CN109905289A - 一种网络服务可信属性动态预测方法 - Google Patents

Abstract

本发明涉及一种网络服务可信属性动态预测方法，属于计算机软件工程技术领域。首先，对网络服务可信属性进行监测，构建可信属性值张量，应用加权非负张量分解的方法对张量进行分解，提取时间相关的隐含特征因子。其次，对分解后得到的时间相关的隐含特征因子应用指数平滑预测的方法进行下一时间段的预测，并对下一时间段的网络服务可信属性值进行计算估计。本发明的优点是利用网络服务可信属性的时间动态关系，提高了对网络服务可信属性进行预测的准确率。本方法不依赖于特定的可信属性，方法直接应用于网络服务可信属性监测结果，具有很强的灵活性和适应性。结合了加权非负张量分解和指数平滑算法，提高了方法的预测效果。

Description

一种网络服务可信属性动态预测方法

技术领域

本发明涉及一种网络服务可信属性动态预测方法，属于计算机软件工程技术领域。

背景技术

面向服务的体系结构是一种分布式的计算方式，它将分散在网络上各处的计算能力集合起来共同执行一个计算任务，从而降低了分布式系统的构建成本、时间开销。由于硬件、软件、人为操作、以及网络过载等各种原因，网络服务的失效问题在执行服务时是不可避免的，可能极大影响用户的体验，并蒙受损失。网络服务的高可信性需求要求对可靠性、可用性、安全性等多种属性进行有效估计和预测，从而及时采取失效警告或恢复措施。尤其随着网络服务数量、网络服务系统复杂度的快速增长，有效的网络服务可信属性的预测具有很高的应用价值。

目前对网络服务可信属性估计往往缺乏将不同的属性进行有机结合的手段。由于不同的服务和可信属性是经常按一定规律出现而不是相互孤立的，网络服务和可信属性的这些同时和重复出现两种不同模式是上下文规律信息的一种反映。在一些长时间持续进行的服务过程中，如不间断的数据库访问或数据请求服务等，能反映这些服务质量的可信属性是以较高频率重复出现的。当前的方法没有很好地利用这些规律，进而影响了网络服务可信属性预测的效果。

随着网络服务数量、网络服务系统复杂度的快速增长，可信属性预测方法不可避免地需要满足如下要求：1)对多种可信属性的灵活性；2)对不同数量和质量的可信属性监测结果的适应性；3)对大规模网络服务系统的扩展性。在可信属性预测的过程中，应该尽量保证上述三点，这样才能保证预测方法在大规模网络服务系统的灵活应用，否则在进行网络服务可信属性预测的过程中，很难利用好可信属性的相关性，从而影响预期的效果。因此，网络服务可信属性的预测方法需要尽可能的保证以上三点要求。

发明内容

本发明的目的是提出一种网络服务可信属性动态预测方法，对已有的网络服务可信属性预测方法进行改进，以应对当前可信属性预测不能有效利用多种属性动态相关性的问题，从而提高可信属性的预测精度，以应用于不同网络服务系统中可信性监控和预测任务，达到对网络服务可信属性进行准确预测的目的。

本发明提出的网络服务可信属性动态预测方法，包括以下步骤：

(1)按相等的时间间隔分别对网络服务系统中的多种可信属性进行监测，得到相应的可信属性的监测数值，根据所有可信属性监测数值，得到一个初始监测张量T′(T′_ijk)_N×M×L，其中，L表示按固定时间间隔划分成的时间段的总数量，N表示每个时间段中所包含的网络服务的数量，M表示可信属性监测值中的可信属性种类个数，张量T′中的每个元素T′_ijk表示在第k个时间段中第i个网络服务在第j个可信属性上得到的监测值，1≤i≤N，1≤j≤M，1≤k≤L，对张量T′中每个可信属性的监测结果进行归一化，得到归一化后的张量T_ijk：

其中，max_ik T′_ijk和min_ik T′_ijk分别表示初始监测张量T′中在第j个可信属性上的最大值和最小值；

(2)采用加权非负张量分解方法，对上述归一化后的张量T进行加权分解，得到非负特征矩阵，具体包括以下步骤：

(2-1)构建三个初始非负矩阵和其中K为一个设定参数，取值范围为[M/2，2M]；

(2-2)构建一个权重张量W，W＝(W_ijk)_N×M×L，其中w_ijk∈[0，1]，1≤i≤N，1≤j≤M，1≤k≤L，对权重张量W中的元素W_ijk赋以Pr值，Pr值根据历史统计结果得到，即在历史统计值中，初始监测张量T′中的元素T′_ijk准确反映真实可信属性的概率为Pr，0≤Pr≤1；

(2-3)根据上述步骤(2-1)构建的三个非负矩阵和以及上述步骤(2-2)构建的权重矩阵W，构建一个费效函数F：

其中和分别代表步骤(2-1)的非负矩阵和中的单个元素，1≤i≤N，1≤j≤M，1≤k≤L，且该费效函数满足约束及

(2-4)采用梯度下降法，最小化上述费效函数F，得到优化后的非负矩阵和

(3)采用指数平滑算法，进行可信属性的动态预测，具体包括以下步骤：

(3-1)构建一个中间矩阵P_t，f，2≤t≤L，1≤f≤K，其中

其中，α为平滑因子，0＜α＜1，为中第t行第f列的对应元素；

预测L+1时间段的P_L+1，f为：

(3-2)根据步骤(3-1)的利用下式计算得到预测后的张量元素值

其中，为步骤(2-4)优化后的非负矩阵中第i行第f列的元素，为步骤(2-4)优化后的非负矩阵中第j行第f列的元素；

根据上述预测后的张量元素值得到第L+1时间段内第i个网络服务在可信属性j上归一化前的网络服务可信属性预测值并作为最终的网络服务可信属性预测值：

其中，max_ik T′_ijk和min_ik T′_ijk分别表示张量T’中在第j个可信属性上的最大值和最小值。

本发明提出的网络服务可信属性动态预测方法，其优点是：

1、本发明提出的网络服务可信属性动态预测方法中，充分使用网络服务可信属性的时间相关性，如同时出现和重复出现规律等，对可信属性的变化规律进行建模，从而增强了网络服务可信属性预测的准确率。由于本方法不依赖于特定的可信属性，方法直接应用于网络服务可信属性监测结果，具有很强的灵活性和适应性。

2、本发明方法将加权非负张量分解和指数平滑外插技术相结合，发挥了指数平滑预测算法在分析张量数据趋势变化和周期性中的优势，由于指数平滑算法引入了指数衰减因子，权重随时间间隔变大而变小，可以更合理地对网络服务可信属性进行预测。

3、本发明方法对不同类型和规模的网络服务系统可信属性预测具有很好的适应性。随着网络服务数量、网络服务系统复杂度的快速增长，本方法可以灵活应用于这些网络服务系统并结合快速失效恢复策略提高整个系统的可信性。

4、本发明方法通过有效地对可信属性的动态关系进行建模，可以避免建模过程导致的信息丢失，并充分利用不同服务动态过程中的时间特征，从而有利于更好地保留可信属性相互之间的局部时间约束，进而提高可信属性动态预测的效果。

具体实施方式

本发明提出的网络服务可信属性动态预测方法，包括以下步骤：

(1)按相等的时间间隔分别对网络服务系统中的多种可信属性进行监测，得到相应的可信属性的监测数值，根据所有可信属性监测数值，得到一个初始监测张量T′(T′_ijk)_N×M×L，其中，L表示按固定时间间隔划分成的时间段的总数量，N表示每个时间段中所包含的网络服务的数量，M表示可信属性监测值中的可信属性种类个数，张量T′中的每个元素T′_ijk表示在第k个时间段中第i个网络服务在第j个可信属性上得到的监测值，1≤i≤N，1≤j≤M，1≤k≤L，对张量T′中每个可信属性的监测结果进行归一化，得到归一化后的张量T_ijk：

其中，max_ik T′_ijk和min_ik T′_ijk分别表示初始监测张量T′中在第j个可信属性上的最大值和最小值；

(2)采用加权非负张量分解方法，对上述归一化后的张量T进行加权分解，得到非负特征矩阵，具体包括以下步骤：

(2-1)构建三个初始非负矩阵和其中K为一个设定参数，取值范围为[M/2，2M]；

(2-2)构建一个权重张量W，W＝(W_ijk)_N×M×L，其中w_ijk∈[0，1]，1≤i≤N，1≤j≤M，1≤k≤L，对权重张量W中的元素W_ijk赋以Pr值，Pr值根据历史统计结果得到，即在历史统计值中，初始监测张量T′中的元素T′_ijk准确反映真实可信属性的概率为Pr，0≤Pr≤1；

(2-3)根据上述步骤(2-1)构建的三个非负矩阵和以及上述步骤(2-2)构建的权重矩阵W，构建一个费效函数F：

其中和分别代表步骤(2-1)的非负矩阵和中的单个元素，1≤i≤N，1≤j≤M，1≤k≤L，且该费效函数满足约束及

(2-4)采用梯度下降法，最小化上述费效函数F，得到优化后的非负矩阵和

(3)采用指数平滑算法，进行可信属性的动态预测，具体包括以下步骤：

(3-1)构建一个中间矩阵P_t，f，2≤t≤L，1≤f≤K，其中

其中，α为平滑因子，0＜α＜1，为中第t行第f列的对应元素；

预测L+1时间段的P_L+1，f为：

(3-2)根据步骤(3-1)的利用下式计算得到预测后的张量元素值

其中，为步骤(2-4)优化后的非负矩阵中第i行第f列的元素，为步骤(2-4)优化后的非负矩阵中第j行第f列的元素；

根据上述预测后的张量元素值得到第L+1时间段内第i个网络服务在可信属性j上归一化前的网络服务可信属性预测值并作为最终的网络服务可信属性预测值：

其中，max_ik T′_ijk和min_ik T′_ijk分别表示张量T’中在第j个可信属性上的最大值和最小值。

Claims (1)

1.一种网络服务可信属性动态预测方法，其特征在于该方法包括以下步骤：

(1)按相等的时间间隔分别对网络服务系统中的多种可信属性进行监测，得到相应的可信属性的监测数值，根据所有可信属性监测数值，得到一个初始监测张量T′(T′_ijk)_N×M×L，其中，L表示按固定时间间隔划分成的时间段的总数量，N表示每个时间段中所包含的网络服务的数量，M表示可信属性监测值中的可信属性种类个数，张量T′中的每个元素T′_ijk表示在第k个时间段中第i个网络服务在第j个可信属性上得到的监测值，1≤i≤N，1≤j≤M，1≤k≤L，对张量T′中每个可信属性的监测结果进行归一化，得到归一化后的张量T_ijk：

其中，max_ikT′_ijk和min_ikT′_ijk分别表示初始监测张量T′中在第j个可信属性上的最大值和最小值；

(2)采用加权非负张量分解方法，对上述归一化后的张量T进行加权分解，得到非负特征矩阵，具体包括以下步骤：

(2-1)构建三个初始非负矩阵和其中K为一个设定参数，取值范围为[M/2，2M]；

(2-2)构建一个权重张量W，W＝(W_ijk)_N×M×L，其中w_ijk∈[0，1]，1≤i≤N，1≤j≤M，1≤k≤L，对权重张量W中的元素W_ijk赋以Pr值，Pr值根据历史统计结果得到，即在历史统计值中，初始监测张量T′中的元素T′_ijk准确反映真实可信属性的概率为Pr，0≤Pr≤1；

(2-3)根据上述步骤(2-1)构建的三个非负矩阵和以及上述步骤(2-2)构建的权重矩阵W，构建一个费效函数F：

其中和分别代表步骤(2-1)的非负矩阵和中的单个元素，1≤i≤N，1≤j≤M，1≤k≤L，且该费效函数满足约束及

(2-4)采用梯度下降法，最小化上述费效函数F，得到优化后的非负矩阵和

(3)采用指数平滑算法，进行可信属性的动态预测，具体包括以下步骤：

(3-1)构建一个中间矩阵P_t，f，2≤t≤L，1≤f≤K，其中

其中，α为平滑因子，0＜α＜1，为中第t行第f列的对应元素；

预测L+1时间段的P_L+1，f为：

(3-2)根据步骤(3-1)的利用下式计算得到预测后的张量元素值

其中，为步骤(2-4)优化后的非负矩阵中第i行第f列的元素，为步骤(2-4)优化后的非负矩阵中第j行第f列的元素；

根据上述预测后的张量元素值得到第L+1时间段内第i个网络服务在可信属性j上归一化前的网络服务可信属性预测值并作为最终的网络服务可信属性预测值：

其中，max_ikT′_ijk和min_ikT′_ijk分别表示张量T’中在第j个可信属性上的最大值和最小值。