CN107612704A - 物联网服务的排序方法及装置 - Google Patents
物联网服务的排序方法及装置 Download PDFInfo
- Publication number
- CN107612704A CN107612704A CN201710632802.8A CN201710632802A CN107612704A CN 107612704 A CN107612704 A CN 107612704A CN 201710632802 A CN201710632802 A CN 201710632802A CN 107612704 A CN107612704 A CN 107612704A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- internet
- qos
- things
- 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.)
- Granted
Links
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明提供的物联网服务的排序方法及装置，通过对由同一用户调用的任意两项物联网服务的服务质量(Quality of Service,QoS)进行比较，分别得到服务质量对比值；并根据服务质量对比值，利用时间序列分析方法预测得到与所述任一用户调用的任意两项物联网服务的预测对比值。利用每一预测对比值构建马尔可夫链，并得到基于服务质量的所有物联网服务的排序结果。该排序方法能够从稀疏的QoS数据集中高效地获取物联网服务的排序，降低了用户终端在服务调用和评价过程中的负担，为物联网服务的选择和推荐提供理论保障和技术支持。本实施例提供的排序方法自动化程度高，易于部署和实施，可适于大规模物联网环境下使用。
Description
技术领域
本发明涉及物联网信息技术领域，更具体地，涉及物联网服务的排序方法及装置。
背景技术
目前，随着物联网技术的不断发展，物联网服务已广泛存在于生活的各个方面。面对大规模物联网服务，需要对这些大量的物联网服务的服务质量进行高效管理。特别是当具有相同或相似功能的物联网服务急剧增加，如何从这些大量的服务中根据服务的非功能性特征选取高质量的服务，已成为一个重要的问题。
为了实现对大量的功能相似的物联网服务的高效管理，需要将这些服务根据服务质量(Quality of Service，QoS)数据进行排序，并从中挑选出高质量的物联网服务。特别是对于物联网服务的选择和物联网服务推荐而言，用户需要从大量的候选物联网服务中挑选出符合要求的高质量服务，因而在此之前需要对大量的候选物联网服务按照QoS数据进行排序，这一过程更关注于物联网服务基于QoS数据的排序结果，而非单个物联网服务的QoS数据的变化趋势。
但是，对物联网来说，由于物联网服务和服务质量数据存放在不同的地理位置，在对物联网服务进行管理时需要从分布式的数据源获取大量服务质量数据，若一个用户对所有物联网服务都进行调用和评价，将会消耗大量的时间和资源，而且会增大客户端的负担。因而从一个用户端获取的QoS数据将十分有限，只能使获取的QoS数据构成一个稀疏矩阵，但现有技术中并不能从稀疏矩阵中获取物联网服务的排序结果。
发明内容
为克服上述问题或者至少部分地解决上述问题，本发明提供了一种物联网服务的排序方法及装置。
一方面，本发明提供了一种物联网服务的排序方法，包括：
S1，在预设时间段内的多个预设时刻上，获取多个用户调用的每项物联网服务的服务质量QoS数据，构成原始数据集，其中每个用户在所述预设时间段内至少调用两项物联网服务；
S2，分别对所述原始数据集中由同一用户调用的、在相同预设时刻上任意两项物联网服务的QoS数据进行比较，分别计算得到QoS对比值；
S3，根据计算得到的同一用户调用的任意两项物联网服务在预设时间段内的所有QoS对比值，利用时间序列分析方法预测得到与所述同一用户调用的任意两项物联网服务对应的预测对比值；
S4，将所述预测对比值写入转移概率矩阵，构建马尔可夫链，并根据所述马尔可夫链的稳态概率，得到基于所述QoS的所有物联网服务的排序结果。
优选地，S2具体包括：根据如下公式计算每一个QoS对比值：
其中，wi和wj分别为由同一用户调用的、在相同预设时刻上任意两项物联网服务si和sj对应的QoS数据，qij为si和sj的QoS对比值。
优选地，S3具体包括：
S31，根据计算得到的由同一用户调用的任意两项物联网服务的每一QoS对比值与所述预设时刻的对应关系，分别构建QoS对比值时间序列；
S32，分别判断所述QoS对比值时间序列是否为白噪声序列；若所述QoS对比值时间序列为白噪声序列，则执行S33；否则执行S34；
S33，利用简单移动平均法对所述QoS对比值时间序列进行预测，得到对应于所述QoS对比值时间序列的预测对比值；
S34，判断所述QoS对比值时间序列是否平稳，若所述QoS对比值时间序列不平稳，执行S35；若所述QoS对比值时间序列平稳，执行S36；
S35，通过差分运算将所述QoS对比值时间序列转化为平稳的QoS对比值时间序列；
S36，根据所述平稳的QoS对比值时间序列，构建自回归移动平均模型，并利用所述自回归移动平均模型，预测得到对应于所述每一QoS对比值时间序列的预测对比值。
优选地，S33具体包括：利用算术平均法计算所述QoS对比值时间序列中所有QoS对比值的平均值，并将得到的平均值作为对应于所述QoS对比值时间序列的预测对比值。
优选地，通过如下公式计算所述QoS对比值时间序列中所有QoS对比值的平均值：
其中，xn表示QoS对比值时间序列{xt|t＝1,2,...,n}中的第n个QoS对比值，表示QoS对比值时间序列{xt|t＝1,2,...,n}的第l个平均值。
优选地，S36具体包括：
S361，根据所述平稳的QoS对比值时间序列，构建自回归移动平均模型；
S362，对所述自回归移动平均模型进行残差检验，选取显著有效的自回归移动平均模型；
S363，从所述显著有效的自回归移动平均模型中选取最佳模型，预测得到对应于所述QoS对比值时间序列的预测对比值。
优选地，S4中根据所述马尔可夫链的稳态概率，得到基于QoS的所有物联网服务的排序结果，具体包括：
S41，根据所述马尔可夫链的最大出度，对所述转移概率矩阵进行归一化处理；
S42，根据归一化后的所述转移概率矩阵，计算所述马尔可夫链的稳态概率；
S43，对所述稳态概率进行排序，得到基于所述服务质量参数的所有物联网服务的排序结果。
优选地，S41具体包括：通过如下公式对所述转移概率矩阵进行归一化处理：
其中，dmax为所述马尔可夫链中的最大出度，pij为经过归一化处理的从物联网服务si转移至物联网服务sj的转移概率，与物联网服务si和物联网服务sj对应的预测对比值；wi和wj分别为由同一用户调用的、在相同预设时刻上任意两项物联网服务si和sj对应的QoS数据；
相应地，S42具体包括：
通过如下公式计算所述马尔可夫链的稳态概率：
π*·P＝π*
其中，P＝[pij]n×n为经过归一化处理的转移概率矩阵，其中n为物联网服务的数量，表示马尔可夫链的稳态概率。
优选地，所述服务质量参数包括：物联网服务的响应时间、吞吐率、可靠性或可用性。
另一方面，本发明提供了一种物联网服务的排序装置，包括：原始数据集构成模块、QoS对比值计算模块、对比值预测模块和排序模块。
其中，原始数据集构成模块，用于在预设时间段内的多个预设时刻上，获取多个用户调用的每项物联网服务的服务质量QoS数据，构成原始数据集，其中每个用户在所述预设时间段内至少调用两项物联网服务；
QoS对比值计算模块，用于分别对所述原始数据集中由同一用户调用的、在相同预设时刻上任意两项物联网服务的QoS数据进行比较，分别计算得到QoS对比值；
对比值预测模块，用于根据计算得到的同一用户调用的任意两项物联网服务在预设时间段内的所有QoS对比值，利用时间序列分析方法预测得到与所述同一用户调用的任意两项物联网服务对应的预测对比值；
排序模块，用于将所述预测对比值写入转移概率矩阵，构建马尔可夫链，并根据所述马尔可夫链的稳态概率，得到基于所述QoS的所有物联网服务的排序结果。
本发明提供的物联网服务的排序方法及装置，通过对所述原始数据集中由同一用户调用的、在相同预设时刻上任意两项物联网服务的QoS进行比较，分别计算得到QoS对比值；根据计算得到的同一用户调用的任意两项物联网服务在预设时间段内的所有QoS对比值，利用时间序列分析方法预测得到与所述同一用户调用的任意两项物联网服务对应的预测对比值。利用所述预测对比值构建马尔可夫链，并根据马尔可夫链的稳态概率，得到基于QoS的所有物联网服务的排序结果。本实施例提供的物联网服务的排序方法，能够从稀疏的QoS数据集中高效地获取物联网服务的排序，降低了用户终端在服务调用和评价过程中的负担，为物联网服务的选择和推荐提供理论保障和技术支持。本实施例提供的排序方法自动化程度高，易于部署和实施，可适于大规模物联网环境下使用。
附图说明
图1为本发明一实施例提供的物联网服务的排序方法流程图；
图2为本发明一实施例提供的物联网服务的排序方法中得到预测对比值的方法流程图；
图3为本发明一实施例提供的物联网服务的排序方法中利用自回归移动平均模型预测得到预测对比值的方法流程图；
图4为本发明一实施例提供的物联网服务的排序方法中得到基于QoS的所有物联网服务的排序结果的方法流程图；
图5为本发明另一实施例提供的物联网服务的排序装置的结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
面对大规模物联网服务，需要对这些大量的物联网服务的服务质量进行高效管理。特别是当具有相同或相似功能的物联网服务急剧增加，如何从这些大量的服务中根据服务的非功能性特征选取高质量的服务，已成为一个重要的问题。为了实现对大量的功能相似的物联网服务的高效管理，对物联网服务的服务质量(Quality of Service，QoS)进行分析，获得相应的物联网服务的排序结果，并从中挑选出高质量的物联网服务，显得至关重要。
本发明提供了基于服务质量的物联网服务的排序方法及装置，将通过以下实施例进行具体说明。
如图1所示，本发明一实施例提供了一种物联网服务的排序方法，包括：
S1，在预设时间段内的多个预设时刻上，获取多个用户调用的每项物联网服务的服务质量QoS数据，构成原始数据集，其中每个用户在所述预设时间段内至少调用两项物联网服务；S2，分别对所述原始数据集中由同一用户调用的、在相同预设时刻上任意两项物联网服务的QoS数据进行比较，分别计算得到QoS对比值；S3，根据计算得到的同一用户调用的任意两项物联网服务在预设时间段内的所有QoS对比值，利用时间序列分析方法预测得到与所述同一用户调用的任意两项物联网服务对应的预测对比值；S4，将所述预测对比值写入转移概率矩阵，构建马尔可夫链，并根据所述马尔可夫链的稳态概率，得到基于所述QoS的所有物联网服务的排序结果。
具体地，为实现基于服务质量的物联网服务的排序方法，需从一个用户调用的大量物联网服务中选取多个物联网服务进行排序，也需要在一个预设时间段内获取每个物联网服务的服务质量QoS数据。又从预设时间段内选取多个预设时刻，分别获取预设时刻上物联网服务的QoS数据，以减小计算量。
例如，在某日上午8:00-11:00，用户A调用物联网服务a，在该3h的时间段内选取20个时刻，获取这20个时刻物联网服务a的QoS数据。其中，3h即为预设时间段，20个时刻即为20个预设时刻。本发明对预设时间段的长度和预设时刻的数量不做具体限定。
本实施例中，整个方案从大量的物联网服务用户中随机选取多个用户，每个用户调用至少两个物联网服务。从选取的这些用户所调用的每一个物联网服务中，获取调用该物联网服务的预设时间段内的多个预设时刻上任意两项物联网服务的QoS数据，构成原始数据集。这里的QoS可包括物联网服务的响应时间、吞吐率、可靠性或可用性等。
对获取的同一用户调用的、在预设时间段内的多个预设时刻上任意两项物联网服务的QoS数据进行比较。假设存在n个物联网服务S＝{s1,s2,...,sn}，这些服务在不同时间段内被m个用户U＝{u1,u2,...,um}调用，以下以si代表S中的任一物联网服务，1≤i≤n，以uk代表U中任一用户，1≤k≤m。在用户调用每个物联网服务时会获取相应的QoS数据，例如响应时间的数据、吞吐率的数据等。
当一个用户调用一个物联网服务后，在预设时间段t内获取x个时刻物联网服务的QoS数据。在获取到所有m个用户调用的、n个物联网服务的QoS数据之后，可以得到一个用户-物联网服务-时间的三维矩阵。在该三维矩阵中，QoS数据W＝{w1,w2,...,wx}代表用户uj在预设时间段t内调用物联网服务si时所获取到的x个si的QoS数据。
对于一个用户uj所调用的任意两个物联网服务si和sj，分别比较在t内相同预设时刻获取的si和sj的QoS数据，分别得到QoS对比值。这个QoS对比值是由同一用户调用的，在预设时间段内的相同预设时刻上、任意两个物联网服务的QoS对比值。例如：共有三个用户，分别为u1、u2和u3，u1调用s1、s2和s3三个物联网服务，u2调用s1、s3和s5三个物联网服务，u3调用s2、s4和s6三个物联网服务，整个物联网服务排序过程中，共涉及到的调用物联网服务有s1、s2、s3、s4、s5和s6六种。以u1为例，从u1处可得到s1和s2的QoS对比值集合，s1和s3的QoS对比值集合，以及s2和s3的QoS对比值集合。
根据由同一用户调用的任意两个物联网服务的QoS对比值，预测得到与这两个物联网服务对应的QoS对比值。例如，根据u1处得到的s1和s2的参数对比值集合，预测得到与s1和s2对应的预测对比值。将每一QoS对比值写入转移概率矩阵中，构成马尔可夫链，根据转移概率矩阵，计算马尔可夫链的稳态概率，通过对稳态概率进行排序，得到基于QoS的所有物联网服务的排序结果。
例如，稳态概率为π*＝[0.2,0.4,0.1,0.15,0.1,0.05]，根据QoS的性质，将稳态概率进行排序，即得到基于QoS的所有物联网服务的排序结果。例如，选取响应时间作为QoS，由于物联网服务的响应时间的性质是响应时间越小，对应的物联网服务的服务质量越好。此时，六个物联网服务基于响应时间由小到大的排序结果为：s6,s3/s5,s4,s1,s2。若有用户想要选择响应时间小的物联网服务，则在功能相同或类似的前提下，优选s6。若选取吞吐率作为QoS参数，由于物联网服务的吞吐率的性质是吞吐率越大，对应的物联网服务的服务质量越好。此时，六个物联网服务基于吞吐率由大到小的排序结果为：s2,s1,s4,s3/s5,s6。若有用户想要选择吞吐率大的物联网服务，则在功能相同或类似的前提下，优选s2。
特别地，根据u1处得到的s1和s3的参数对比值集合1，预测得到与s1和s3对应的预测对比值q13′，根据u2处得到的s1和s3的参数对比值集合2，预测得到与s1和s3对应的预测对比值q13″。则对整体而言，s1和s3对应的预测对比值应为q13＝(q13′+q13″)/2，即取每个用户中得到的预测对比值的平均值作为整体的预测平均值。
本实施例中，通过对原始数据集中由同一用户调用的、在预设时间段内的多个预设时刻上任意两项物联网服务对应的QoS数据进行比较，分别计算得到QoS对比值；根据计算得到的同一用户调用的任意两项物联网服务在预设时间段内的所有QoS对比值，利用时间序列分析方法预测得到与所述同一用户调用的任意两项物联网服务对应的预测对比值。利用所述预测对比值构建马尔可夫链，并根据马尔可夫链的稳态概率，得到基于QoS的所有物联网服务的排序结果。本实施例提供的物联网服务的排序方法，能够从稀疏的QoS数据集中高效地获取物联网服务的排序，降低了用户终端在服务调用和评价过程中的负担，为物联网服务的选择和推荐提供理论保障和技术支持。本实施例提供的排序方法自动化程度高，易于部署和实施，可适于大规模物联网环境下使用。
在上述实施例的基础上，S2具体包括：根据如下公式计算每一个QoS对比值：
其中，wi和wj分别为由同一用户调用的、在相同预设时刻上任意两项物联网服务si和sj对应的QoS数据，qij为si和sj的QoS对比值。
上式实际上是在某一QoS的基础上，求解同一用户调用的、在预设时间段内的多个预设时刻上、由物联网服务si至sj的转移概率。例如，若wj≥wi，即qij＞1/2，若QoS为响应时间，则sj的响应时间大于si的响应时间，由si至sj的转移概率的大小与si和sj之间的实际转移方向成负相关关系，若QoS为吞吐率，则由si至sj的转移概率的大小与si和sj之间的实际转移方向成正相关关系。
在上述实施例的基础上，如图2所示，S3具体包括：
S31，根据计算得到的由同一用户调用的任意两项物联网服务的每一QoS对比值与所述预设时刻的对应关系，分别构建QoS对比值时间序列；
S32，分别判断所述QoS对比值时间序列是否为白噪声序列；若所述QoS对比值时间序列为白噪声序列，则执行S33；否则执行S34；
S33，利用简单移动平均法对所述QoS对比值时间序列进行预测，得到对应于所述QoS对比值时间序列的预测对比值；
S34，判断所述QoS对比值时间序列是否平稳，若所述QoS对比值时间序列不平稳，执行S35；若所述QoS对比值时间序列平稳，执行S36；
S35，通过差分运算将所述QoS对比值时间序列转化为平稳的QoS对比值时间序列；
S36，根据所述平稳的QoS对比值时间序列，构建自回归移动平均模型，并利用所述自回归移动平均模型，预测得到对应于所述每一QoS对比值时间序列的预测对比值。
首先，对以下名词进行解释。
白噪声过程(white noise process)：是指谱密度为常数的宽平稳过程。
简单移动平均法：简单移动平均法通过如下公式计算：
F＝(A1+A2+A3+…+An)/n。式中，F为预测值，n为现有数据的个数，Ak为具体的数据取值，1≤k≤n。
差分运算：设变量y依赖于自变量t，当t变为t+1时，因变量y＝y(t)的改变量Δ(y(t))＝y(t+l)-y(t)称为函数y(t)在点t处步长为l的差分，简称为函数y(t)的一阶差分，并称Δ为差分算子。
自回归移动平均模型(Auto-Regressive Moving Average，ARMA)：是指由自回归模型(Auto-Regressive，AR)和移动平均模型(Moving Average，MA)为基础组合得到的预测模型，用于对平稳序列进行预测。
具体地，根据计算得到的QoS对比值与时刻的对应关系，构建QoS对比值时间序列。需要注意的是，构建QoS对比值时间序列所需的QoS对比值是同一用户调用的、任意两个物联网服务对应的所述服务质量数据在预设时间段内的所有比较结果。不同用户调用的两个相同的物联网服务，由于调用的用户不同，用户所处的环境不同等因素，导致得到的QoS对比值时间序列不一定相同，对QoS对比值时间序列进行预测得到的预测对比值也不一定相同。所以会有上述的q13＝(q13′+q13″)/2。
判断QoS对比值时间序列是否为白噪声序列；若QoS对比值时间序列为白噪声序列，则利用简单移动平均法对所述QoS对比值时间序列进行预测，得到预测对比值。即利用算术平均法计算各QoS对比值的平均值，并将得到的平均值作为预测对比值。具体通过如下公式计算QoS对比值时间序列中所有QoS对比值的平均值：
其中，xn表示QoS对比值时间序列{xt|t＝1,2,...,n}中的第n个QoS对比值，表示计算得到的QoS对比值时间序列{xt|t＝1,2,...,n}的第l个平均值。
这里可仅计算得到一个平均值，也可根据算出的平均值进行多次计算得到平均值，在此不做限定。例如，预设时间段可设置为1h，在1h内分别获取20个时刻的s1、s2、s3、s4、s5和s6六个物联网服务的服QoS数据，对于u1调用的s1和s2在1h内可得到20个QoS对比值，计算这20个QoS对比值的平均值作为预测对比值即
若QoS对比值时间序列不是白噪声序列，则判断QoS对比值时间序列是否平稳，若QoS对比值时间序列不平稳，则通过差分运算将不平稳的QoS对比值时间序列转化为平稳的QoS对比值时间序列，根据平稳的QoS对比值时间序列，构建自回归移动平均模型，并利用所述自回归移动平均模型预测得到预测对比值。若所述QoS对比值时间序列平稳，直接根据已经是平稳的QoS对比值时间序列，构建自回归移动平均模型，并利用所述自回归移动平均模型预测得到预测对比值。
具体地，如图3所示，S36具体包括：
S361，根据所述平稳的QoS对比值时间序列，构建ARMA模型；
S362，对所述自回归移动平均模型进行残差检验，选取显著有效的自回归移动平均模型；
S363，从所述显著有效的ARMA模型中选取最佳模型，预测得到对应于所述QoS对比值时间序列的预测对比值。
对平稳的QoS对比值时间序列，构建ARMA模型，并计算自相关函数(Auto-Correlation function，ACF)和偏自相关函数(Partial Correlation Function，PACF)，从ACF和PACF测试模式中选择合适的模型参数p和q的值；其中，p为AR模型参数，q为MA模型参数。测试p和q的不同组合，通过检查残差是否是一个白噪声序列来验证与p和q对应的ARMA模型是否有效，应用信息准则(Akaike information criterion，AIC)和施瓦兹准则(Schwarz Criterion，SC)在显著有效的模型中选择最佳的模型；利用选取的最佳ARMA模型预测QoS对比值时间序列的预测对比值。将每一预测对比值写入转移概率矩阵，构建马尔可夫链，并根据所述马尔可夫链的稳态概率，得到基于所述QoS的所有物联网服务的排序结果。
在上述实施例的基础上，如图4所示，S4中根据所述马尔可夫链的稳态概率，得到基于QoS的所有物联网服务的排序结果，具体包括：
S41，根据所述马尔可夫链的最大出度，对所述转移概率矩阵进行归一化处理；
S42，根据归一化后的所述转移概率矩阵，计算所述马尔可夫链的稳态概率；
S43，对所述稳态概率进行排序，得到基于QoS的所有物联网服务的排序结果。
其中，S41具体包括：通过如下公式对所述转移概率矩阵进行归一化处理：
其中，dmax为所述马尔可夫链中的最大出度，pij为经过归一化处理的从物联网服务si转移至物联网服务sj的转移概率，与物联网服务si和物联网服务sj对应的预测对比值；
相应地，S42具体包括：
通过如下公式计算所述马尔可夫链的稳态概率：
π*·P＝π*
其中，P＝[pij]n×n为经过归一化处理的转移概率矩阵，其中n为物联网服务的数量，表示马尔可夫链的稳态概率。
例如，共有三个用户，分别为u1、u2和u3，u1调用s1、s2和s3三个物联网服务，u2调用s1、s3和s5三个物联网服务，u3调用s2、s4和s6三个物联网服务，整个物联网服务排序过程中，共涉及到的调用物联网服务有s1、s2、s3、s4、s5和s6六种。由同一用户调用的每两个物联网服务之间均有一个预测对比值，将每一个对比值写入转移概率矩阵，得到如下转移概率矩阵Q：
根据马尔可夫链的最大出度，将转移概率矩阵Q进行归一化处理。从转移概率矩阵Q中可以看出，最大出度为4。对转移概率矩阵Q进行归一化处理后得到P＝[pij]6×6。
最后，通过如下公式计算马尔可夫链的稳态概率：
π*·P＝π*
其中，P＝[pij]6×6为经过归一化处理的转移概率矩阵，表示马尔可夫链的稳态概率。通过对稳态概率进行排序，得到基于QoS的所有物联网服务的排序结果。
如图5所示，本发明的另一实施例提供了一种物联网服务的排序装置，包括：原始数据集构成模块1、QoS对比值计算模块2、对比值预测模块3和排序模块4.
其中，原始数据集构成模块1用于在预设时间段内的多个预设时刻上，获取多个用户调用的每项物联网服务的服务质量QoS数据，构成原始数据集，其中每个用户在所述预设时间段内至少调用两项物联网服务；
QoS对比值计算模块2用于分别对所述原始数据集中由同一用户调用的、在相同预设时刻上任意两项物联网服务的QoS数据进行比较，分别计算得到QoS对比值；
对比值预测模块3用于根据计算得到的同一用户调用的任意两项物联网服务在预设时间段内的所有QoS对比值，利用时间序列分析方法预测得到与所述同一用户调用的任意两项物联网服务对应的预测对比值；
排序模块4用于将所述预测对比值写入转移概率矩阵，构建马尔可夫链，并根据所述马尔可夫链的稳态概率，得到基于所述QoS的所有物联网服务的排序结果。
具体地，各模块的处理流程与上述方法类实施例一一对应，在此不再赘述。
本实施例中，通过QoS对比值计算模块对由原始数据集构成模块得到的原始数据集中同一用户调用的、在相同预设时刻上任意两项物联网服务的QoS数据进行比较，分别计算得到QoS对比值；对比值预测模块根据计算得到的同一用户调用的任意两项物联网服务在预设时间段内的所有QoS对比值，利用时间序列分析方法预测得到与所述同一用户调用的任意两项物联网服务对应的预测对比值；排序模块将所述预测对比值写入转移概率矩阵，构建马尔可夫链，并根据所述马尔可夫链的稳态概率，得到基于所述QoS的所有物联网服务的排序结果。本实施例提供的物联网服务的排序装置，能够从稀疏的QoS数据集中高效地获取物联网服务的排序，降低了用户终端在服务调用和评价过程中的负担，为物联网服务的选择和推荐提供理论保障和技术支持。本实施例提供的排序方法自动化程度高，易于部署和实施，可适于大规模物联网环境下使用。
最后，本发明的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种物联网服务的排序方法，其特征在于，包括：
S1，在预设时间段内的多个预设时刻上，获取多个用户调用的每项物联网服务的服务质量QoS数据，构成原始数据集，其中每个用户在所述预设时间段内至少调用两项物联网服务；
S2，分别对所述原始数据集中由同一用户调用的、在相同预设时刻上任意两项物联网服务的QoS数据进行比较，分别计算得到QoS对比值；
S3，根据计算得到的同一用户调用的任意两项物联网服务在预设时间段内的所有QoS对比值，利用时间序列分析方法预测得到与所述同一用户调用的任意两项物联网服务对应的预测对比值；
S4，将所述预测对比值写入转移概率矩阵，构建马尔可夫链，并根据所述马尔可夫链的稳态概率，得到基于所述QoS的所有物联网服务的排序结果。
2.根据权利要求1所述的排序方法，其特征在于，S2具体包括：
根据如下公式计算每一个QoS对比值：
<mrow>
<msub>
<mi>q</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<mn>2</mn>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>i</mi>
<mo>&NotEqual;</mo>
<mi>j</mi>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>i</mi>
<mo>=</mo>
<mi>j</mi>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，wi和wj分别为由同一用户调用的、在相同预设时刻上任意两项物联网服务si和sj对应的QoS数据，qij为si和sj的QoS对比值。
3.根据权利要求2所述的排序方法，其特征在于，S3具体包括：
S31，根据计算得到的由同一用户调用的任意两项物联网服务的每一QoS对比值与所述预设时刻的对应关系，分别构建QoS对比值时间序列；
S32，分别判断所述QoS对比值时间序列是否为白噪声序列；若所述QoS对比值时间序列为白噪声序列，则执行S33；否则执行S34；
S33，利用简单移动平均法对所述QoS对比值时间序列进行预测，得到对应于所述QoS对比值时间序列的预测对比值；
S34，判断所述QoS对比值时间序列是否平稳，若所述QoS对比值时间序列不平稳，执行S35；若所述QoS对比值时间序列平稳，执行S36；
S35，通过差分运算将所述QoS对比值时间序列转化为平稳的QoS对比值时间序列；
S36，根据所述平稳的QoS对比值时间序列，构建自回归移动平均模型，并利用所述自回归移动平均模型，预测得到对应于所述每一QoS对比值时间序列的预测对比值。
4.根据权利要求3所述的排序方法，其特征在于，S33具体包括：
利用算术平均法计算所述QoS对比值时间序列中所有QoS对比值的平均值，并将得到的平均值作为对应于所述QoS对比值时间序列的预测对比值。
5.根据权利要求4所述的排序方法，其特征在于，通过如下公式计算所述QoS对比值时间序列中所有QoS对比值的平均值：
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mi>l</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mi>l</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mi>l</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
</mrow>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mi>l</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
</mrow>
其中，xn表示QoS对比值时间序列{xt|t＝1,2,...,n}中的第n个QoS对比值，表示QoS对比值时间序列{xt|t＝1,2,...,n}的第l个平均值。
6.根据权利要求3所述的排序方法，其特征在于，S36具体包括：
S361，根据所述平稳的QoS对比值时间序列，构建自回归移动平均模型；
S362，对所述自回归移动平均模型进行残差检验，选取显著有效的自回归移动平均模型；
S363，从所述显著有效的自回归移动平均模型中选取最佳模型，预测得到对应于所述QoS对比值时间序列的预测对比值。
7.根据权利要求1-6中任一项所述的排序方法，其特征在于，S4中根据所述马尔可夫链的稳态概率，得到基于所述QoS的所有物联网服务的排序结果，具体包括：
S41，根据所述马尔可夫链的最大出度，对所述转移概率矩阵进行归一化处理；
S42，根据归一化后的所述转移概率矩阵，计算所述马尔可夫链的稳态概率；
S43，对所述稳态概率进行排序，得到基于所述服务质量参数的所有物联网服务的排序结果。
8.根据权利要求7所述的排序方法，其特征在于，S41具体包括：
通过如下公式对所述转移概率矩阵进行归一化处理：
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mn>1</mn>
<msub>
<mi>d</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mfrac>
<msub>
<mover>
<mi>q</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>d</mi>
<mi>max</mi>
</msub>
</mfrac>
<mo>&lsqb;</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<mn>2</mn>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>i</mi>
<mo>&NotEqual;</mo>
<mi>j</mi>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>d</mi>
<mi>max</mi>
</msub>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
</mrow>
</munder>
<msub>
<mover>
<mi>q</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>d</mi>
<mi>max</mi>
</msub>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
</mrow>
</munder>
<mo>&lsqb;</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>w</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<mn>2</mn>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>w</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>i</mi>
<mo>=</mo>
<mi>j</mi>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，dmax为所述马尔可夫链中的最大出度，pij为经过归一化处理的从物联网服务si转移至物联网服务sj的转移概率，与物联网服务si和物联网服务sj对应的预测对比值；wi和wj分别为由同一用户调用的、在相同预设时刻上任意两项物联网服务si和sj对应的QoS数据；
相应地，S42具体包括：
通过如下公式计算所述马尔可夫链的稳态概率：
π*·P＝π*
其中，P＝[pij]n×n为经过归一化处理的转移概率矩阵，其中n为物联网服务的数量，表示马尔可夫链的稳态概率。
9.一种物联网服务的排序装置，其特征在于，包括：
原始数据集构成模块，用于在预设时间段内的多个预设时刻上，获取多个用户调用的每项物联网服务的服务质量QoS数据，构成原始数据集，其中每个用户在所述预设时间段内至少调用两项物联网服务；
QoS对比值计算模块，用于分别对所述原始数据集中由同一用户调用的、在相同预设时刻上任意两项物联网服务的QoS数据进行比较，分别计算得到QoS对比值；
对比值预测模块，用于根据计算得到的同一用户调用的任意两项物联网服务在预设时间段内的所有QoS对比值，利用时间序列分析方法预测得到与所述同一用户调用的任意两项物联网服务对应的预测对比值；
排序模块，用于将所述预测对比值写入转移概率矩阵，构建马尔可夫链，并根据所述马尔可夫链的稳态概率，得到基于所述QoS的所有物联网服务的排序结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710632802.8A CN107612704B (zh) | 2017-07-28 | 2017-07-28 | 物联网服务的排序方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710632802.8A CN107612704B (zh) | 2017-07-28 | 2017-07-28 | 物联网服务的排序方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107612704A true CN107612704A (zh) | 2018-01-19 |
| CN107612704B CN107612704B (zh) | 2019-10-01 |
Family
ID=61059674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710632802.8A Active CN107612704B (zh) | 2017-07-28 | 2017-07-28 | 物联网服务的排序方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107612704B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103986621A (zh) * | 2014-05-23 | 2014-08-13 | 中国联合网络通信集团有限公司 | 一种评估移动互联网性能的方法和系统 |
| CN104102875A (zh) * | 2014-07-22 | 2014-10-15 | 河海大学 | 基于加权朴素贝叶斯分类器的软件服务质量监控方法及系统 |
| US8996666B2 (en) * | 2011-12-20 | 2015-03-31 | Cisco Technology, Inc. | Quality of service (QoS) configuration in low-power and lossy networks |
| CN104850916A (zh) * | 2015-05-31 | 2015-08-19 | 上海电机学院 | 一种改进型灰色马尔可夫模型的电力设备故障预测方法 |
| US20160337426A1 (en) * | 2015-05-14 | 2016-11-17 | Hola Networks Ltd. | System and Method for Streaming Content from Multiple Servers |
| CN106211235A (zh) * | 2016-06-16 | 2016-12-07 | 中国科学技术大学 | 一种无线网络中的小包数据传输方法及系统 |
| CN106357437A (zh) * | 2016-08-31 | 2017-01-25 | 河海大学 | 一种基于多元时间序列的Web Service QoS预测方法 |
-
2017
- 2017-07-28 CN CN201710632802.8A patent/CN107612704B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8996666B2 (en) * | 2011-12-20 | 2015-03-31 | Cisco Technology, Inc. | Quality of service (QoS) configuration in low-power and lossy networks |
| CN103986621A (zh) * | 2014-05-23 | 2014-08-13 | 中国联合网络通信集团有限公司 | 一种评估移动互联网性能的方法和系统 |
| CN104102875A (zh) * | 2014-07-22 | 2014-10-15 | 河海大学 | 基于加权朴素贝叶斯分类器的软件服务质量监控方法及系统 |
| US20160337426A1 (en) * | 2015-05-14 | 2016-11-17 | Hola Networks Ltd. | System and Method for Streaming Content from Multiple Servers |
| CN104850916A (zh) * | 2015-05-31 | 2015-08-19 | 上海电机学院 | 一种改进型灰色马尔可夫模型的电力设备故障预测方法 |
| CN106211235A (zh) * | 2016-06-16 | 2016-12-07 | 中国科学技术大学 | 一种无线网络中的小包数据传输方法及系统 |
| CN106357437A (zh) * | 2016-08-31 | 2017-01-25 | 河海大学 | 一种基于多元时间序列的Web Service QoS预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107612704B (zh) | 2019-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103810104B (zh) | 一种软件测试用例优化方法及系统 | |
| CN108683560B (zh) | 一种大数据流处理框架的性能基准测试系统及方法 | |
| CN109919304A (zh) | 神经网络搜索方法、装置、可读存储介质和计算机设备 | |
| 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 | |
| Yu et al. | Time-aware collaborative filtering for QoS-based service recommendation | |
| CA2629724A1 (en) | Learner for resource constrained devices | |
| CN112101674B (zh) | 基于群智能算法资源配置匹配方法、装置、设备及介质 | |
| CN111275186A (zh) | 一种基于分组分层机制的可微结构搜索方法 | |
| CN109741818A (zh) | 基于人工智能的医疗亚健康干预资源调配管理方法及装置 | |
| CN106776925A (zh) | 一种移动终端用户性别的预测方法、服务器和系统 | |
| CN100349135C (zh) | 一种测试向量的产生方法 | |
| US20060149608A1 (en) | Method and apparatus for evaluating a proposed solution to a constraint problem | |
| Franzin et al. | A landscape-based analysis of fixed temperature and simulated annealing | |
| CN107612704A (zh) | 物联网服务的排序方法及装置 | |
| CN110971683B (zh) | 基于强化学习的服务组合方法 | |
| CN111159450A (zh) | 图片分类方法、装置、计算机设备和存储介质 | |
| Xin et al. | A location-based services selection model and algorithm with QoS constraints under mobile internet environment | |
| CN112905476B (zh) | 测试的执行方法及装置、电子设备、存储介质 | |
| CN113360218B (zh) | 一种业务方案选择方法、装置、设备以及存储介质 | |
| Dupuy et al. | Quantifying catastrophic forgetting in continual federated learning | |
| CN101582133A (zh) | 一种方案评审系统及评审方法 | |
| CN106598585A (zh) | 云环境下计分驱动的服务快速匹配和聚合方法 | |
| Gökçe et al. | Coverage-based, prioritized testing using neural network clustering | |
| CN114327925A (zh) | 一种电力数据实时计算调度优化方法及系统 | |
| Cheng et al. | Globally optimal selection of web composite services based on univariate marginal distribution algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |