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 PDFInfo
- 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
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)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。
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)
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 |
-
2018
- 2018-03-14 CN CN201810208040.3A patent/CN108256695A/zh active Pending
Cited By (5)
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 |