CN108256695A - 一种基于历史信息的Web服务QoS预测方法 - Google Patents

一种基于历史信息的Web服务QoS预测方法 Download PDF

Info

Publication number
CN108256695A
CN108256695A CN201810208040.3A CN201810208040A CN108256695A CN 108256695 A CN108256695 A CN 108256695A CN 201810208040 A CN201810208040 A CN 201810208040A CN 108256695 A CN108256695 A CN 108256695A
Authority
CN
China
Prior art keywords
layer
output
hidden layer
input
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.)
Pending
Application number
CN201810208040.3A
Other languages
English (en)
Inventor
姚文斌
綦麟
胡芳燚
樊悦芹
黄芬芬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201810208040.3A priority Critical patent/CN108256695A/zh
Publication of CN108256695A publication Critical patent/CN108256695A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management

Abstract

本发明的目的在于提高Web服务QoS预测的准确性，提供一种基于历史信息的Web服务QoS预测方法。该方法收集用户提交的数据量、服务器吞吐量和服务器CPU利用率，对数据进行预处理后，利用收集到Web服务QoS信息的历史数据对神经网络模型进行训练，输入用户提交的数据量、服务器吞吐量和服务器CPU利用率结合训练后的神经网络模型进行QoS预测。

Description

一种基于历史信息的Web服务QoS预测方法
(一)技术领域
本发明涉及的是一种基于历史信息的Web服务QoS预测方法。
(二)背景技术
面向服务计算作为一种新型计算范型，为分布式应用和企业信息系统集成提供了一种灵活的解决方案，已成为计算机软件领域最热门的研究主题之一。随着面向服务计算技术的快速发展，网络上出现了大量功能相同或相似而服务质量不同的Web服务。用户在选择满足其个性化需求的Web服务时，不仅要考虑服务的功能属性，而且要考虑服务的非功能属性，即 QoS。
服务的QoS属性包括响应时间、价格、可靠性、可用性等指标，可以用来综合评价一个服务的性能或质量，如何获取准确的服务QoS信息是一个十分具有挑战性的问题。
(三)发明内容
发明目的：针对现有技术中存在的问题和步骤，为了提高Web服务QoS预测的准确性，考虑到用户提交的数据量、服务器吞吐量和服务器CPU利用率对Web服务QoS的影响，本发明提供了一种基于历史信息的Web服务QoS预测方法。
技术方案：一种基于历史信息的Web服务QoS预测方法，包括如下步骤：
1.所有的服务器端都开启SNMP(简单网络管理协议)，监测每个服务器的网络环境，从而获得用户提交的数据量(MB)、服务器吞吐量(次/秒)和服务器CPU利用率等服务调用的历史信息。
2.用户提交的数据量、服务器吞吐量和服务器CPU利用率分别根据做归一化处理，将数据尺度范围控制在[0,1]，其中x为当前样本数据，max为样本数据最大值，min 为样本数据最小值。
3.建立三层结构的神经网络，包括一个输入层、一个隐含层和一个输出层。输入层输入的数据为用户提交的数据量、服务器吞吐量和服务器CPU利用率。输出层输出的数据为Web 服务QoS值。输入层节点获取输入向量后，传递输入向量到隐含层。隐含层节点采用Gaussian 函数。隐含层节点和输出层节点以不同的权重连接。隐含层第j个结点的输出响应为
式中x是n维输入向量；cj是第j个基函数的中心，与x具有相同的维数；δ是误差阈值；k是隐含层节点个数；||x-cj||表示向量x-cj的范数；Gj(x)表示第j个基函数对输入向量的响应，在cj处取得唯一最大值，且Gj(x)随着||x-cj||的增大而迅速衰减到零。输入层实现从 x到Gj(x)的非线性映射，而输出层实现了从Gj(x)到yt的线性映射，即
其中，yt是第t个输出单元对输入向量x的响应向量；wjt是第j个隐含层节点与第t个输出层节点间的权值，代表该隐含层节点对输出节点响应向量的贡献度；m为输出节点个数。
采用K-means聚类算法确定各隐含层节点的高斯函数的中心值cj，具体步骤如下：
(1)隐含层初始化
给定初始类中心cj(1)，j＝1,2,...,k。
(2)在第r次迭代中，样本集{xi}分类方法如下：
对所有的j，h＝1,2,..,k，j≠h。
若||xi-ch(r)||＜||xi-cj(r)||，则xi∈Sh(r)。
(3)对于每一个类Sh(r)，重新计算类中心其中Nh为Sh(r)中的样本数。
(4)对于所有的h＝1,2,...,k，若ch(r+1)＝ch(r)，则终止，否则返回(2)。
通过公式求得隐含层节点的输出Gj(x)，再由已知期望输出的Web 服务QoS向量y，利用最小二乘法求得神经网络的隐含层和输出层之间的权值，即：
wjt＝(Gj TGj)-1Gj Ty。
4.利用训练好的神经网络，输入用户提交的数据量、服务器吞吐量和服务器CPU利用率，进行QoS预测。
本方法的创新性在于：
1.根据用户提交的数据量、服务器吞吐量和服务器CPU利用率的历史信息预测Web服务QoS，从而充分考虑了环境因素对服务质量的影响
2.提出了一种基于历史信息的Web服务QoS预测方法，使用神经网络拟合用户提交的数据量、服务器吞吐量、服务器CPU利用率和Web服务QoS值之间的非线性关系。
(四)附图说明
图1为发明实例方法流程图；
图2为神经网络的示意图。
(五)具体实施方式
下面结合附图举例对本发明做更详细地描述：
如图1所示，为本发明的一种基于历史信息的Web服务QoS预测方法，主要包括4个步骤：数据收集、数据预处理、训练神经网络模型和预测QoS属性值。
1.所有的服务器端都开启SNMP(简单网络管理协议)，监测每个服务器的网络环境，从而获得用户提交的数据量(MB)、服务器吞吐量(次/秒)和服务器CPU利用率等服务调用的历史信息。
2.用户提交的数据量、服务器吞吐量和服务器CPU利用率分别根据做归一化处理，将数据尺度范围控制在[0,1]，其中x为当前样本数据，max为样本数据最大值，min 为样本数据最小值。
3.建立三层结构的神经网络，如图2所示，包括一个输入层、一个隐含层和一个输出层。输入层输入的数据为用户提交的数据量、服务器吞吐量和服务器CPU利用率。输出层输出的数据为Web服务QoS值。输入层节点获取输入向量后，传递输入向量到隐含层。隐含层节点采用Gaussian函数。隐含层节点和输出层节点以不同的权重连接。隐含层第j个结点的输出响应为
式中x是n维输入向量；cj是第j个基函数的中心，与x具有相同的维数；δ是误差阈值； k是隐含层节点个数；||x-cj||表示向量x-cj的范数；Gj(x)表示第j个基函数对输入向量的响应，在cj处取得唯一最大值，且Gj(x)随着||x-cj||的增大而迅速衰减到零。输入层实现从 x到Gj(x)的非线性映射，而输出层实现了从Gj(x)到yt的线性映射，即
其中，yt是第t个输出单元对输入向量x的响应向量；wjt是第j个隐含层节点与第t个输出层节点间的权值，代表该隐含层节点对输出节点响应向量的贡献度；m为输出节点个数。
采用K-means聚类算法确定各隐含层节点的高斯函数的中心值cj，具体步骤如下：
(1)隐含层初始化
给定初始类中心cj(1)，j＝1,2,...,k。
(2)在第r次迭代中，样本集{xi}分类方法如下：
对所有的j，h＝1,2,..,k，j≠h。
若||xi-ch(r)||＜||xi-cj(r)||，则xi∈Sh(r)。
(3)对于每一个类Sh(r)，重新计算类中心其中Nh为Sh(r)中的样本数。
(4)对于所有的h＝1,2,...,k，若ch(r+1)＝ch(r)，则终止，否则返回(2)。
通过公式求得隐含层节点的输出Gj(x)，再由已知期望输出的Web 服务QoS向量y，利用最小二乘法求得神经网络的隐含层和输出层之间的权值，即：
wjt＝(Gj TGj)-1Gj Ty。
4.利用训练好的神经网络，输入用户提交的数据量、服务器吞吐量和服务器CPU利用率，进行QoS预测。

Claims (1)

1.一种基于历史信息的Web服务QoS预测方法，其特征在于：包括如下步骤：
步骤1：所有的服务器端都开启SNMP(简单网络管理协议)，监测每个服务器的网络环境，从而获得用户提交的数据量(MB)、服务器吞吐量(次/秒)和服务器CPU利用率等服务调用的历史信息。
步骤2：用户输入数据量、服务器吞吐量和服务器CPU利用率分别根据做归一化处理，将数据尺度范围控制在[0,1]，其中x为当前样本数据，max为样本数据最大值，min为样本数据最小值。
步骤3：建立三层结构的神经网络，包括一个输入层、一个隐含层和一个输出层。输入层输入的数据为用户提交的数据量、服务器吞吐量和服务器CPU利用率。输出层输出的数据为Web服务QoS值。输入层节点获取输入向量后，传递输入向量到隐含层。隐含层节点采用Gaussian函数。隐含层节点和输出层节点以不同的权重连接。隐含层第j个结点的输出响应为
式中x是n维输入向量；cj是第j个基函数的中心，与x具有相同的维数；δ是误差阈值；k是隐含层节点个数；||x-cj||表示向量x-cj的范数；Gj(x)表示第j个基函数对输入向量的响应，在cj处取得唯一最大值，且Gj(x)随着||x-cj||的增大而迅速衰减到零。输入层实现从x到Gj(x)的非线性映射，而输出层实现了从Gj(x)到yt的线性映射，即
其中，yt是第t个输出单元对输入向量x的响应向量；wjt是第j个隐含层节点与第t个输出层节点间的权值，代表该隐含层节点对输出节点响应向量的贡献度；m为输出节点个数。
采用K-means聚类算法确定各隐含层节点的高斯函数的中心值cj，具体步骤如下：
(1)隐含层初始化
给定初始类中心cj(1)，j＝1,2,...,k。
(2)在第r次迭代中，样本集{xi}分类方法如下：
对所有的j，h＝1,2,..,k，j≠h。
若||xi-ch(r)||＜||xi-cj(r)||，则xi∈Sh(r)。
(3)对于每一个类Sh(r)，重新计算类中心其中Nh为Sh(r)中的样本数。
(4)对于所有的h＝1,2,...,k，若ch(r+1)＝ch(r)，则终止，否则返回(2)。
通过公式求得隐含层节点的输出Gj(x)，再由已知期望输出的Web服务QoS向量y，利用最小二乘法求得神经网络的隐含层和输出层之间的权值，即：wjt＝(Gj TGj)-1Gj Ty。
步骤4：利用训练好的神经网络，输入用户提交的数据量、服务器吞吐量和服务器CPU利用率，进行QoS预测。
CN201810208040.3A 2018-03-14 2018-03-14 一种基于历史信息的Web服务QoS预测方法 Pending CN108256695A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810208040.3A CN108256695A (zh) 2018-03-14 2018-03-14 一种基于历史信息的Web服务QoS预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810208040.3A CN108256695A (zh) 2018-03-14 2018-03-14 一种基于历史信息的Web服务QoS预测方法

Publications (1)

Publication Number Publication Date
CN108256695A true CN108256695A (zh) 2018-07-06

Family

ID=62746813

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810208040.3A Pending CN108256695A (zh) 2018-03-14 2018-03-14 一种基于历史信息的Web服务QoS预测方法

Country Status (1)

Country Link
CN (1) CN108256695A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109347668A (zh) * 2018-10-17 2019-02-15 网宿科技股份有限公司 一种服务质量评估模型的训练方法及装置
CN112131080A (zh) * 2020-09-24 2020-12-25 中国科学院重庆绿色智能技术研究院 一种Web服务吞吐量时变隐特征分析装置和方法
CN113259163A (zh) * 2021-05-17 2021-08-13 云南大学 一种基于网络拓扑感知的Web服务质量预测方法及系统
CN115037633A (zh) * 2022-08-10 2022-09-09 中国电子科技集团公司第二十八研究所 一种通信网络Web服务QoS预测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109347668A (zh) * 2018-10-17 2019-02-15 网宿科技股份有限公司 一种服务质量评估模型的训练方法及装置
CN109347668B (zh) * 2018-10-17 2020-11-06 网宿科技股份有限公司 一种服务质量评估模型的训练方法及装置
CN112131080A (zh) * 2020-09-24 2020-12-25 中国科学院重庆绿色智能技术研究院 一种Web服务吞吐量时变隐特征分析装置和方法
CN113259163A (zh) * 2021-05-17 2021-08-13 云南大学 一种基于网络拓扑感知的Web服务质量预测方法及系统
CN115037633A (zh) * 2022-08-10 2022-09-09 中国电子科技集团公司第二十八研究所 一种通信网络Web服务QoS预测方法

Similar Documents

Publication Publication Date Title
CN108256695A (zh) 一种基于历史信息的Web服务QoS预测方法
Zhang et al. Exploring latent features for memory-based QoS prediction in cloud computing
US10354201B1 (en) Scalable clustering for mixed machine learning data
CN108268934A (zh) 基于深度学习的推荐方法和装置、电子设备、介质、程序
US11366990B2 (en) Time-series representation learning via random time warping
Ma et al. Multi-valued collaborative QoS prediction for cloud service via time series analysis
US20200118145A1 (en) Characterizing and Modifying User Experience of Computing Environments Based on Behavior Logs
US20200034776A1 (en) Managing skills as clusters using machine learning and domain knowledge expert
CN110377587B (zh) 基于机器学习的迁移数据确定方法、装置、设备及介质
CN111435463A (zh) 数据处理方法及相关设备、系统
WO2022148186A1 (zh) 行为序列数据处理方法及装置
US20220147540A1 (en) Personalized visualization recommendation system
US20220261591A1 (en) Data processing method and apparatus
CN111695695A (zh) 用户决策行为量化分析方法及装置
US20220147816A1 (en) Divide-and-conquer framework for quantile regression
CN108228684A (zh) 聚类模型的训练方法、装置、电子设备和计算机存储介质
Li et al. From reputation perspective: A hybrid matrix factorization for QoS prediction in location-aware mobile service recommendation system
Nguyen et al. ESNemble: an Echo State Network-based ensemble for workload prediction and resource allocation of Web applications in the cloud
Sahu et al. Ensemble deep neural network based quality of service prediction for cloud service recommendation
Shrivastava et al. Selection of efficient and accurate prediction algorithm for employing real time 5g data load prediction
Tekin et al. Context-adaptive big data stream mining
Pei et al. Predicting agent-based financial time series model on lattice fractal with random Legendre neural network
CN117616436A (zh) 机器学习模型的联合训练
Panimalar et al. A review of churn prediction models using different machine learning and deep learning approaches in cloud environment
Dang et al. A web application load prediction model using recurrent neural network in cloud

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180706