CN110113180A - 一种基于偏置张量分解的云服务响应时间预测方法和装置 - Google Patents
一种基于偏置张量分解的云服务响应时间预测方法和装置 Download PDFInfo
- Publication number
- CN110113180A CN110113180A CN201910180073.6A CN201910180073A CN110113180A CN 110113180 A CN110113180 A CN 110113180A CN 201910180073 A CN201910180073 A CN 201910180073A CN 110113180 A CN110113180 A CN 110113180A
- Authority
- CN
- China
- Prior art keywords
- cloud service
- response time
- service response
- deviation
- linearity
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于偏置张量分解的云服务响应时间预测方法和装置;一种基于偏置张量分解的云服务响应时间预测装置,其特征在于:该装置包括:云服务响应时间数据接收模块,用于接收历史云服务响应时间数据,并将其存储到云服务响应时间数据模块;云服务响应时间数据模块,用于存储接收的历史云服务响应时间数据,及存储预测的云服务响应时间数据;云服务响应时间数据张量构造模块,用于将存储的历史云服务响应时间数据构造成云服务响应时间张量;云服务响应时间数据线性偏差模块用于根据历史云服务响应时间数据,创建初始的响应时间线性偏差数据并存储;本发明可广泛应用在计算机服务、通讯等领域。
Description
技术领域
本发明涉及计算机服务计算领域,特别是涉及一种基于偏置张量分解的云服务响应时间预测方法和装置。
背景技术
随着云计算的快速发展,大量功能相似的云服务被不同的服务提供商提供。在这种情况下,如何选择最优的云服务是一个关键问题。云服务响应时间作为衡量云服务质量的重要指标,在云服务选择过程中扮演着重要角色。然而当用户面对大量的云服务进行选择时,由于用户不可能知道所有云服务的响应时间,因此无法有效选择响应时间最优的云服务。因此,如何预测这些未知云服务的响应时间,成为急需解决的问题。
当前,许多研究者提出了基于矩阵分解的模型预测未知的云服务响应时间,其使用已知的历史云服务响应时间预测未知的云服务响应时间。然而,基于矩阵分解的云服务响应时间预测方法将历史云服务响应时间数据构造成了静态的二维矩阵再进行未知响应时间数据的预测,但是云服务响应时间是随着时间变化的,基于矩阵分解的预测方法无法有效体现响应时间的时效性,因此造成预测精度低的问题。如何在预测云服务响应时间时考虑响应时间的时效性,提高预测精度,已成为大家关心的问题。
发明内容
本发明所要解决的技术问题在于提供一种基于偏置张量分解的云服务响应时间预测方法和装置。
为了解决上述技术问题,本发明的技术方案是:
一种基于偏置张量分解的云服务响应时间预测装置,其特征在于:该装置包括:
云服务响应时间数据接收模块,用于接收历史云服务响应时间数据,并将其存储到云服务响应时间数据模块。
云服务响应时间数据模块,用于存储接收的历史云服务响应时间数据,及存储预测的云服务响应时间数据。
云服务响应时间数据张量构造模块,用于将存储的历史云服务响应时间数据构造成云服务响应时间张量。
云服务响应时间数据线性偏差模块,用于根据历史云服务响应时间数据,创建初始的响应时间线性偏差数据并存储。
云服务响应时间预测模块,结合构造的云服务响应时间张量和初始的云服务响应时间线性偏差数据,进行云服务响应时间预测,并将预测的精度最高的云服务响应时间数据存储至云服务响应时间数据模块的响应时间预测值存储单元。
所述云服务响应时间预测模块包括初始化单元、训练单元和云服务响应时间预测值计算单元;
初始化单元用于初始化云服务响应时间预测过程中所涉及的相关参数;
训练单元用于结合构造的云服务响应时间张量和初始的云服务响应时间线性偏差数据以及初始化单元已初始化的云服务响应时间预测过程中所涉及的相关参数,训练计算历史云服务响应时间的隐特征和云服务响应时间实际线性偏差;
云服务响应时间预测值计算单元用于根据训练单元得到的历史云服务响应时间的隐特征和云服务响应时间实际线性偏差,计算云服务响应时间预测值。然后将计算的云服务响应预测值存储至响应时间预测值存储单元。
根据本发明所述的一种基于偏置张量分解的云服务响应时间预测装置,其特征在于:所述云服务响应时间数据模块包括响应时间数据存储单元和响应时间预测值存储单元;
响应时间数据存储单元,用于将接收的历史云服务响应时间数据以四元组的形式进行存储。四元组表示形式为Q=(u,s,p,t),其中u表示请求云服务的用户,s表示请求的云服务,p表示用户u请求云服务s的时间段,t表示用户u在时间段p请求云服务s的响应时间。
响应时间预测值存储单元,用于存储预测的云服务响应时间数据,其中响应时间预测值也以四元组的形式存储。
根据本发明所述的一种基于偏置张量分解的云服务响应时间预测装置的优选方案,所述云服务响应时间张量构造模块用于将存储的历史云服务响应时间数据构造成云服务响应时间张量;具体为:
将响应时间数据存储单元中的所有的四元组Q=(u,s,p,t)按照时间段p划分为K个时间段数据,K表示一个正整数,根据具体需求确定其大小,没有具体的取值范围限定。从中选择出p=1的四元组Q(1)=(u,s,1,t),运用Q(1)的数据(u,s,t)构造切片矩阵P(1),P(1)的大小为I行,J列,矩阵中的元素P(1) ij表示在第1个时间段第i个用户请求第j个云服务的响应时间,其中I为用户的数量,J为请求的云服务的数量,1≤i≤I,1≤j≤J)。
再从四元组Q=(u,s,p,t)中依次选择出四元组Q(2)、Q(3)、…、Q(K)分别构造切片矩阵P(2)、P(3)、…、P(K)。最后用K个切片矩阵在三维空间中根据划分的K个时间段由小到大依次从前到后排列构造云服务响应时间张量T∈RI×J×K,(R表示实数集)由于每个用户在一个时间段仅能请求部分云服务并且响应时间均为正值,因此构造的云服务响应时间张量T是一个非负稀疏张量,用已知数据集合Γ表示云服务响应时间张量T所有数据组成的集合。
根据本发明所述的一种基于偏置张量分解的云服务响应时间预测装置的优选方案,云服务响应时间数据线性偏差模块,用于根据历史云服务响应时间数据,创建初始的响应时间线性偏差数据并存储。具体为:
根据存储在响应时间数据存储单元的历史云服务响应时间数据,创建所有用户u的线性偏差向量x,xi表示第i个用户的线性偏差,并且x的模为M;创建所有云服务s的线性偏差向量y,yj表示第j个云服务的线性偏差,并且y的模为N;创建所有时间片p的线性偏差向量z,其中zk表示第k个用户的线性偏差,并且z的模为H,其中M=I,N=J,H=K。
根据本发明所述的一种基于偏置张量分解的云服务响应时间预测装置的优选方案,训练单元用于结合构造的云服务响应时间张量和初始的云服务响应时间线性偏差数据以及初始化单元已初始化的云服务响应时间预测过程中所涉及的相关参数,训练计算历史云服务响应时间的隐特征和云服务响应时间实际线性偏差;具体为:
根据构造的云服务响应时间张量T和云服务响应时间数据线性偏差模块创建的三个线性偏差向量x、y、z以及已初始化的云服务响应时间预测过程中所涉及的相关参数,训练获取历史云服务响应时间的隐特征矩阵U、S、P的值和三个线性偏差向量x、y、z的实际线性偏差值;
其中,获取的历史云服务响应时间的隐特征矩阵U、S、P和三个线性偏差向量x、y、z的实际线性偏差值为:
对云服务响应时间张量T的已知数据集合Γ,构造目标损失函数ε,用以下公式表示:
其中(i,j,k)∈Γ在张量T中包含的已知元素的下标集合;tijk表示云服务响应时间张量T中已知实体即第i个用户在第k个时间请求第j个服务的响应时间值;D表示云服务响应时间张量T分解的三个隐特征矩阵的列数;uid表示用户隐特征矩阵U中第i行第d列的值;sjd表示服务隐特征矩阵S中第j行第d列的值;Pkd表示时间隐特征矩阵P中第k行第d列的值;λx,λy,λz分别表示三个线性偏差向量的正则化参数;λu,λs,λt分别表示三个隐特征矩阵的正则化参数。
并以欧式距离作为优化目标;使用吉洪诺夫正则化,对优化过程进行约束,防止优化过程中出现过拟合的问题;
然后,为保证更新过程中的非负性使用乘法更新规则对目标损失函数ε进行迭代优化,以使目标损失函数ε的值最小,训练迭代的公式如下所示:
其中表示根据隐特征矩阵和线性偏差向量计算的响应时间估计值,j,k:(i,j,k)∈Γ,i,k:(i,j,k)∈Γ,i,j:(i,j,k)∈Γ分别表示在张量T中每个维度的切片矩阵中包含元素的下标集合。
在已知数据集合Γ上重复上述训练过程,直至目标损失函数ε在已知数据集合Γ上对收敛,收敛判定条件为训练迭代轮数控制变量r达到训练最大迭代轮数L,或者本轮迭代结束后计算得到的目标损失函数ε的值与上一轮目标损失函数ε的值的差的绝对值已经小于收敛终止阈值τ。
所述云服务响应时间预测值计算单元包括:
当目标损失函数ε在已知数据集合Γ上对收敛后,利用目标损失函数ε达到最小值时训练得到的线性偏差向量x、y、z和隐特征矩阵U、S、P,计算精度最高的用户ui在时间段pj请求云服务sj的云服务响应时间预测值计算公式为并将计算得到的云服务响应时间预测值输出至响应时间预测值存储单元存储。
本发明的第二个技术方案是,基于偏置张量分解的云服务响应时间预测方法,其特征在于:该过程包括如下步骤:
S1,接收服务器发送的预测历史云服务响应时间的指令,从服务器采集历史云服务响应时间数据;
S2,对接收的历史云服务响应时间数据以四元组的形式进行存储;四元组表示形式为Q=(u,s,p,t),其中u表示请求服务的用户,s表示请求的云服务,p表示用户u请求云服务s的时间段p,t表示用户u在时间段p请求云服务s的响应时间;
S3,将存储的历史云服务响应时间数据构造成云服务响应时间张量;
S4,根据历史云服务响应时间数据,创建初始的云服务响应时间线性偏差数据并存储;
S5,初始化云服务响应时间预测过程中所涉及的相关参数;
S6,结合构造的云服务响应时间张量和初始的云服务响应时间线性偏差数据,构造云服务响应时间预测目标损失函数,进行云服务响应时间预测,并将预测的精度最高的云服务响应时间数据存储;具体为:
S61,结合构造的云服务响应时间张量和初始的云服务响应时间线性偏差数据以及已初始化的云服务响应时间预测过程中所涉及的相关参数,构造云服务响应时间预测目标损失函数,以训练计算历史云服务响应时间的隐特征和云服务响应时间实际线性偏差;
S62,根据得到的历史云服务响应时间的隐特征和云服务响应时间实际线性偏差,计算云服务响应时间预测值并存储。
根据本发明所述的基于偏置张量分解的云服务响应时间预测方法的优选方案,S3,将存储的历史云服务响应时间数据构造成云服务响应时间张量;具体为:
S31,将历史云服务响应时间数据以四元组的形式进行存储的所有的四元组Q=(u,s,p,t)按照时间段p划分为K个时间段数据,K表示一个正整数,根据具体需求确定其大小。从中选择出p=1的四元组Q(1)=(u,s,1,t),运用Q(1)的数据(u,s,t)构造切片矩阵P(1),P(1)的大小为I行,J列,矩阵中的元素P(1) ij表示在第1个时间段第i个用户请求第j个云服务的响应时间,其中I为用户的数量,J为请求的云服务的数量,1≤i≤I,1≤j≤J)。
S32,从四元组Q=(u,s,p,t)中依次选择出四元组Q(2)、Q(3)、…、Q(K)分别构造切片矩阵P(2)、P(3)、…、P(K)。
S33,将切片矩阵在三维空间中根据划分的时间片的时间先后顺序由小到大依次从前到后排列构造三维时序网络数据张量T∈RI×J×K,由于每个用户在一个时间段仅能请求部分云服务并且响应时间均为正值,因此构造的云服务响应时间张量T是一个非负稀疏张量,用已知数据集合Γ表示云服务响应时间张量T所有数据组成的集合。
根据本发明所述的基于偏置张量分解的云服务响应时间预测方法的优选方案,根据历史云服务响应时间数据,创建初始的响应时间线性偏差数据并存储。具体为:
S41,根据历史云服务响应时间数据,创建所有用户u的线性偏差向量x并存储,用xi表示第i个用户的线性偏差,并且x的模为M,其中M=I;
S42,根据历史云服务响应时间数据,创建所有云服务s的线性偏差向量y并存储,用yj表示第j个云服务的线性偏差,并且y的模为N,其中N=J;
S43,根据存储在响应时间数据存储单元的历史云服务响应时间数据,创建所有时间片p的线性偏差向量z并存储,用zk表示第k个用户的线性偏差,并且z的模为H,其中H=K。
根据本发明所述的基于偏置张量分解的云服务响应时间预测方法的优选方案,S61,结合构造的云服务响应时间张量和初始的云服务响应时间线性偏差数据以及已初始化的云服务响应时间预测过程中所涉及的相关参数,构造云服务响应时间预测目标损失函数,以训练计算历史云服务响应时间的隐特征和云服务响应时间实际线性偏差;具体为:
S611,结合构造的云服务响应时间数据张量T和创建的三个线性偏差向量x、y、z以及已初始化的云服务响应时间预测过程中所涉及的相关参数,对云服务响应时间数据张量T的已知数据集合Γ,构造目标损失函数ε,以训练获取历史云服务响应时间的隐特征矩阵U、S、P的值和三个线性偏差向量x、y、z的实际线性偏差值;
目标损失函数ε用以下公式表示:
其中(i,j,k)∈Γ在张量T中包含的已知元素的下标集合;tijk表示云服务响应时间张量T中已知实体即第i个用户在第k个时间请求第j个服务的响应时间值;D表示云服务响应时间张量T分解的三个隐特征矩阵的列数;uid表示用户隐特征矩阵U中第i行第d列的值;sjd表示服务隐特征矩阵S中第j行第d列的值;Pkd表示时间隐特征矩阵P中第k行第d列的值;λx,λy,λz分别表示三个线性偏差向量的正则化参数;λu,λs,λt分别表示三个隐特征矩阵的正则化参数。
并以欧式距离作为优化目标;使用吉洪诺夫正则化,对优化过程进行约束,防止优化过程中出现过拟合的问题。
S612,为保证更新过程中的非负性使用乘法更新规则对目标损失函数ε进行迭代优化,以使目标损失函数ε的值最小,训练迭代的公式如下所示:
其中表示根据隐特征矩阵和线性偏差向量计算的响应时间估计值,j,k:(i,j,k)∈Γ,i,k:(i,j,k)∈Γ,i,j:(i,j,k)∈Γ分别表示在张量T中每个维度的切片矩阵中包含元素的下标集合。
S613,判断损失函数ε在Γ上训练迭代过程是否达到终止条件,在达到终止条件后终止。
在本步骤中,ε在Γ上训练迭代过程达到终止条件有两种情况。第一是ε每迭代一轮,训练迭代轮数控制变量r的值加1,当r的值达到最大训练迭代轮数L时,ε停止训练;第二种是ε训练过程中,本轮迭代结束后计算得到的ε值与上一轮ε值的差的绝对值已经小于收敛终止阈值τ时,ε停止训练。
根据本发明所述的基于偏置张量分解的云服务响应时间预测方法的优选方案,S62,根据得到的历史云服务响应时间的隐特征和云服务响应时间实际线性偏差,计算云服务响应时间预测值。具体为:
当目标损失函数ε在已知数据集合Γ上对收敛后,利用目标损失函数ε达到最小值时训练得到的线性偏差向量x、y、z和隐特征矩阵U、S、P,计算精度最高的用户ui在时间段pj请求云服务sj的云服务响应时间预测值计算公式为
本发明提供了一种基于偏置张量分解的云服务响应时间预测方法和装置,其专门作用于云服务响应时间数据,能够进行符合统计规律的、准确度高的云服务响应时间预测,以解决针对包含时序信息的动态的云服务响应时间预测问题。可广泛应用在计算机服务计算、通讯等领域。
附图说明
图1为基于偏置张量分解的云服务响应时间预测装置的结构示意图。
图2为基于偏置张量分解的云服务响应时间预测方法流程图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1:参见图1,一种基于偏置张量分解的云服务响应时间预测装置,该装置包括:
云服务响应时间数据接收模块110,用于接收历史云服务响应时间数据,并将其存储到云服务响应时间数据模块。
云服务响应时间数据模块120,用于存储接收的历史云服务响应时间数据,及存储预测的云服务响应时间数据。
云服务响应时间数据张量构造模块130,用于将存储的历史云服务响应时间数据构造成云服务响应时间张量。
云服务响应时间数据线性偏差模块140,用于根据历史云服务响应时间数据,创建初始的响应时间线性偏差数据并存储。
云服务响应时间预测模块150,结合构造的云服务响应时间张量和初始的云服务响应时间线性偏差数据,进行云服务响应时间预测,并将预测的精度最高的云服务响应时间数据存储至云服务响应时间数据模块。
所述云服务响应时间预测模块150包括初始化单元151、训练单元152和云服务响应时间预测值计算单元153;
初始化单元151用于初始化云服务响应时间预测过程中所涉及的相关参数;
训练单元152用于结合构造的云服务响应时间张量和初始的云服务响应时间线性偏差数据以及初始化单元151已初始化的云服务响应时间预测过程中所涉及的相关参数,训练计算历史云服务响应时间的隐特征和云服务响应时间实际线性偏差;
云服务响应时间预测值计算单元153用于根据训练单元152得到的历史云服务响应时间的隐特征和云服务响应时间实际线性偏差,计算云服务响应时间预测值。然后将计算的云服务响应预测值存储至响应时间预测值存储单元。
在具体实施例中,所述云服务响应时间数据模块120包括响应时间数据存储单元121和响应时间预测值存储单元122;
响应时间数据存储单元121,用于将接收的历史云服务响应时间数据以四元组的形式进行存储。四元组表示形式为Q=(u,s,p,t),其中u表示请求云服务的用户,s表示请求的云服务,p表示用户u请求云服务s的时间段,t表示用户u在时间段p请求云服务s的响应时间。
响应时间预测值存储单元122,用于存储预测的云服务响应时间数据,其中响应时间预测值也以四元组的形式存储。
在具体实施例中,所述云服务响应时间张量构造模块130用于将存储的历史云服务响应时间数据构造成云服务响应时间张量;具体为:
将响应时间数据存储单元121中的所有的四元组Q=(u,s,p,t)按照时间段p划分为K个时间段数据,K表示一个正整数,根据具体需求确定其大小,没有具体的取值范围限定)。从中选择出p=1的四元组Q(1)=(u,s,1,t),运用Q(1)的数据(u,s,t)构造切片矩阵P(1),P(1)的大小为I行,J列,矩阵中的元素P(1) ij表示在第1个时间段第i个用户请求第j个云服务的响应时间,其中I为用户的数量,J为请求的云服务的数量,1≤i≤I,1≤j≤J)。再从四元组Q=(u,s,p,t)中依次选择出四元组Q(2)、Q(3)、…、Q(K)分别构造切片矩阵P(2)、P(3)、…、P(K)。最后用K个切片矩阵在三维空间中根据划分的K个时间段由小到大依次从前到后排列构造云服务响应时间张量T∈RI×J×K,R表示实数集,由于每个用户在一个时间段仅能请求部分云服务并且响应时间均为正值,因此构造的云服务响应时间张量T是一个非负稀疏张量,用已知数据集合Γ表示云服务响应时间张量T所有数据组成的集合。
在具体实施例中,云服务响应时间数据线性偏差模块140,用于根据历史云服务响应时间数据,创建初始的响应时间线性偏差数据并存储。具体为:
根据存储在响应时间数据存储单元的历史云服务响应时间数据,创建所有用户u的线性偏差向量x,xi表示第i个用户的线性偏差,并且x的模为M;创建所有云服务s的线性偏差向量y,yj表示第j个云服务的线性偏差,并且y的模为N;创建所有时间片p的线性偏差向量z,zk表示第k个用户的线性偏差,并且z的模为H,其中M=I,N=J,H=K。。
在具体实施例中,初始化单元151用于初始化云服务响应时间预测过程中所涉及的相关参数;具体包括:
初始化云服务响应时间张量T,隐特征矩阵U、S、P;初始化隐特征维数D;初始化最大训练迭代轮数L;初始化训练过程中迭代轮数控制变量r;初始化收敛终止阈值τ;初始化正则化因子λx、λy、λz、λu、λs、λp。
其中:
隐特征维数A决定了隐特征矩阵U、S、P的隐特征空间维数,初始化为正整数;
隐特征矩阵U、S、P的大小由对应的云服务响应时间数据张量T的每个维度值和隐特征维数A确定,即U为I行A列的隐特征矩阵、S为J行A列的隐特征矩阵、P为K行A列的隐特征矩阵,对于三个隐特征矩阵分别用较小的随机正数进行初始化;
最大训练迭代轮数L是控制迭代过程上限的变量,初始化为较大的正整数;
迭代轮数控制变量r初始化为0;
收敛终止阈值τ是判断迭代过程是否已收敛的参数,用极小的正数初始化;
正则化因子λx、λy、λz、λu、λs、λp是控制提取迭代过程中,对应线性偏差向量x、y、z和隐特征矩阵U、S、P相关元素的正则化效应的常数,初始化为较小的正数。
在具体实施例中,训练单元152用于结合构造的云服务响应时间张量和初始的云服务响应时间线性偏差数据以及初始化单元151已初始化的云服务响应时间预测过程中所涉及的相关参数,训练计算历史云服务响应时间的隐特征和云服务响应时间实际线性偏差;具体为:
根据构造的云服务响应时间张量T和云服务响应时间数据线性偏差模块创建的三个线性偏差向量x、y、z以及已初始化的云服务响应时间预测过程中所涉及的相关参数,训练获取历史云服务响应时间的隐特征矩阵U、S、P的值和三个线性偏差向量x、y、z的实际线性偏差值;
其中,获取的历史云服务响应时间的隐特征矩阵U、S、P和三个线性偏差向量x、y、z的实际线性偏差值为:
对云服务响应时间张量T的已知数据集合Γ,构造目标损失函数ε,用以下公式表示:
其中(i,j,k)∈Γ在张量T中包含的已知元素的下标集合;tijk表示云服务响应时间张量T中已知实体即第i个用户在第k个时间请求第j个服务的响应时间值;D表示云服务响应时间张量T分解的三个隐特征矩阵的列数;uid表示用户隐特征矩阵U中第i行第d列的值;sjd表示服务隐特征矩阵S中第j行第d列的值;Pkd表示时间隐特征矩阵P中第k行第d列的值;λx,λy,λz分别表示三个线性偏差向量的正则化参数;λu,λs,λt分别表示三个隐特征矩阵的正则化参数。
并以欧式距离作为优化目标;使用吉洪诺夫正则化,对优化过程进行约束,防止优化过程中出现过拟合的问题;
然后,为保证更新过程中的非负性使用乘法更新规则对目标损失函数ε进行迭代优化,以使目标损失函数ε的值最小,训练迭代的公式如下所示:
其中tijk表示云服务响应时间张量T中已知实体即第i个用户在第k个时间请求第j个服务的响应时间值;D表示云服务响应时间张量T分解的三个隐特征矩阵的列数;uid表示用户隐特征矩阵U中第i行第d列的值;sjd表示服务隐特征矩阵S中第j行第d列的值;Pkd表示时间隐特征矩阵P中第k行第d列的值;λx,λy,λz分别表示三个线性偏差向量的正则化参数;λu,λs,λt分别表示三个隐特征矩阵的正则化参数;表示根据隐特征矩阵和线性偏差向量计算的响应时间估计值,j,k:(i,j,k)∈Γ,i,k:(i,j,k)∈Γ,i,j:(i,j,k)∈Γ分别表示在张量T中每个维度的切片矩阵中包含元素的下标集合。
在已知数据集合Γ上重复上述训练过程,直至目标损失函数ε在已知数据集合Γ上对收敛,收敛判定条件为训练迭代轮数控制变量r达到训练最大迭代轮数L,或者本轮迭代结束后计算得到的目标损失函数ε的值与上一轮目标损失函数ε的值的差的绝对值已经小于收敛终止阈值τ。
所述云服务响应时间预测值计算单元包括:
当目标损失函数ε在已知数据集合Γ上对收敛后,利用目标损失函数ε达到最小值时训练得到的线性偏差向量x、y、z和隐特征矩阵U、S、P,计算精度最高的用户ui在时间段pj请求云服务sj的云服务响应时间预测值计算公式为并将计算得到的云服务响应时间预测值输出至响应时间预测值存储单元存储。
本装置可部署于一个现有的服务器中,也可部署于一个单独设置的、专用于进行云服务响应时间预测的服务器中。
实施例2.参见图2,基于偏置张量分解的云服务响应时间预测方法,该方法包括如下步骤:
S1,云服务响应时间数据接收模块110接收服务器发送的预测历史云服务响应时间的指令,从服务器采集历史云服务响应时间数据。
服务器向云服务响应时间数据接收模块发送指令的方式可以是:定期、或根据所述装置的通知、或根据某服务器的通知,将要求预测云服务响应时间的指令发送给云服务响应时间数据接收模块。
S2,云服务响应时间数据模块120对接收的历史云服务响应时间数据以四元组的形式进行存储。
所述云服务响应时间数据模块(120)包括响应时间数据存储单元(121)和响应时间预测值存储单元(122);
响应时间数据存储单元(121),用于将接收的历史云服务响应时间数据以四元组的形式进行存储。响应时间预测值存储单元(122),用于存储预测的云服务响应时间数据,其中响应时间预测值也以四元组的形式存储。
四元组表示形式为Q=(u,s,p,t),其中u表示请求服务的用户,s表示请求的云服务,p表示用户u请求云服务s的时间段p,t表示用户u在时间段p请求云服务s的响应时间。
S3,云服务响应时间数据张量构造模块将存储的历史云服务响应时间数据构造成云服务响应时间张量。
S4,云服务响应时间数据线性偏差模块根据历史云服务响应时间数据,创建初始的云服务响应时间线性偏差数据并存储。
S5,初始化单元151初始化云服务响应时间预测过程中所涉及的相关参数;
S6,云服务响应时间预测模块结合构造的云服务响应时间张量和初始的云服务响应时间线性偏差数据,构造云服务响应时间预测目标损失函数,进行云服务响应时间预测,并将预测的精度最高的云服务响应时间数据存储至云服务响应时间数据模块的响应时间预测值存储单元;
具体为:
S61,训练单元152结合构造的云服务响应时间张量和初始的云服务响应时间线性偏差数据以及初始化单元151已初始化的云服务响应时间预测过程中所涉及的相关参数,构造云服务响应时间预测目标损失函数,以训练计算历史云服务响应时间的隐特征和云服务响应时间实际线性偏差;
S62,云服务响应时间预测值计算单元153根据训练单元152得到的历史云服务响应时间的隐特征和云服务响应时间实际线性偏差,计算云服务响应时间预测值。然后将计算的云服务响应预测值存储至响应时间预测值存储单元122。
在具体实施例中,S3,所述云服务响应时间张量构造模块130将存储的历史云服务响应时间数据构造成云服务响应时间张量;具体为:
S31,将响应时间数据存储单元121中的所有的四元组Q=(u,s,p,t)按照时间段p划分为K个时间段。(K表示一个正整数,根据具体需求确定其大小,没有具体的取值范围限定);从中选择出p=1的四元组Q(1)=(u,s,1,t),运用Q(1)的数据(u,s,t)构造切片矩阵P(1),P(1)的大小为I行,J列,矩阵中的元素P(1) ij表示在第1个时间段第i个用户请求第j个云服务的响应时间,其中I为用户的数量,J为请求的云服务的数量,1≤i≤I,1≤j≤J)。
S32,从四元组Q=(u,s,p,t)中依次选择出四元组Q(2)、Q(3)、…、Q(K)分别构造切片矩阵P(2)、P(3)、…、P(K)。
S33,将K个切片矩阵在三维空间中根据划分的时间片的时间先后顺序由小到大依次从前到后排列构造三维时序网络数据张量T∈RI×J×K,由于每个用户在一个时间段仅能请求部分云服务并且响应时间均为正值,因此构造的云服务响应时间张量T是一个非负稀疏张量,用已知数据集合Γ表示云服务响应时间张量T所有数据组成的集合。
在具体实施例中,S4,云服务响应时间数据线性偏差模块(140)根据历史云服务响应时间数据,创建初始的云服务响应时间线性偏差数据并存储。具体为:
S41,根据存储在响应时间数据存储单元的历史云服务响应时间数据,创建所有用户u的线性偏差向量x,其中xi表示第i个用户的线性偏差,并且x的模为M,其中M=I;
S42,根据存储在响应时间数据存储单元的历史云服务响应时间数据,创建所有云服务s的线性偏差向量y,其中yj表示第j个云服务的线性偏差,并且y的模为N,其中N=J;
S43,根据存储在响应时间数据存储单元的历史云服务响应时间数据,创建所有时间片p的线性偏差向量z,其中zk表示第k个用户的线性偏差,并且z的模为H,其中H=K;
在具体实施例中,S51,初始化单元151初始化云服务响应时间预测过程中所涉及的相关参数;具体包括:
初始化云服务响应时间张量T,隐特征矩阵U、S、P;初始化隐特征维数A;初始化最大训练迭代轮数L;初始化训练过程中迭代轮数控制变量r;初始化收敛终止阈值τ;初始化正则化因子λx、λy、λz、λu、λs、λp。
其中:
隐特征维数A决定了隐特征矩阵U、S、P的隐特征空间维数,初始化为正整数;
隐特征矩阵U、S、P的大小由对应的云服务响应时间数据张量T的每个维度值和隐特征维数A确定,即U为I行A列的隐特征矩阵、S为J行A列的隐特征矩阵、P为K行A列的隐特征矩阵,对于三个隐特征矩阵分别用较小的随机正数进行初始化;
最大训练迭代轮数L是控制迭代过程上限的变量,初始化为较大的正整数;
迭代轮数控制变量r初始化为0;
收敛终止阈值τ是判断迭代过程是否已收敛的参数,用极小的正数初始化;
正则化因子λx、λy、λz、λu、λs、λp是控制提取迭代过程中,对应线性偏差向量x、y、z和隐特征矩阵U、S、P相关元素的正则化效应的常数,初始化为较小的正数。
在具体实施例中,S61,训练单元(152)结合构造的云服务响应时间张量和初始的云服务响应时间线性偏差数据以及初始化单元(151)已初始化的云服务响应时间预测过程中所涉及的相关参数,训练计算历史云服务响应时间的隐特征和云服务响应时间实际线性偏差;具体为:
S611,结合构造的云服务响应时间数据张量T和云服务响应时间数据线性偏差模块创建的三个线性偏差向量x、y、z以及已初始化的云服务响应时间预测过程中所涉及的相关参数,对云服务响应时间数据张量T的已知数据集合Γ,构造目标损失函数ε,以训练获取历史云服务响应时间的隐特征矩阵U、S、P的值和三个线性偏差向量x、y、z的实际线性偏差值;
目标损失函数ε用以下公式表示:
其中(i,j,k)∈Γ在张量T中包含的已知元素的下标集合;tijk表示云服务响应时间张量T中已知实体即第i个用户在第k个时间请求第j个服务的响应时间值;xi表示第i个用户的线性偏差;yj表示第j个服务的线性偏差;zk表示第k个时间片的线性偏差;D表示云服务响应时间张量T分解的三个隐特征矩阵的列数;uid表示用户隐特征矩阵U中第i行第d列的值;sjd表示服务隐特征矩阵S中第j行第d列的值;Pkd表示时间隐特征矩阵P中第k行第d列的值;λx,λy,λz分别表示三个线性偏差向量的正则化参数;λu,λs,λt分别表示三个隐特征矩阵的正则化参数
并以欧式距离作为优化目标;使用吉洪诺夫正则化,对优化过程进行约束,防止优化过程中出现过拟合的问题;
S612,为保证更新过程中的非负性使用乘法更新规则对目标损失函数ε进行迭代优化,以使目标损失函数ε的值最小,训练迭代的公式如下所示:
其中tijk表示云服务响应时间张量T中已知实体即第i个用户在第k个时间请求第j个服务的响应时间值;xi表示第i个用户的线性偏差;yj表示第j个服务的线性偏差;zk表示第k个时间片的线性偏差;D表示云服务响应时间张量T分解的三个隐特征矩阵的列数;uid表示用户隐特征矩阵U中第i行第d列的值;sjd表示服务隐特征矩阵S中第j行第d列的值;Pkd表示时间隐特征矩阵P中第k行第d列的值;λx,λy,λz分别表示三个线性偏差向量的正则化参数;λu,λs,λt分别表示三个隐特征矩阵的正则化参数;表示根据隐特征矩阵和线性偏差向量计算的响应时间估计值,
j,k:(i,j,k)∈Γ,i,k:(i,j,k)∈Γ,i,j:(i,j,k)∈Γ分别表示在张量T中每个维度的切片矩阵中包含元素的下标集合。
S613,判断目标损失函数ε在Γ上训练迭代过程是否达到迭代终止条件,在达到终止条件后终止。
在本步骤中,ε在Γ上训练迭代过程达到终止条件有两种情况。第一是ε每迭代一轮,训练迭代轮数控制变量r的值加1,当r的值达到最大训练迭代轮数L时,ε停止训练;第二种是ε训练过程中,本轮迭代结束后计算得到的ε值与上一轮ε值的差的绝对值已经小于收敛终止阈值τ时,ε停止训练。
在具体实施例中,S62,云服务响应时间预测值计算单元153根据训练单元152得到的历史云服务响应时间的隐特征和云服务响应时间实际线性偏差,计算云服务响应时间预测值。具体为:
当目标损失函数ε在已知数据集合Γ上对收敛后,利用目标损失函数ε达到最小值时训练得到的线性偏差向量x、y、z和隐特征矩阵U、S、P,计算精度最高的用户ui在时间段pj请求云服务sj的云服务响应时间预测值计算公式为
本发明实施例2提供了一种基于偏置张量分解的云服务响应时间预测方法,其专门作用于云服务响应时间数据,能够进行符合统计规律的、准确的云服务响应时间预测,以解决针对包含时序信息的动态的云服务响应时间预测问题。
以上所述仅为本发明的优选实施例,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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 (10)
1.一种基于偏置张量分解的云服务响应时间预测装置,其特征在于:该装置包括:
云服务响应时间数据接收模块(110),用于接收历史云服务响应时间数据,并将其存储到云服务响应时间数据模块;
云服务响应时间数据模块(120),用于存储接收的历史云服务响应时间数据,及存储预测的云服务响应时间数据;
云服务响应时间数据张量构造模块(130),用于将存储的历史云服务响应时间数据构造成云服务响应时间张量;
云服务响应时间数据线性偏差模块(140),用于根据历史云服务响应时间数据,创建初始的响应时间线性偏差数据并存储;
云服务响应时间预测模块(150),结合构造的云服务响应时间张量和初始的云服务响应时间线性偏差数据,进行云服务响应时间预测,并将预测的精度最高的云服务响应时间数据存储至云服务响应时间数据模块;
所述云服务响应时间预测模块(150)包括初始化单元(151)、训练单元(152)和云服务响应时间预测值计算单元(153);
初始化单元(151)用于初始化云服务响应时间预测过程中所涉及的相关参数;
训练单元(152)用于结合构造的云服务响应时间张量和初始的云服务响应时间线性偏差数据以及初始化单元(151)已初始化的云服务响应时间预测过程中所涉及的相关参数,训练计算历史云服务响应时间的隐特征和云服务响应时间实际线性偏差;
云服务响应时间预测值计算单元(153)用于根据训练单元(152)得到的历史云服务响应时间的隐特征和云服务响应时间实际线性偏差,计算云服务响应时间预测值;然后将计算的云服务响应预测值存储至响应时间预测值存储单元。
2.根据权利要求1所述的一种基于偏置张量分解的云服务响应时间预测装置,其特征在于:所述云服务响应时间数据模块(120)包括响应时间数据存储单元(121)和响应时间预测值存储单元(122);
响应时间数据存储单元(121),用于将接收的历史云服务响应时间数据以四元组的形式进行存储;四元组表示形式为Q=(u,s,p,t),其中u表示请求云服务的用户,s表示请求的云服务,p表示用户u请求云服务s的时间段,t表示用户u在时间段p请求云服务s的响应时间;
响应时间预测值存储单元(122),用于存储预测的云服务响应时间数据,其中响应时间预测值也以四元组的形式存储。
3.根据权利要求2所述的一种基于偏置张量分解的云服务响应时间预测装置,其特征在于:所述云服务响应时间张量构造模块(130)用于将存储的历史云服务响应时间数据构造成云服务响应时间张量;具体为:
将响应时间数据存储单元(121)中的所有的四元组Q=(u,s,p,t)按照时间段p划分为K个时间段;从中选择出p=1的四元组Q(1)=(u,s,1,t),运用Q(1)的数据(u,s,t)构造切片矩阵P(1),P(1)的大小为I行,J列,矩阵中的元素P(1) ij表示在第1个时间段第i个用户请求第j个云服务的响应时间,其中I为用户的数量,J为请求的云服务的数量,1≤i≤I,1≤j≤J);再从四元组Q=(u,s,p,t)中依次选择出四元组Q(2)、Q(3)、…、Q(K)分别构造切片矩阵P(2)、P(3)、…、P(K);最后用K个切片矩阵在三维空间中根据划分的K个时间段由小到大依次从前到后排列构造云服务响应时间张量T∈RI×J×K,(R表示实数集)由于每个用户在一个时间段仅能请求部分云服务并且响应时间均为正值,因此构造的云服务响应时间张量T是一个非负稀疏张量,用已知数据集合Γ表示云服务响应时间张量T所有数据组成的集合。
4.根据权利要求2所述的一种基于偏置张量分解的云服务响应时间预测装置,其特征在于:云服务响应时间数据线性偏差模块(140),用于根据历史云服务响应时间数据,创建初始的响应时间线性偏差数据并存储;具体为:
根据存储在响应时间数据存储单元的历史云服务响应时间数据,创建所有用户u的线性偏差向量x,xi表示第i个用户的线性偏差,并且x的模为M;创建所有云服务s的线性偏差向量y,yj表示第j个云服务的线性偏差,并且y的模为N;创建所有时间片p的线性偏差向量z,zk表示第k个用户的线性偏差,并且z的模为H,其中M=I,N=J,H=K。
5.根据权利要求4所述的一种基于偏置张量分解的云服务响应时间预测装置,其特征在于:训练单元(152)用于结合构造的云服务响应时间张量和初始的云服务响应时间线性偏差数据以及初始化单元(151)已初始化的云服务响应时间预测过程中所涉及的相关参数,训练计算历史云服务响应时间的隐特征和云服务响应时间实际线性偏差;具体为:
根据构造的云服务响应时间张量T和云服务响应时间数据线性偏差模块创建的三个线性偏差向量x、y、z以及已初始化的云服务响应时间预测过程中所涉及的相关参数,训练获取历史云服务响应时间的隐特征矩阵U、S、P的值和三个线性偏差向量x、y、z的实际线性偏差值;
其中,获取的历史云服务响应时间的隐特征矩阵U、S、P和三个线性偏差向量x、y、z的实际线性偏差值为:
对云服务响应时间张量T的已知数据集合Γ,构造目标损失函数ε,用以下公式表示:
并以欧式距离作为优化目标;使用吉洪诺夫正则化,对优化过程进行约束,防止优化过程中出现过拟合的问题;
然后,为保证更新过程中的非负性使用乘法更新规则对目标损失函数ε进行迭代优化,以使目标损失函数ε的值最小,训练迭代的公式如下所示:
其中表示根据隐特征矩阵和线性偏差向量计算的响应时间估计值,j,k:(i,j,k)∈Γ,i,k:(i,j,k)∈Γ,i,j:(i,j,k)∈Γ分别表示在张量T中每个维度的切片矩阵中包含元素的下标集合;
在已知数据集合Γ上重复上述训练过程,直至目标损失函数ε在已知数据集合Γ上对收敛,收敛判定条件为训练迭代轮数控制变量r达到训练最大迭代轮数,或者本轮迭代结束后计算得到的目标损失函数ε的值与上一轮目标损失函数ε的值的差的绝对值已经小于收敛终止阈值;
所述云服务响应时间预测值计算单元包括:
当目标损失函数ε在已知数据集合Γ上对收敛后,利用目标损失函数ε达到最小值时训练得到的线性偏差向量x、y、z和隐特征矩阵U、S、P,计算精度最高的用户ui在时间段pj请求云服务sj的云服务响应时间预测值计算公式为并将计算得到的云服务响应时间预测值输出至响应时间预测值存储单元存储。
6.基于偏置张量分解的云服务响应时间预测方法,其特征在于:该过程包括如下步骤:
S1,接收服务器发送的预测历史云服务响应时间的指令,从服务器采集历史云服务响应时间数据;
S2,对接收的历史云服务响应时间数据以四元组的形式进行存储;四元组表示形式为Q=(u,s,p,t),其中u表示请求服务的用户,s表示请求的云服务,p表示用户u请求云服务s的时间段p,t表示用户u在时间段p请求云服务s的响应时间;
S3,将存储的历史云服务响应时间数据构造成云服务响应时间张量;
S4,根据历史云服务响应时间数据,创建初始的云服务响应时间线性偏差数据并存储;
S5,初始化云服务响应时间预测过程中所涉及的相关参数;
S6,结合构造的云服务响应时间张量和初始的云服务响应时间线性偏差数据,构造云服务响应时间预测目标损失函数,进行云服务响应时间预测,并将预测的精度最高的云服务响应时间数据存储;具体为:
S61,结合构造的云服务响应时间张量和初始的云服务响应时间线性偏差数据以及已初始化的云服务响应时间预测过程中所涉及的相关参数,构造云服务响应时间预测目标损失函数,以训练计算历史云服务响应时间的隐特征和云服务响应时间实际线性偏差;
S62,根据得到的历史云服务响应时间的隐特征和云服务响应时间实际线性偏差,计算云服务响应时间预测值并存储。
7.根据权利要求6所述的基于偏置张量分解的云服务响应时间预测方法,其特征在于:S3,将存储的历史云服务响应时间数据构造成云服务响应时间张量;具体为:
S31,将历史云服务响应时间数据以四元组的形式进行存储的所有的四元组Q=(u,s,p,t)按照时间段p划分为K个时间段数据;从中选择出p=1的四元组Q(1)=(u,s,1,t),运用Q(1)的数据(u,s,t)构造切片矩阵P(1),P(1)的大小为I行,J列,矩阵中的元素P(1) ij表示在第1个时间段第i个用户请求第j个云服务的响应时间,其中I为用户的数量,J为请求的云服务的数量,1≤i≤I,1≤j≤J);
S32,从四元组Q=(u,s,p,t)中依次选择出四元组Q(2)、Q(3)、…、Q(K)分别构造切片矩阵P(2)、P(3)、…、P(K);
S33,将切片矩阵在三维空间中根据划分的时间片的时间先后顺序由小到大依次从前到后排列构造三维时序网络数据张量T∈RI×J×K,由于每个用户在一个时间段仅能请求部分云服务并且响应时间均为正值,因此构造的云服务响应时间张量T是一个非负稀疏张量,用已知数据集合Γ表示云服务响应时间张量T所有数据组成的集合。
8.根据权利要求7所述的基于偏置张量分解的云服务响应时间预测方法,其特征在于:S4,根据历史云服务响应时间数据,创建初始的响应时间线性偏差数据并存储;具体为:
S41,根据历史云服务响应时间数据,创建所有用户u的线性偏差向量x并存储,用xi表示第i个用户的线性偏差,并且x的模为M,其中M=I;
S42,根据历史云服务响应时间数据,创建所有云服务s的线性偏差向量y并存储,用yj表示第j个云服务的线性偏差,并且y的模为N,其中N=J;
S43,根据历史云服务响应时间数据,创建所有时间片p的线性偏差向量z并存储,用zk表示第k个用户的线性偏差,并且z的模为H,其中H=K。
9.根据权利要求8所述的基于偏置张量分解的云服务响应时间预测方法,其特征在于:S61,结合构造的云服务响应时间张量和初始的云服务响应时间线性偏差数据以及已初始化的云服务响应时间预测过程中所涉及的相关参数,构造云服务响应时间预测目标损失函数,以训练计算历史云服务响应时间的隐特征和云服务响应时间实际线性偏差;具体为:
S611,结合构造的云服务响应时间数据张量T和创建的三个线性偏差向量x、y、z以及已初始化的云服务响应时间预测过程中所涉及的相关参数,对云服务响应时间数据张量T的已知数据集合Γ,构造目标损失函数ε,以训练获取历史云服务响应时间的隐特征矩阵U、S、P的值和三个线性偏差向量x、y、z的实际线性偏差值;
目标损失函数ε用以下公式表示:
并以欧式距离作为优化目标;使用吉洪诺夫正则化,对优化过程进行约束,防止优化过程中出现过拟合的问题;
S612,为保证更新过程中的非负性使用乘法更新规则对目标损失函数ε进行迭代优化,以使目标损失函数ε的值最小,训练迭代的公式如下所示:
其中表示根据隐特征矩阵和线性偏差向量计算的响应时间估计值,j,k:(i,j,k)∈Γ,i,k:(i,j,k)∈Γ,i,j:(i,j,k)∈Γ分别表示在张量T中每个维度的切片矩阵中包含元素的下标集合;
S613,判断目标损失函数ε在已知数据集合Γ上训练迭代过程是否达到终止条件,在达到终止条件后终止;
在本步骤中,目标损失函数ε在已知数据集合Γ上训练迭代过程达到终止条件有两种情况;第一是ε每迭代一轮,训练迭代轮数控制变量r的值加1,当r的值达到最大训练迭代轮数L时,ε停止训练;第二种是ε训练过程中,本轮迭代结束后计算得到的ε值与上一轮ε值的差的绝对值已经小于收敛终止阈值时,ε停止训练。
10.根据权利要求9所述的基于偏置张量分解的云服务响应时间预测方法,其特征在于:S62,根据得到的历史云服务响应时间的隐特征和云服务响应时间实际线性偏差,计算云服务响应时间预测值;具体为:
当目标损失函数ε在已知数据集合Γ上对收敛后,利用目标损失函数ε达到最小值时训练得到的线性偏差向量x、y、z和隐特征矩阵U、S、P,计算精度最高的用户ui在时间段pj请求云服务sj的云服务响应时间预测值计算公式为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910180073.6A CN110113180B (zh) | 2019-03-11 | 2019-03-11 | 一种基于偏置张量分解的云服务响应时间预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910180073.6A CN110113180B (zh) | 2019-03-11 | 2019-03-11 | 一种基于偏置张量分解的云服务响应时间预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110113180A true CN110113180A (zh) | 2019-08-09 |
CN110113180B CN110113180B (zh) | 2021-11-26 |
Family
ID=67484242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910180073.6A Active CN110113180B (zh) | 2019-03-11 | 2019-03-11 | 一种基于偏置张量分解的云服务响应时间预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110113180B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112182395A (zh) * | 2020-10-10 | 2021-01-05 | 深圳市万佳安物联科技股份有限公司 | 一种基于时间序列的金融服务个性化推荐装置和方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102739469A (zh) * | 2012-05-28 | 2012-10-17 | 重庆大学 | 一种基于时间序列的Web服务响应时间预测方法 |
CN104660699A (zh) * | 2015-02-25 | 2015-05-27 | 重庆大学 | 基于可变斜率的缺失服务响应时间补足方法和装置 |
US20180081918A1 (en) * | 2016-09-16 | 2018-03-22 | Oracle International Corporation | Historical data representation in cloud service |
CN109325266A (zh) * | 2018-08-29 | 2019-02-12 | 天津大学 | 面向在线云服务的响应时间分布预测方法 |
-
2019
- 2019-03-11 CN CN201910180073.6A patent/CN110113180B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102739469A (zh) * | 2012-05-28 | 2012-10-17 | 重庆大学 | 一种基于时间序列的Web服务响应时间预测方法 |
CN104660699A (zh) * | 2015-02-25 | 2015-05-27 | 重庆大学 | 基于可变斜率的缺失服务响应时间补足方法和装置 |
US20180081918A1 (en) * | 2016-09-16 | 2018-03-22 | Oracle International Corporation | Historical data representation in cloud service |
CN109325266A (zh) * | 2018-08-29 | 2019-02-12 | 天津大学 | 面向在线云服务的响应时间分布预测方法 |
Non-Patent Citations (4)
Title |
---|
XIN LUO: "Generating Highly Accurate Predictions for Missing QoS Data via Aggregating Nonnegative Latent Factor Models", 《 IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 * |
XIN LUO等: "Symmetric and Nonnegative Latent Factor Models for Undirected, High-Dimensional, and Sparse Networks in Industrial Applications", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 * |
YILEI ZHANG等: "WSPred: A Time-Aware Personalized QoS Prediction Framework for Web Services", 《2011 IEEE 22ND INTERNATIONAL SYMPOSIUM ON SOFTWARE RELIABILITY ENGINEERING》 * |
刘欣: "基于矩阵隐特征分析的推荐模型关键技术研究", 《CNKI优秀硕士学位论文全文库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112131080B (zh) * | 2020-09-24 | 2024-05-28 | 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 |
CN112182395A (zh) * | 2020-10-10 | 2021-01-05 | 深圳市万佳安物联科技股份有限公司 | 一种基于时间序列的金融服务个性化推荐装置和方法 |
CN112182395B (zh) * | 2020-10-10 | 2023-08-29 | 深圳市万佳安物联科技股份有限公司 | 一种基于时间序列的金融服务个性化推荐装置和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110113180B (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Warton et al. | Poisson point process models solve the" pseudo-absence problem" for presence-only data in ecology | |
CN110138595A (zh) | 动态加权网络的时间链路预测方法、装置、设备及介质 | |
CN110390561B (zh) | 基于动量加速随机梯度下降的用户-金融产品选用倾向高速预测方法和装置 | |
Braakmann-Folgmann et al. | Sea level anomaly prediction using recurrent neural networks | |
Waller et al. | On diagnosing observation‐error statistics with local ensemble data assimilation | |
WO2017161646A1 (zh) | 大数据量预测的三层联合动态选择最优模型方法 | |
CN110113180A (zh) | 一种基于偏置张量分解的云服务响应时间预测方法和装置 | |
CN106789338B (zh) | 一种在动态大规模社交网络中发现关键人物的方法 | |
CN112541639A (zh) | 基于图神经网络和注意力机制的推荐系统评分预测方法 | |
Zanfei et al. | An ensemble neural network model to forecast drinking water consumption | |
CN110413878A (zh) | 基于自适应弹性网络的用户-商品偏好的预测装置和方法 | |
Xu | Issues influencing accuracy of hydrological modeling in a changing environment | |
CN112381282A (zh) | 基于宽度学习系统的光伏发电功率预测方法 | |
Myren et al. | A comparison of Gaussian processes and neural networks for computer model emulation and calibration | |
Li et al. | Uncertainty modelling and analysis of volume calculations based on a regular grid digital elevation model (DEM) | |
CN116957167B (zh) | 一种电动汽车充电桩充电时长预测方法和装置 | |
CN107704944B (zh) | 一种基于信息论学习的股市波动区间预测模型的构建方法 | |
Maheu et al. | An efficient Bayesian approach to multiple structural change in multivariate time series | |
CN108647364A (zh) | 一种基于移动终端应用数据的预测推荐方法 | |
CN112801364A (zh) | 基于miv与改进蝙蝠算法的参考作物腾发量预测方法 | |
CN117114190A (zh) | 一种基于混合深度学习的河道径流预测方法及设备 | |
CN115759291B (zh) | 一种基于集成学习的空间非线性回归方法及系统 | |
Nachane | Dynamic stochastic general equilibrium (DSGE) modelling in practice: identification, estimation and evaluation | |
CN115333957B (zh) | 基于用户行为和企业业务特征的业务流量预测方法及系统 | |
Ye et al. | Proposed strategy for the application of the modified harmony search algorithm to code-based selection and scaling of ground motions |
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 |