CN112288154B - 一种基于改进神经协同过滤的区块链服务可靠性预测方法 - Google Patents

一种基于改进神经协同过滤的区块链服务可靠性预测方法 Download PDF

Info

Publication number
CN112288154B
CN112288154B CN202011142462.9A CN202011142462A CN112288154B CN 112288154 B CN112288154 B CN 112288154B CN 202011142462 A CN202011142462 A CN 202011142462A CN 112288154 B CN112288154 B CN 112288154B
Authority
CN
China
Prior art keywords
user
service
context information
vector
qos
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.)
Active
Application number
CN202011142462.9A
Other languages
English (en)
Other versions
CN112288154A (zh
Inventor
许建龙
庄梓聪
黎钰晖
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.)
Shantou University
Original Assignee
Shantou University
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 Shantou University filed Critical Shantou University
Priority to CN202011142462.9A priority Critical patent/CN112288154B/zh
Publication of CN112288154A publication Critical patent/CN112288154A/zh
Application granted granted Critical
Publication of CN112288154B publication Critical patent/CN112288154B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种基于改进神经协同过滤的区块链服务可靠性预测方法主要包括：数据收集；根据用户请求响应的QoS数据计算请求的成功率；利用计算得到的成功率和成功率相关的数据来进行预测；将预测结果进行运用。采用本发明，可以结合用户和被调用服务的上下文信息，并引入了多任务学习，构造了一个更加准确更加个性化的区块链服务的可靠性预测模型。通过引入上下文信息来弥补上下文信息缺失带来的误差，以及提供偏置修正项目，能结合用户和服务的实际情况，改进了因用户个人喜好带来的偏差。通过引入多任务学习，可以丰富训练样本和平均主任务上的噪声，有效地降低了预测的误差，提升了模型中算法的鲁棒性。

Description

一种基于改进神经协同过滤的区块链服务可靠性预测方法
技术领域
本发明涉及一种，尤其涉及一种基于改进神经协同过滤的区块链服务可靠性预测方法。
背景技术
近年来，关于区块链的分散性、不可逆性和可追溯性的受到越来越多的关注。因此，许多企业、政府和科研机构都在各个领域利用基于区块链的应用程序，如智能合约、物联网、物联网、安全服务等。当区块链作为软件系统开发过程中的一个组件提供时，它可以提供通信、数据存储、数据挖掘和计算服务。在区块链即服务(BaaS)模式下，基于区块链的应用程序可以通过互联网调用大量区块链服务来构建。开发人员可以根据区块链服务的功能，查找和调用区块链服务中的具体模块来构建所需要的应用程序。这种方式构建了高质量的区块链应用程序。然而，不同的应用平台提供了多重功能相似的候选服务供开发人员选择，随着区块链服务的开发和应用的增加，如何从大量的服务中选择最可靠的服务来满足开发人员的需求就成为一个需要解决的关键问题。许多研究人员认为，用户在选择服务时，不仅要考虑用户的功能需求，还要考虑服务提供的非功能指标，即服务质量(QoS，quality of service)。因此，用户可以根据区块链服务的QoS值从大规模的服务中选择最可靠的服务。然而，大多数QoS特性可能是动态的，它们的值取决于各种因素，如网络基础设施、调用时间和用户位置。因此，应该为每个个性化用户确定这些QoS特性的值。然而，逐个调用所有服务并观察相应的QoS值，这即昂贵又耗时。因此，如何在不调用候选区块链服务的情况下获得未知的QoS值是需要解决的关键问题。
在Web服务领域，一种被广泛采用的方法是使用已经调用了该服务的其他用户的QoS历史值去预测用户访问这个服务产生的QoS值。近年来，已经有大量的此类预测方法，但是这些预测方法都存在着一系列的问题，例如，协同过滤的向量内积是线性的，在实际的Web服务场景中，用户和服务之间存在着复杂的交互关系，线性模型的表达能力不足以完全表达出用户和服务之间的关系；而矩阵分解又无法修复由于用户个人偏好带来的偏置项，导致模型的性能首先，并且，矩阵分解的方法对不同QoS值的预测只能分开建模，不能通过多任务学习来进行预测。
近年来，机器学习和深度学习发展迅速，在自然语言处理、计算机视觉、推荐系统等领域取得了显著的成就。由于深层神经网络可以有效地学习和识别数据的特征，因此神经网络的研究可以用来构建用户和服务之间的复杂关系。受到深度学习的启发，本发明采用深度学习的技术进行个性化的QoS预测，并且引入用户和服务的上下文信息。在此基础上，本发明还在模型中加入了多任务学习，让整个模型通过多任务学习来丰富训练样本和平均掉主任务上的噪声，使得模型能预测得到更加精确的结果。
在Web服务和云计算服务选择中，服务的可靠性受到网络环境的影响。因此，基于用户的反馈来评价服务的可靠性至关重要。通常，服务的可靠性可根据用户对服务反馈的观察值和预测值的一致性来进行计算，其中QoS是可靠性预测的关键因素。因此，准确地预测未知的QoS值非常重要。QoS预测作为选择Web服务和云计算服务的一项关键技术，在过去的十多年中得到了广泛的研究。协同过滤(CF)作为一种典型的技术，在QoS预测中得到了广泛的应用。基于CF的QoS预测模型可分为基于邻域和基于模型的协同过滤两类。大多数基于领域的协同过滤方法是利用了相似的邻域的历史调用信息进行预测，基于邻域的协同过滤可分为基于用户的协同过滤和基于项目的协同过滤。郑子彬等人提出了一个基于邻域的混合模型，它集成了基于用户和基于项目的协同过滤方法。随着互联网上服务数量的迅速增加，用户只能获得少量的QoS值。基于邻域的方法容易受到数据稀疏性的影响，导致相似性计算的不准确。并且，如果数据集过于庞大，基于邻域的方法是无效的，因为相似度计算的时间复杂度随着网络服务的规模而增加。因此，解决服务数据的稀疏性成为了提升预测精度的一个瓶颈。而基于模型的协同过滤可以有效地解决这一问题。矩阵分解(MF)作为一种基于模型的CF技术，以其良好的可扩展性和高精度而成为最著名的QoS预测技术之一。为了获得性能更好的模型，学者们对矩阵分解进行了大量的研究。魏咯等人提出了一种基于关系正则化的扩展矩阵分解模型，用于未知QoS预测，以避免代价高昂的Web服务调用。郑子彬等人提出了一个称为NIMF的邻域集成矩阵分解模型，该模型将基于邻域和基于模型的矩阵分解方法相结合以获得更高的预测精度。
为了获得更高的QoS预测精度，学者们致力于将矩阵分解和上下文信息(如地理位置、时区等)相结合。因为相同的上下文信息意味着服务或用户之间更加相似。因此，学者们将上下文信息和历史QoS信息相结合，建立预测模型。张日崇等人提出了集合矩阵分解，它提高了基于用户服务质量对的MF模型的性能。唐明董等人提出了基于位置感知的协同过滤，通过合并用户和服务的位置信息来推荐Web服务。他等提出了分层矩阵分解，根据地理信息将用户分为多个组，并结合本地和全局信息进行QoS值预测。俞东进等人提出了偏差矩阵分解，即在地理位置信息中引入偏移项作为偏差，以提高模型的预测精度。
但是以上所提及的这些方法都只是基于传统的矩阵分解模型，没有很好地应对计算相似性时的扩展性，以及不同因子之间潜在的不同权重。这样会限制模型的性能。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于改进神经协同过滤的区块链服务可靠性预测方法。可更好地进行特征交互，并且利用神经网络强大的建模能力构建更加有效、扩展性更强。
为了解决上述技术问题，本发明实施例提供了一种基于改进神经协同过滤的区块链服务可靠性预测方法，包括以下步骤：
S1：用户发送请求到区块链服务器中，获取反馈的QoS数据，将所述QoS数据发送到服务端中的数据收集器中；
S2：所述数据收集器根据所述QoS数据计算请求的成功率；
S3：使用独热编码对用户的服务数据进行编码得到索引号，查询对应的特征表示向量，将用户的所述特征表示向量、服务特征表示向量以外的上下文信息特征直接拼接，得到上下文信息向量，将所述上下文信息向量经过多层感知器，得到维度小于所述上下文信息向量的上下文向量；将所述特征表示向量、服务特征表示向量、上下文向量计算得到目标的QoS得分，根据所述特征表示向量、上下文向量计算用户偏置得分，根据所述服务特征表示向量上下文向量计算服务偏置得分，将所述QoS得分、用户偏置得分、服务偏置得分相加得到最终的预测值；
S4：将所述最终的预测值用于计算区块链节点的可靠性。
其中，所述步骤S2还包括对节点响应的块高度与当前批次中最高的块高度之间差值的最大容忍值以及请求往返时间与设定参数进行判断是否请求有效。
其中，所述步骤S3中QoS得分的计算方法还包括将所述特征表示向量、服务特征表示向量以及经过多层感知器后的高阶上下文信息特征与协同神经过滤模块计算。
其中，所述步骤S3中用户偏置得分的计算方法还包括将所述特征表示向量与经过多层感知器后的高阶上下文信息特征再经过一个多层感知器计算。
其中，所述区块链服务器通过以下方法进行：
S11：收集用户对服务的反馈数据到数据收集器中，并根据反馈数据计算好QoS值，并将计算的结果传到模型预测模块；
S12：所述模型预测模块收集数据收集器的计算结果，还收集服务和用户的上下文信息；
S13：在所述模型预测模块根据计算出的QoS值和上下文数据对模型进行训练；
S14：如果没有已经训练好的模型返回S13；
S15：将训练好的本发明的模型上线，将可靠性预测信息传递到服务选择模块，将可靠性传递给用户；
S16：利用最新的QoS值、上下文信息，周期性的在后台训练模型，模型训练完成后返回步骤S15。
实施本发明实施例，具有如下有益效果：
1.本方法将神经协同过滤方法运用到区块链服务的可靠性的预测中，使区块链服务QoS值预测准确程度得到大幅提升。
2.本方法的实验，模拟了实际情况中的两种区块链系统，一种是对区块链数据确认要求高的，如加密货币系统；一种是对区块链数据请求的容忍程度较高的，如普通区块链系统。本方法在这两种区块链系统都中都取得很好的预测精度。
3.本方法在在神经网络和协同过滤相结合的基础上引入了多任务学习，使得模型的性能相对于单任务模型有了较大的提升。本发明通过实验对比了与其他方法。
4.本方法在不同密度的数据集中，能够达到优于其他方法的精度，适用于各种数据密度的场景。
附图说明
图1是改进神经协同过滤的区块链服务可靠性预测框架的示意图；
图2是区块链服务的QoS在两个不同的区块链系统中，对不同方法的对比实验；
图3是上下文特征的潜在因素的数量(Dimensionality)对实验结果的影响(指标：RMSE，rootmean square error)；
图4是数据密度(Density)对实验结果的影响(指标：RMSE)。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
本发明实施例通过以下步骤进行实施。
步骤一：数据收集
用户发送请求到区块链服务中，然后，区块链服务会回复请求并返回反馈的QoS数据给用户，用户再将数据发送到服务端中的数据收集器中。
步骤二：计算对应的QoS值
服务器中的数据收集器获取到QoS数据以后，根据已经设定的参数和QoS数据计算请求的成功率。成功率是通过三个收集到的参数计算得到的，分别为块高度、与批次中最高块高度的高度差、请求往返时间。这三个参数，是通过用户对区块链节点发起请求，而节点对该请求做出响应得到的。服务器将这个计算得到的成功率作为要预测的主任务，将块高度、与批次中最高快高度的高度差、请求的往返时间辅助任务，并通过它们来建立多任务学习计算服务的可靠性。其中，计算请求成功率的步骤如下：
1、在用户对每个批次的节点进行请求前，先设定两个参数，一个是MaxBlockBack，代表用户的块高度与当前批次中最高的块高度之间差值的最大容忍值，一个是MaxRTT，代表请求的往返时间；
2、当用户请求完成后，节点返回请求的数据。如果返回的高度差和往返时间分别小于MaxBlockBack和MaxRTT，则视为请求成功，否则视为失败；
3、为用户每次的请求设置两个计数器，分别统计成功的次数SuccessCount和失败的次数FailCount，成功率Successrate的计算方式如下：
步骤三：利用计算得到的成功率和成功率相关的数据来进行预测
目前，矩阵分解是预测服务质量值最常用的方法。本发明的方法将深度神经网络和协同过滤结合，并引入个性化偏置修正和多任务学习，计算用户与服务之间的预测值。具体算法如下。
1.对于用户所在国家，服务所在国家，用户ID，服务ID，用户所处于的自治系统，用户IP地址，时区等所有的非数值化特征，需要先对他们进行独热编码表示。独热编码采用N位状态来对N个状态进行编码，每个状态都有他独立的位，并且在任意时候只有一位有效。如用户所在的国家集合为{China，USA，Japan，UK，Canada}，进行独热编码后集合就变成了{00001，00010，00100，01000，10000}。其他特征同理。
2.通过转换后的数字，将其作为索引号，查询对应的特征表示向量。该过程称为Embedding。如用户Embedding表示为如下：
在查询2号用户的特征表示时，则从Embedding中寻找Index为2的位置，该Vector＜0.7，0.25，0.17＞即为用户的特征表示。其他类型特征如用户国家，服务ID等同理。
3.将除用户Embedding、服务Embedding以外的其它上下文信息特征(如：用户所在的国家、服务所在的国家)直接拼接起来，作为本次预测的用户－服务上下文，称为上下文信息向量feature。拼接方式如下：设特征f1＝＜0.01，0.02，0.03＞，特征f2＝＜0.4，0.5，0.6＞则拼接得到的上下文信息向feature＝＜0.01，0.02，0.03，0.4，0.5，0.6＞。该拼接信息的方式能够无损失地连接所有的特征信息，能使后续的神经网络直接处理每一个特征。
4.将合成后上下文信息向量经过一个多层感知器(MLP)，得到一个维度小于上下文信息向量维度的高阶特征表示，称为融合上下文向量。该步骤的作用是，获取所有上下文特征之间的复杂交互，并且降低上下文信息的维度，起到一个学习特征之间的潜在交互，同时能够有效降低后面介绍的神经网络的参数数量，加快神经网络的学习速度。
5.使用NFCF(协同神经过滤)模块，将用户向量、服务向量和用户－服务上下文信息向量用于计算目标的QoS得分。具体步骤是将Embedding后的用户向量、服务向量，还有经过多层感知器(MLP)后的高阶上下文信息特征用与NFCF(协同神经过滤)模块，计算得到目标的QoS得分。
再根据用户向量、用户的上下文信息向量计算用户偏置得分。具体步骤将Embedding后的用户向量和经过多层感知器(MLP)后的高阶上下文信息特征在经过一个多层感知器(MLP)计算得到用户的偏置得分。
根据服务向量、服务的上下文信息向量计算服务偏置得分，具体步骤同计算用户的偏置得分。将QoS得分、用户偏置得分、服务偏置得分相加得到最终的预测值。
步骤四：将预测结果进行运用
用户使用相应的预测结果来计算区块链节点的可靠性。其中，我们是根据预测主任务——请求的成功率来计算可靠性的。可靠性Reliability的计算公式如下：
Reliability＝e-(1-Successrate)
本发明采取了多任务学习机制，多任务学习机制共享了前面所述的所有Embedding层和MLP0，仅在神经协同过滤模块和偏置项部分做了复制，形成四个结构完全一致的任务特定层，四个任务特定层分别负责预测块块高度(RB)、与批次中最高块高度的高度差(RH)、请求往返时间(RTT)和请求成功率(SR)。
由步骤二可知，请求的成功率由块高度、与批次中最高块高度的高度差、请求的往返时间这三个QoS值决定。因此，可以假设这三个QoS值与请求的成功率存在某种映射关系：
SR＝F(RB,RH,RTT)
因此，通过引入多任务学习，将请求的成功率作为主任务，其他三个QoS值作为辅助任务。主任务可以学习到辅助任务的特征，并且将主任务上的噪声平均到辅助任务上，从而提高预测的精度。
上述中，结合图1所示，区块链服务器通过以下方法进行：
1.该完整的区块链可靠性预测系统有三个组成，分别是用户、服务和区块链服务器。其扮演的角色和作用分别为：用户请求服务，服务接收请求并作出反馈。用户将反馈的QoS数据上传到区块链服务器中的数据收集器，并给区块链服务器中的模型预测部分提供上下文信息；服务代表所有受区块链系统管辖的服务的全体，它们负责提供用户所需要的不同的功能的API(Application Programming Interface)接口，供用户调用，同时负责将用户调用服务的上下文信息发送到到服务器的模型预测中；区块链服务器则给用户提供调用服务的QoS预测值，并做出选择将结果返还给用户。
2.区块链服务器作为可靠性预测的核心部分，其有3大主要功能，分别为收集用户－服务上下文信息、训练预测模型、提供服务选择。
3.区块链服务器的主要工作流程如下：(1)收集用户对服务的反馈数据到数据收集器中，并根据反馈数据计算好QoS值，并将计算的结果传到模型预测模块。(2)模型预测模块除了收集数据收集器的计算结果，还收集服务和用户的上下文信息。(3)在模型预测部分根据计算出的QoS值和上下文数据对模型进行训练。(4)如果没有已经训练好的模型，则转(3)。(5)将训练好的本发明的模型上线，将可靠性预测信息传递到服务选择模块，将可靠性传递给用户。(6)利用最新的QoS值、上下文信息，周期性的在后台训练模型(如，每隔6小时重新训练模型)，模型训练完成后转(5)。
本发明实施例具有如下优点：
1.本方法将神经协同过滤方法运用到区块链服务的可靠性的预测中，使区块链服务QoS值预测准确程度得到大幅提升。它的具体过程如图1。
2.本方法的实验，模拟了实际情况中的两种区块链系统，一种是对区块链数据确认要求高的，如加密货币系统，如图2所示。一种是对区块链数据请求的容忍程度较高的，如普通区块链系统，如图2所示。本方法在这两种区块链系统都中都取得很好的预测精度。
3.本方法在在神经网络和协同过滤相结合的基础上引入了多任务学习，使得模型的性能相对于单任务模型有了较大的提升。本发明通过实验对比了与其他方法，如图2所示。
4.本方法在不同密度的数据集中，能够达到优于其他方法的精度，适用于各种数据密度的场景。
5.如图3、图4所示，本方法通过实验得出了该方法最优的参数，这有利于进一步提高预测的准确度和效率值。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (4)

1.一种基于改进神经协同过滤的区块链服务可靠性预测方法，其特征在于，包括以下步骤：
S1：用户发送请求到区块链服务器中，获取反馈的QoS数据，将所述QoS数据发送到服务端中的数据收集器中；
S2：所述数据收集器根据所述QoS数据计算请求的成功率，所述计算请求的成功率的步骤包括：
S21：在用户对每个批次的节点进行请求前，先设定两个参数，一个是MaxBlockBack，代表用户的块高度与当前批次中最高的块高度之间差值的最大容忍值，一个是MaxRTT，代表请求的往返时间；
S22：当用户请求完成后，节点返回请求的数据，如果返回的高度差和往返时间分别小于MaxBlockBack和MaxRTT，则视为请求成功，否则视为失败；
S23：为用户每次的请求设置两个计数器，分别统计成功的次数SuccessCount和失败的次数FailCount，成功率Successrate的计算方式如下：
；
S3：使用独热编码对用户的服务数据进行编码得到索引号，查询对应的服务特征表示向量，将除用户特征表示向量和服务特征表示向量以外的上下文信息特征直接拼接，得到用户-服务上下文信息向量，将所述用户-服务上下文信息向量经过多层感知器，得到维度小于所述上下文信息向量的融合上下文向量；将用户特征表示向量、服务特征表示向量、用户-服务上下文信息向量计算得到目标的QoS得分，根据用户特征表示向量、用户的上下文信息向量计算用户偏置得分，根据用户特征表示向量和用户的上下文信息向量计算服务偏置得分，将所述QoS得分、用户偏置得分和服务偏置得分相加得到最终的预测值；
S4：将所述最终的预测值用于计算区块链节点的可靠性。
2.根据权利要求1所述的基于改进神经协同过滤的区块链服务可靠性预测方法，其特征在于，所述步骤S3中QoS得分是使用神经协同过滤根据用户特征表示向量、服务特征表示向量和用户-服务上下文信息向量计算得出。
3.根据权利要求2所述的基于改进神经协同过滤的区块链服务可靠性预测方法，其特征在于，所述步骤S3中用户偏置得分是用户特征表示向量与经过多层感知器后的高阶上下文信息特征再经过一个多层感知器计算得出。
4.根据权利要求1-3任一项所述的基于改进神经协同过滤的区块链服务可靠性预测方法，其特征在于，所述区块链服务器通过以下方法进行：
S11：收集用户对服务的反馈数据到数据收集器中，并根据反馈数据计算出QoS值，并将计算的结果传到模型预测模块；
S12：所述模型预测模块收集数据收集器的计算结果，还收集服务和用户的上下文信息；
S13：在所述模型预测模块根据计算出的QoS值和用户的上下文信息对模型进行训练；
S14：如果没有已经训练完成的模型返回S13；
S15：将训练完成的模型上线，将可靠性预测信息传递到服务选择模块，将可靠性传递给用户；
S16：利用最新的QoS值、用户的上下文信息，周期性的在后台训练模型，模型训练完成后返回步骤S15。
CN202011142462.9A 2020-10-22 2020-10-22 一种基于改进神经协同过滤的区块链服务可靠性预测方法 Active CN112288154B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011142462.9A CN112288154B (zh) 2020-10-22 2020-10-22 一种基于改进神经协同过滤的区块链服务可靠性预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011142462.9A CN112288154B (zh) 2020-10-22 2020-10-22 一种基于改进神经协同过滤的区块链服务可靠性预测方法

Publications (2)

Publication Number Publication Date
CN112288154A CN112288154A (zh) 2021-01-29
CN112288154B true CN112288154B (zh) 2023-11-03

Family

ID=74424853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011142462.9A Active CN112288154B (zh) 2020-10-22 2020-10-22 一种基于改进神经协同过滤的区块链服务可靠性预测方法

Country Status (1)

Country Link
CN (1) CN112288154B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191530B (zh) * 2021-04-09 2022-09-20 汕头大学 一种具有隐私保护的区块链节点可靠性预测方法及系统
CN112801292A (zh) * 2021-04-12 2021-05-14 链博(成都)科技有限公司 基于区块链智能合约的神经网络训练方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107659444A (zh) * 2017-09-25 2018-02-02 深圳大学 隐私保护协同Web服务质量的差分隐私预测系统及方法
CN110443430A (zh) * 2019-08-13 2019-11-12 汕头大学 一种基于区块链的服务质量预测方法
CN110995487A (zh) * 2019-12-03 2020-04-10 深圳市物语智联科技有限公司 多服务质量预测方法、装置、计算机设备及可读存储介质
CN111541570A (zh) * 2020-04-22 2020-08-14 北京交通大学 基于多源特征学习的云服务QoS预测方法
CN111626717A (zh) * 2020-04-10 2020-09-04 中山大学 一种基于区块链及动态网络服务质量的数据商品交易方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180284753A1 (en) * 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for data storage and communication in an internet of things chemical production process

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107659444A (zh) * 2017-09-25 2018-02-02 深圳大学 隐私保护协同Web服务质量的差分隐私预测系统及方法
CN110443430A (zh) * 2019-08-13 2019-11-12 汕头大学 一种基于区块链的服务质量预测方法
CN110995487A (zh) * 2019-12-03 2020-04-10 深圳市物语智联科技有限公司 多服务质量预测方法、装置、计算机设备及可读存储介质
CN111626717A (zh) * 2020-04-10 2020-09-04 中山大学 一种基于区块链及动态网络服务质量的数据商品交易方法
CN111541570A (zh) * 2020-04-22 2020-08-14 北京交通大学 基于多源特征学习的云服务QoS预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"An Improved Collaborative Filtering Similarity Model Based on Neural Networks";X. Bi 等;《2015 International Conference on Intelligent Transportation》;第85-89页 *
"应用服务器集群能耗与性能平衡的在线实时优化";熊智 等;《控制与决策》;第36卷(第11期);第2589-2598页 *
"面向群组推荐的隐私保护方法研究";陆金祥;《中国优秀硕士学位论文全文数据库信息科技辑》(第2期);第I138-253页 *

Also Published As

Publication number Publication date
CN112288154A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
Yin et al. Location-aware service recommendation with enhanced probabilistic matrix factorization
Wu et al. Multiple attributes QoS prediction via deep neural model with contexts
Yang et al. A location-based factorization machine model for web service QoS prediction
Criado et al. Non-iid data and continual learning processes in federated learning: A long road ahead
Yu et al. A Web service QoS prediction approach based on time-and location-aware collaborative filtering
CN112288154B (zh) 一种基于改进神经协同过滤的区块链服务可靠性预测方法
Chen et al. Semisupervised anomaly detection of multivariate time series based on a variational autoencoder
CN114564597B (zh) 一种融合多维度多信息的实体对齐方法
Tang et al. A factorization machine-based QoS prediction approach for mobile service selection
CN111881345A (zh) 基于位置上下文感知的神经协同过滤服务质量预测方法
CN113191530B (zh) 一种具有隐私保护的区块链节点可靠性预测方法及系统
Rohilla et al. An Empirical Framework for Recommendation-based Location Services Using Deep Learning
Qi et al. Personalized QoS prediction via matrix factorization integrated with neighborhood information
Xu et al. A unified framework of QoS-based web service recommendation with neighborhood-extended matrix factorization
Chen et al. A cluster feature based approach for QoS prediction in web service recommendation
Xiong et al. A learning approach to QoS prediction via multi-dimensional context
Ding et al. Joint qos prediction for web services based on deep fusion of features
Huang et al. A reliability prediction model for a multistate cloud/edge-based network based on a deep neural network
Zhang et al. End‐to‐end generation of structural topology for complex architectural layouts with graph neural networks
Sefati et al. Meet User’s Service Requirements in Smart Cities Using Recurrent Neural Networks and Optimization Algorithm
CN117194771A (zh) 一种图模型表征学习的动态知识图谱服务推荐方法
Zhang et al. A probability distribution and location-aware ResNet approach for QoS prediction
CN114757391B (zh) 一种面向服务质量预测的网络数据空间设计与应用方法
Zhang et al. Web service composition algorithm based on TOPSIS
CN114708015A (zh) 采用大数据深度挖掘的业务需求预测方法及大数据系统

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