CN111125541A - 面向多用户的可持续多云服务组合的获取方法 - Google Patents
面向多用户的可持续多云服务组合的获取方法 Download PDFInfo
- Publication number
- CN111125541A CN111125541A CN201911280760.1A CN201911280760A CN111125541A CN 111125541 A CN111125541 A CN 111125541A CN 201911280760 A CN201911280760 A CN 201911280760A CN 111125541 A CN111125541 A CN 111125541A
- Authority
- CN
- China
- Prior art keywords
- service
- cloud
- combination
- user
- provider
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种面向多用户的可持续多云服务组合的获取方法,包括如下步骤:S100:基于社交网络的信息构建多用户‑服务评分矩阵;S200:对所述多用户‑服务评分矩阵用SVM回归做进一步优化,然后将服务进行DBSCAN聚类,得到服务请求序列;S300:将所述服务请求序列输入到概念格,进行筛选运算,得出候选云服务组合,再计算每个候选云服务组合的可持续指标,并据此来获取满足最佳可持续性的多云服务组合。该方法改进传统的协同过滤中数据稀疏的冷启动问题,以及加强了服务聚合,提高了服务获取的准确率;同时提高了筛选云组合的速度和质量,从而克服了单个云产生的性能差等问题。
Description
技术领域
本公开属于一种云计算技术领域,特别是一种面向多用户的可持续多云服务组合的获取方法。
背景技术
随着Internet的迅速发展,云计算成为提供不服务更便捷有效的方法之一,云平台数量和提供的服务数量大大增多,在分布式服务云中,用户能不受时间地点限制访问云端提供的各类服务。许多可用的服务提供相同或相似的服务,使得云用户很难确定符合自己偏好的合适服务。因此,亟需一种面向多云平台的云获取方案。
协同过滤是较早运用在电子商务中的方法之一,然而,协同过滤已经是较老的方法,存在冷启动等问题。为了提高获取服务的准确率,亟需对基于协同过滤的系统进行改进。
云计算领域,不同的云有不同的特性,为了达到服务的高可用性和质量水平,可以从不同的云平台部署服务,这样的云策略比单一云更具有优势,如提高企业性能和降低成本。然而,多云组合会带来比如云间能耗,安全隐私等问题。为了克服单个云产生的性能差等问题,亟需一种可以提高筛选云组合的速度和质量的方法。
发明内容
为了解决上述问题,本公开提供了一种面向多用户的可持续多云服务组合的获取方法,包括如下步骤:
S100:基于社交网络的信息构建多用户-服务评分矩阵;
S200:对所述多用户-服务评分矩阵用SVM回归做进一步优化,然后将服务进行DBSCAN聚类,得到服务请求序列;
S300:将所述服务请求序列输入到概念格,进行筛选运算,得出候选云服务组合,再计算每个候选云服务组合的可持续指标,并据此来获取满足最佳可持续性的多云服务组合。
通过上述技术方案,首先,通过增强式协同过滤为目标用户获取服务序列,再利用形式概念分析实现了多云环境下服务组合推导云组合过程中的信息筛选,为用户选择适合的云组合提供指导。该增强的协同过滤方法相较传统的协同过滤中改进数据稀疏的冷启动问题,以及加强了服务聚合,有利于找到与目标用户更相似的服务,提高了服务获取的准确率;其次,为了选出高可持续性的云组合,本方法使用了形式概念分析方法,利用概念格善于分析数据的工具优势,生成关于服务、提供商、云的概念格,提取我们想知道的组合信息,提高了筛选云组合的速度和质量,从而克服了单个云产生的性能差等问题。
附图说明
图1是本公开一个实施例中一种面向多用户的可持续多云服务组合的获取方法的流程图;
图2是本公开一个实施例中的面向多用户的服务获取系统的流程图;
图3是本公开一个实施例中的概念格筛选并推送流程的流程图;
图4是本公开一个实施例中云1的服务-提供商格示意图;
图5是本公开一个实施例中多云环境的提供商-云格示意图。
具体实施方式
在一个实施例中,如图1所示,公开了一种面向多用户的可持续多云服务组合的获取方法,包括如下步骤:
S100:基于社交网络的信息构建多用户-服务评分矩阵;
S200:对所述多用户-服务评分矩阵用SVM回归做进一步优化,然后将服务进行DBSCAN聚类,得到服务请求序列;
S300:将所述服务请求序列输入到概念格,进行筛选运算,得出候选云服务组合,再计算每个候选云服务组合的可持续指标,并据此来获取满足最佳可持续性的多云服务组合。
就该实施例而言,首先,本方法应用SVM回归和DBSCAN聚类等研究方法,来改进数据稀疏和服务相似聚合,称之为增强的协同过滤,确定了目标用户发送的服务请求。其次,形式概念分析(FCA)方法为优化多云组合提供了新思路,本方法用概念格将多云环境的云、提供者、服务抽象到格中,再利用格与格之间隐藏的关联提取有价值的信息,从而快速且有效地找出最优组合。
在另一个实施例中,步骤S100具体为:
基于社区内用户的服务订阅记录,构建多用户-服务评分矩阵,记为A,该矩阵包括s个用户u1,u2,…us,对t个服务s1,s2,…,st的评分,即A为s×t阶的矩阵,s和t均为自然数,矩阵中的元素aij表示用户i对服务j的评分,i和j均为自然数,且1≤i≤s,1≤j≤t;矩阵A表示为:
就该实施例而言,构建用户-服务评分矩阵用于刻画用户对于服务的偏好。
在另一个实施例中,如图2所示,步骤S200进一步包括如下步骤:
S201:对所述多用户-服务评分矩阵用SVM回归预测缺失值,并补全所述多用户-服务评分矩阵的缺失值;
S202:将所述预处理后的服务进行DBSCAN聚类;
S203:计算服务相关性。
就该实施例而言,该增强的协同过滤方法相较传统的协同过滤中改进数据稀疏的冷启动问题,以及加强了服务聚合,有利于找到与目标用户更相似的服务,提高了服务获取的准确率。
在另一个实施例中,如图3所示,步骤S300进一步包括如下步骤:
S301:建立服务-提供商格和提供商-云格;
S302:将所述服务请求序列输入服务-提供商格,得到提供商组合;
S303:将所述提供商组合输入提供商-云格,输出侯选云服务组合;
S304:依次对所述候选云服务组合逐一计算可持续指标,从高到低排序输出云服务组合。
就该实施例而言,使用了形式概念分析方法,利用概念格善于分析数据的工具优势,生成关于服务、提供商、云的概念格,提高了筛选云组合的速度和质量,从而克服了单个云产生的性能差等问题。
在另一个实施例中,步骤S201具体为:
首先,构建服务训练集{(xi,yi),i=1,2...,l,l≤m},其中,yi=aid,xi=(ai1,...,aid-1,aid+1,...,ain)表示没有缺失值的用户i中除去服务d后对其他服务评价数据所构成的向量,aij表示第i个用户对第j个服务的评价值,m是训练集中服务,n是服务数量,m,n都是正整数;
然后,以xi为输入值,yi为对应的目标值,将样本点用函数映射到高维特征空间进行线性回归,继而获得在原空间中的估计结果;设估计函数为:其中,f(x)是估计函数,ω为权向量,为输入的非线性映射集合,b为阈值;经过推导,可得回归估计函数为支持向量,决定了f(x)的复杂度,K(x,xi)为满足Mercer的核函数,b为阈值;
最后,缺失数据atd=f(xt)为其预测值;然后补全用户-服务评分矩阵的缺失值。
就该实施例而言,进行初步分析,服务的数据集进行训练,采用SVR生成一个函数f(x)使所有样本点离超平面的总偏差最小,降低误差,对服务评价数据的缺失值进行估计。
最后得到的回归估计函数为
在另一个实施例中,步骤S202具体为:
样本集是服务集合{s1,s2,…,st},输入邻域参数Eps,MinPts,对于i=1,2,...t,通过欧氏距离距离度量方式,找到服务Si的Eps-邻域子服务集N(Si),若服务数量|N(Si)|≥MinPts,那么Si是核心服务,也就形成一个簇,否则服务Si不是核心服务,i+1,遍历下一个服务。
就该实施例而言,利用上一步得到的预处理服务数据,采用DBSCAN算法将服务进行聚类。聚类可以使对象(变量)按相似程度(距离远近)划分类别,使得同一类中的元素之间的相似性比其他类的元素的相似性更强。目的在于使类间元素的同质性最大化和类与类间元素的异质性最大化。
在另一个实施例中,步骤S203具体为:计算请求服务Wk与同一簇中的其他服务Wi的相关性,计算公式为
其中Wkj和Wij分别是第j个用户对服务Wk与服务Wi的评分,代表所有用户对服务Wk的评分均值,代表所有用户对服务Wi的评分均值;将服务集合{s1,s2,…,st},矩阵代入其中,给定目标用户已经选择的服务,经过相似度计算公式,得到服务请求序列。
就该实施例而言,计算请求服务Wk与同一簇中的其他服务Wi的相关性。
在另一个实施例中,步骤S302具体为:
将所述服务请求序列输入服务-提供商格,针对每个概念,从第i个服务-提供商格开始,把服务请求序列R依次输入到它中,针对每个概念,R和此概念的外延被检查匹配,若有外延相交不为空的时刻,概念对应的内涵被放入一个集合Ω,并去除作为交集的服务,循环遍历所有的概念,直到服务请求序列的个体全都被匹配到,找到能满足条件的候选提供商组合。
就该实施例而言,利用面向多用户的多云环境中的数据,服务作为对象,提供商作为属性,构造二维表,某一对象是由某提供商提供的,标注1,否则标0;再以该二维表为输入,利用形式概念分析技术构造概念格,称之为服务-提供商格。
其中,此概念不是普适意义上的概念,而是形式概念分析理论中的形式概念,简称概念。概念由某种偏序关系组成概念格。R和此概念的外延被检查匹配具体实现方式就是对比相交。外延和内涵是形式概念分析理论里的名词。
在另一个实施例中,步骤S303具体为:
候选提供商组合Pi作为输入,进入到提供商-云格,将候选提供商组合P1与其中的概念的外延依次做交集,若交集为空,直接跳过该概念,若交集不为空,此概念内涵存到一个集合K,P1去除交集服务继续匹配下一个概念,直到P1为空,Pi重复上述过程,最终的输出就是候选云服务组合。
就该实施例而言,以提供商作对象,云为属性,构造二维表,最终应用概念格生成算法得到提供商-云格。
在另一个实施例中,步骤S304具体为:
对每组候选云服务组合,计算公式如下:
其中,N为产生的候选云服务组合的个数,α,β均为一个常数,取值为正整数;可持续指标SUSk代表侯选云服务组合具有的可持续性的程度,代表第k个云服务组合为最终被获取的可持续性最高的云服务组合;Wk表示耗能评估参数,Pk表示价格评估参数,Tk表示信任评估参数。
就该实施例而言,利用得到的候选云组合,从可持续角度筛选,考虑三个参数,耗能评估参数Wk,价格评估参数Pk,信任评估参数Tk,分别代表了某云组合投入使用产生的能耗,购入所花费的价钱,整体受到用户的信任程度。给定一个可持续性的评价标准,计算每个候选云组合的对应值,选出最高值所对应的云组合并给目标用户。
在另一个实施例中,例如给出一个多云环境如下表1。
表1
以云1为例,该云的形式背景假设如下表2(其他云进行类似操作):
表2
利用生成概念格程序得到云1的服务-提供商格如图4。
假设提供商-云的形式背景如下表3:
表3
生成概念格提供商-云格如图5。
可见,假设得到的服务请求序列为R={S2,S4,S8,S16},经过上述过程产生的候选提供商组合为{P2,P5},{P3,P5,P8}。上面的{P2,P5},{P3,P5,P8}作为输入,{P2,P5}与提供商-云格中的每一个节点概念的外延相匹配,如有交集,将此概念的内涵存入一个集合,{P2,P5}去掉前一步匹配的提供商,重复以上步骤,直到{P2,P5}中为空;{P3,P5,P8}同理。最终筛选出的多云服务为{C3,C4,C1,C2},{C3,C4,C1}。将多云服务候选集{C3,C4,C1,C2},{C3,C4,C1}带入可持续性公式,结果如下表4:
表4
最终为目标用户获取最佳可持续性云组合为{C3,C4,C1}。
尽管以上结合附图对本发明的实施方案进行了描述,但本发明并不局限于上述的具体实施方案和应用领域,上述的具体实施方案仅仅是示意性的、指导性的,而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下,还可以做出很多种的形式,这些均属于本发明保护之列。
Claims (10)
1.一种面向多用户的可持续多云服务组合的获取方法,包括如下步骤:
S100:基于社交网络的信息构建多用户-服务评分矩阵;
S200:对所述多用户-服务评分矩阵用SVM回归做进一步优化,然后将服务进行DBSCAN聚类,得到服务请求序列;
S300:将所述服务请求序列输入到概念格,进行筛选运算,得出候选云组合,再计算每个候选云组合的可持续指标,并据此来获取满足最佳可持续性的多云服务组合。
3.根据权利要求1的方法,其中,步骤S200进一步包括如下步骤:
S201:对所述多用户-服务评分矩阵用SVM回归预测缺失值,并补全所述多用户-服务评分矩阵的缺失值;
S202:将所述预处理后的服务进行DBSCAN聚类;
S203:计算服务相关性。
4.根据权利要求1的方法,其中,步骤S300进一步包括如下步骤:
S301:建立服务-提供商格和提供商-云格;
S302:将所述服务请求序列输入服务-提供商格,得到提供商组合;
S303:将所述提供商组合输入提供商-云格,输出侯选云服务组合;
S304:依次对所述候选云服务组合逐一计算可持续指标,从高到低排序输出云服务组合。
5.根据权利要求3的方法,其中,步骤S201具体为:
首先,构建服务训练集{(xi,yi),i=1,2...,l,l≤m},其中,yi=aid,xi=(ai1,...,aid-1,aid+1,...,ain)表示没有缺失值的用户i中除去服务d后对其他服务评价数据所构成的向量,aij表示第i个用户对第j个服务的评价值,m是训练集中服务,n是服务数量,m,n都是正整数;
然后,以xi为输入值,yi为对应的目标值,将样本点用函数映射到高维特征空间进行线性回归,继而获得在原空间中的估计结果;设估计函数为:其中,f(x)是估计函数,ω为权向量,为输入的非线性映射集合,b为阈值;经过推导,可得回归估计函数(αi-αi *)为支持向量,决定了f(x)的复杂度,K(X,Xi)为满足Mercer的核函数,b为阈值;
最后,缺失数据atd=f(xt)为其预测值;然后补全用户-服务评分矩阵的缺失值。
6.根据权利要求3的方法,其中,步骤S202具体为:
样本集是服务集合{s1,s2,…,st},输入邻域参数Eps,MinPts,对于i=1,2,...t,通过欧氏距离距离度量方式,找到服务Si的Eps-邻域子服务集N(Si),若服务数量|N(Si)|≥MinPts,那么Si是核心服务,也就形成一个簇,否则服务Si不是核心服务,i+1,遍历下一个服务。
8.根据权利要求4的方法,其中,步骤S302具体为:
将所述服务请求序列输入服务-提供商格,针对每个概念,从第i个服务-提供商格开始,把服务请求序列R依次输入到它中,针对每个概念,R和此概念的外延被检查匹配,若有外延相交不为空的时刻,概念对应的内涵被放入一个集合Ω,并去除作为交集的服务,循环遍历所有的概念,直到服务请求序列的个体全都被匹配到,找到能满足条件的候选提供商组合。
9.根据权利要求4的方法,其中,步骤S303具体为:
候选提供商组合Pi作为输入,进入到提供商-云格,将候选提供商组合P1与其中的概念的外延依次做交集,若交集为空,直接跳过该概念,若交集不为空,此概念内涵存到一个集合K,P1去除交集服务继续匹配下一个概念,直到P1为空,Pi重复上述过程,最终的输出就是候选云服务组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911280760.1A CN111125541B (zh) | 2019-12-13 | 2019-12-13 | 面向多用户的可持续多云服务组合的获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911280760.1A CN111125541B (zh) | 2019-12-13 | 2019-12-13 | 面向多用户的可持续多云服务组合的获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111125541A true CN111125541A (zh) | 2020-05-08 |
CN111125541B CN111125541B (zh) | 2023-04-07 |
Family
ID=70500012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911280760.1A Active CN111125541B (zh) | 2019-12-13 | 2019-12-13 | 面向多用户的可持续多云服务组合的获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111125541B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022246994A1 (zh) * | 2021-05-24 | 2022-12-01 | 浙江大学 | 一种组合服务动态演化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130290511A1 (en) * | 2012-04-27 | 2013-10-31 | Susan Chuzhi Tu | Managing a sustainable cloud computing service |
CN106131958A (zh) * | 2016-08-09 | 2016-11-16 | 电子科技大学 | 一种基于信道状态信息和支持向量机的室内被动定位方法 |
CN109284086A (zh) * | 2018-08-17 | 2019-01-29 | 浙江工业大学 | 面向需求自适应的Web服务动态演化方法 |
-
2019
- 2019-12-13 CN CN201911280760.1A patent/CN111125541B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130290511A1 (en) * | 2012-04-27 | 2013-10-31 | Susan Chuzhi Tu | Managing a sustainable cloud computing service |
CN106131958A (zh) * | 2016-08-09 | 2016-11-16 | 电子科技大学 | 一种基于信道状态信息和支持向量机的室内被动定位方法 |
CN109284086A (zh) * | 2018-08-17 | 2019-01-29 | 浙江工业大学 | 面向需求自适应的Web服务动态演化方法 |
Non-Patent Citations (1)
Title |
---|
王燕;周建涛;: "一种社团信任驱动的云服务选择方法研究" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022246994A1 (zh) * | 2021-05-24 | 2022-12-01 | 浙江大学 | 一种组合服务动态演化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111125541B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | A rough set approach to feature selection based on ant colony optimization | |
Ouadah et al. | SEFAP: an efficient approach for ranking skyline web services | |
CN110674407A (zh) | 基于图卷积神经网络的混合推荐方法 | |
CN111382283B (zh) | 资源类别标签标注方法、装置、计算机设备和存储介质 | |
CN114418035A (zh) | 决策树模型生成方法、基于决策树模型的数据推荐方法 | |
CN113744032B (zh) | 一种图书推荐的方法、相关装置、设备及存储介质 | |
CN110033097B (zh) | 基于多个数据域确定用户与物品的关联关系的方法及装置 | |
Wei et al. | Autoias: Automatic integrated architecture searcher for click-trough rate prediction | |
CN113918832A (zh) | 基于社交关系的图卷积协同过滤推荐系统 | |
CN113918833A (zh) | 通过社交网络关系的图卷积协同过滤实现的产品推荐方法 | |
CN113918834A (zh) | 融合社交关系的图卷积协同过滤推荐方法 | |
CN110222838B (zh) | 文档排序方法、装置、电子设备及存储介质 | |
Zhou et al. | Summarisation of weighted networks | |
CN112085158A (zh) | 一种基于堆栈降噪自编码器的图书推荐方法 | |
Liu et al. | Collaborative prediction for multi-entity interaction with hierarchical representation | |
AL-Bakri et al. | A study on the accuracy of prediction in recommendation system based on similarity measures | |
CN111125541B (zh) | 面向多用户的可持续多云服务组合的获取方法 | |
CN116932923B (zh) | 一种结合行为特征与三角协作度量的项目推荐方法 | |
CN115599990A (zh) | 一种知识感知结合深度强化学习的跨域推荐方法及系统 | |
CN114491296A (zh) | 提案联名人推荐方法、系统、计算机设备及可读存储介质 | |
CN114638316A (zh) | 一种数据聚类方法、装置和设备 | |
Liu et al. | Minimizing required user effort for cold-start recommendation by identifying the most important latent factors | |
Li | Sequential Design of Experiments to Estimate a Probability of Failure. | |
Liu et al. | Gaussian process for recommender systems | |
Sajjadi et al. | A hybrid clustering approach for link prediction in heterogeneous information networks |
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 |