馈时，用户u_i未来会提供积极反馈的概率密度函数可表示为其过去所提供的反馈数据的函数，即通过更新参数α和β得到新的Beta分布：

α＝p_i+1β＝n_i+1,其中p_i,n_i≥0 (8)

当获取了用户u_i的反馈向量F_i时，用户u_i的后验信誉值可通过结合其先验信誉值和新观测到的反馈数据而计算得到：

$\mathrm{Re}p\left(u_i\right)=E\left(beta\right(p|p_i+1,n_i+1\left)\right)=\frac{p_i+1}{p_i+n_i+2}---\left(9\right)$

其中Rep(u_i)为用户u_i的信誉值,取值范围为[0,1]。

6.根据权利要求5所述的信任感知的Web服务质量预测方法，其特征在于：所述步骤2中可信邻居挖掘模块(3)采用皮尔森相关系数计算用户间的相似度，并结合在步骤1中得到的用户信誉度，识别出当前用户的一组可信邻居的具体方法为：

根据用户对共同调用的Web服务上的QoS反馈数据的皮尔森相似性来评估用户的直接经验，然后结合用户信誉度来评估用户间的信任值，用户间的PCC相似度可由式(10)计算得到：

$Sim(u_i,u_a)=\frac{\underset{j\&Element;S_{ia}}{\&Sigma;}(R_{ij}-\stackrel{\&OverBar;}{R_i})(R_{aj}-\stackrel{\&OverBar;}{R_a})}{\sqrt{\underset{j\&Element;S_{ia}}{\&Sigma;}{(R_{ij}-\stackrel{\&OverBar;}{R_i})}^2}\sqrt{\underset{j\&Element;S_{ia}}{\&Sigma;}{(R_{aj}-\stackrel{\&OverBar;}{R_a})}^2}}---\left(10\right)$

其中Sim(u_i,u_a)是用户u_i和u_a间的相似度，取值范围为[-1,1],值越大表示越相似，R_aj为用户u_a调用服务s_j时体验到的QoS服务，j为QoS服务的编号，S_ia＝S_i∩S_a是用户u_i和u_a共同调用过的Web服务的集合，R_ij是用户u_i调用服务s_j时体验到的QoS，和分别表示用户u_i和u_a观测到的不同服务的平均QoS值；

用户u_i和u_a间的信任值可通过结合它们的相似度和u_a的信誉度计算得到：

$T(u_i,u_a)=\frac{2\&times;\mathrm{Re}p\left(u_a\right)\&times;\left|Sim(u_i,u_a)\right|}{\mathrm{Re}p\left(u_a\right)+\left|Sim(u_i,u_a)\right|}---\left(11\right)$

其中T(u_i,u_a)是用户u_i和u_a间的信任值，表示u_i多大程度上信任u_a的反馈数据；Rep(u_a)是用户u_a的信誉度，Sim(u_i,u_a)是用户u_i和u_a间的相似度，从上式可知信任值T(u_i,u_a)取值范围为[0,1]，值越大表示用户u_i越信任用户u_a的QoS反馈数据；

当所有用户间的信任值都被评估后，可通过式(12)为用户u_i识别出一组可信邻居S(u_i)：

S(u_i)＝{u_a|u_a∈U,T(u_i,u_a)≥0.5,u_a≠u_i} (12)

其中U为QoS预测系统中的用户集，由上式可知信任值≥0.5的用户被认为是可信邻居。

7.根据权利要求6所述的信任感知的Web服务质量预测方法，其特征在于：所述步骤2中，利用可信邻居的QoS数据为当前用户预测目标服务的未知QoS数据的具体方法为：根据式(13)使用可信邻居的QoS数据为当前用户的未知QoS数据进行预测：

$R_{ij}^u=\stackrel{\&OverBar;}{R_i}+\frac{\underset{u_a\&Element;S\left(u_i\right)}{\&Sigma;}T(u_i,u_a)(R_{aj}-\stackrel{\&OverBar;}{R_a})}{\underset{u_a\&Element;S\left(u_i\right)}{\&Sigma;}T(u_i,u_a)}---\left(13\right)$

其中表示用户u_i调用服务s_j的QoS预测值，是u_i观测到的不同服务的QoS平均值，是可信邻居u_a观测到的不同服务的QoS平均值，R_aj为用户u_a调用服务s_j时体验到的QoS服务。

8.根据权利要求7所述的信任感知的Web服务质量预测方法，其特征在于：

所述步骤3中，采用K-means聚类算法进行聚类的具体方法为：对于用户u_i，通过最小化式(14)来对它调用过的Web服务进行聚类；

$J_1=\underset{k=1}{\overset{K_s}{\&Sigma;}}\underset{R_{ij}\&Element;C_i^k}{\&Sigma;}\left|\right|R_{ij}-{\mathrm{\&mu;}}_i^k|{|}^2---\left(14\right)$

其中J₁为服务聚类的目标函数，表示用户u_i上的第k个服务簇,是用户u_i上的第k个服务簇的中心，k(1≤k≤K_s)是簇的编号；

步骤3中，根据不同Web服务被聚类为同一簇的频度，计算Web服务间的相似度的具体方法为：

服务s_j和s_r被聚类为同一簇的次数可表示为：

$f(s_j,s_r)=\underset{i\&Element;U_w}{\&Sigma;}{I}_i(s_j,s_r)---\left(15\right)$

其中f(s_j,s_r)是服务s_j和s_r在高信誉用户上被聚类为同一簇的次数，其中信誉度≥0.5的用户被为高信誉用户，i是用户的编号，I_i(s_j,s_r)是一个指示函数，当服务s_j和s_r在用户u_i上被聚类为同一簇时I_i(s_j,s_r)取值为1，否则取值为0；U_w是高信誉用户集，由式(16)定义：

U_w＝{u_i|u_i∈U,Rep(u_i)≥0.5} (16)

其中U是QoS预测系统中的用户集，Rep(u_i)是用户u_i的信誉度；

当所有服务的QoS数据都被聚类后，服务间的相似度可由式(17)计算得到：

$Sim(s_j,s_r)=\frac{f(s_j,s_r)-f_{min}\left(s_j\right)}{f_{max}\left(s_j\right)-f_{\min }\left(s_j\right)}---\left(17\right)$

其中f_min(s_j)表示服务s_j与其它服务被聚类为同一簇的最少次数，f_max(s_j)表示服务s_j与其它服务被聚类为同一簇的最多次数，Sim(s_j,s_r)表示服务s_j和s_r间的相似度，其取值范围为[0,1]，值越高表示越相似，完成所有服务间的相似度计算后，选取Top-k个最相似的服务集S(s_j)作为服务s_j的邻居集，其中，Top-k表示最相似的K个。

9.根据权利要求8所述的信任感知的Web服务质量预测方法，其特征在于：步骤3中，识别出目标服务的一组相似服务，利用相似服务的QoS数据预测该目标服务的QoS数据的具体方法为：利用目标服务s_j的邻居集S(s_j)的QoS数据来为s_j未知的QoS数据进行预测：

$R_{ij}^s=\frac{\underset{s_r\&Element;S\left(s_j\right)}{\&Sigma;}{R}_{ir}\&times;Sim(s_j,s_r)}{\underset{s_r\&Element;S\left(s_j\right)}{\&Sigma;}Sim(s_j,s_r)}---\left(18\right)$

其中，表示用户u_i调用服务s_j的QoS预测值，s_r是服务s_j的邻居，S(s_j)是服务s_j的邻居集，R_ir是用户u_i观测到的服务s_r的QoS值。

10.根据权利要求8所述的信任感知的Web服务质量预测方法，其特征在于：所述步骤4中，QoS预测模块(6)利用加权法对步骤2的当前用户预测目标服务的未知QoS数据和步骤3的预测目标服务的QoS数据进行综合的具体方法为：最终的QoS预测值可由式(19)表示：

${\hat{R}}_{ij}=\mathrm{\&lambda;}\&times;R_{ij}^u+(1-\mathrm{\&lambda;})\&times;R_{ij}^s---\left(19\right)$

其中参数λ(0≤λ≤1)为调节参数，λ决定了最终的QoS预测值多大程度上依赖基于用户的聚类方法或基于服务的聚类方法，在上式中表示基于用户的聚类方法得到的QoS预测结果，表示基于服务的聚类方法得到的QoS预测结果，表示为当前活动用户预测的最终QoS值，最后，系统根据预测得到的所有候选Web服务的QoS值，来将QoS最优的一个或若干个Web服务推荐给当前活动用户。