CN112543116A - 一种基于精确QoS的快速服务匹配方法 - Google Patents

Abstract

本发明公开了一种基于精确QoS的快速服务匹配方法，该方法包括：获取QoS实测值ErVQ；将ErVQ输入因子分解机FM中进行训练，得到预测精准QoS模型

将服务集合S的QoS平均检测结果

输入预测精准QoS模型

中，得到QoS各项检测结果值Er_i；将任意到达的服务请求k的EcVQ_k输入预测精准QoS模型

中，得到服务请求期望值Ec_k；构建哈希Hash服务列表，根据QoS各项检测结果值Er_i将每个服务实例放置到哈希Hash服务列表中，将服务请求期望值Ec_k投射至哈希Hash服务列表上，求解QoS各项检测结果值Er_i和服务请求期望值Ec_k之间绝对值最小的资源适合度的服务实例作为最佳匹配服务实例。该方法可以在众多服务中快速、准确的找到符合用户需求的服务。

Description

一种基于精确QoS的快速服务匹配方法

技术领域

本发明涉及服务集成技术领域，特别涉及一种基于精确QoS的快速服务匹配方法。

背景技术

近年来，随着云计算、物联网等新型计算模式的涌现和发展，以及大数据时代的到来，越来越多的企业、组织或个人将其研发的软件以服务的形式发布到互联网中，使得服务种类多样化、服务数量迅猛增长。例如，数据宝、极速数据、聚合数据、百度APIStore、腾讯开放平台和京东万象等各种服务提供平台甚至各种组织或个人为用户开放了API(Application Programming Interface)接口以调用相应服务实现用户所需功能。但是服务种类、数量的日益丰富使得依靠用户在众多服务中手工查找所需的服务变得越来越困难，用户难以根据自身需求在众多服务中找到满足自己功能需求的服务。

为了改善用户体验或者提高用户的满意度，众多学者和研究人员针对QoS进行需求服务匹配进行了大量研究。Mukherjee等人从软件资源角度考察基于QoS匹配的服务推荐方法，例如最小化用户请求的响应时间或使推荐的服务具备较高的成功率。邓晓衡等人提出了基于可信优化目标对经典算法min-min算法的改进调度算法，以资源身份、能力(QoS)、行为可信任和反馈可信度为输入参数，通过反馈机制对服务进行综合评价并排序以确立调度顺序，尝试优化用户请求任务的完成时间与提高资源利用率。相关技术一建立了面向服务质量与成本感知的云工作流调度模型，将资源调度问题划分为任务集合与节点类型映射和任务集合与节点实例映射两阶段，提出了基于任务序列划分的两段式编码遗传算法，实现资源调度优化，提高QoS匹配度；相关技术二针对带准备时间和截止期约束的云服务工作流费用优化的云计算资源优化分配问题，建立相应的整数规划数学模型，提出高服务质量初始群体的启发式生成方法，能够在合理的CPU时间内可有效减少工作流费用。然而当前的服务匹配方法大多从服务提供商的角度进行，目标是使其资源利用率最大化，减小运营成本，未充分考虑用户对于QoS的要求，从而可能服务QoS实际运行性能和用户需求性能之间产生差异，造成资源浪费；其次，服务QoS属性间存在一定的联系，例如响应时间越短则成功率越高，目前，对此方面的解决方法较少，对QoS属性间的二次关系挖掘可能进一步提高服务推荐的精确性，有利于提高用户满意度；再者，现存算法无法应对服务实例数量众多，用户请求数量巨大的情况。

因此，亟待一种可以在众多服务中快速、准确的找到符合用户需求的快速服务匹配方法。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的目的在于提出一种基于精确QoS的快速服务匹配方法，该方法可以在众多服务中快速、准确的找到符合用户需求的服务。

为达到上述目的，本发明实施例提出了一种基于精确QoS的快速服务匹配方法，包括以下步骤：步骤S1，获取QoS实测值ErVQ；步骤S2，将所述QoS实测值ErVQ输入因子分解机FM中进行训练，得到预测精准QoS模型

步骤S3，将服务集合S的QoS平均检测结果

输入所述预测精准QoS模型

中，得到所述服务集合S中QoS各项检测结果值Er_i；步骤S4，将任意到达的服务请求k的EcVQ_k输入所述预测精准QoS模型

中，得到服务请求期望值Ec_k；步骤S5，构建哈希Hash服务列表，根据所述QoS各项检测结果值Er_i将每个服务实例放置到所述哈希Hash服务列表中，将所述服务请求期望值Ec_k投射至所述哈希Hash服务列表上，求解所述QoS各项检测结果值Er_i和所述服务请求期望值Ec_k之间绝对值最小的资源适合度的服务实例作为最佳匹配服务实例。

本发明实施例的一种基于精确QoS的快速服务匹配方法，将服务提供商在服务描述中的服务质量EcVQ与用户实际享用的服务质量ErVQ进行和区分，定义了动态的资源合适度优化目标；利用基于因子分解机的精准QoS预测的方法，解决精准匹配用户服务需求的问题；同时，构建服务匹配的哈希表，提出EMS算法，解决快速匹配用户质量要求的服务实例的问题。

另外，根据本发明上述实施例的一种基于精确QoS的快速服务匹配方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述步骤S2中预测精准QoS模型

的方程为：

其中，ω₀∈R，W＝(ω₁,ω₂,…,ω_n)^T，W∈Rⁿ，W为权重矩阵的转置，＜v_i,v_j＞∈R^{n ×k}，x_i∈ErVQ，x_j∈ErVQ，n为变量个数，k＜＜n表示因子分解维度，＜v_i,v_j＞为大小为k的向量v_i和向量v_j的点积，表示两个互异特征分量之间的相互关系。

进一步地，在本发明的一个实施例中，所述预测精准QoS模型

中的x_i包括四个属性：响应时间、可用性、吞吐率和成功率；其中，所述响应时间为服务实例对于某个服务请求的响应时间；所述可用性为当某个服务请求到达时，可响应请求的服务实例在最近一段时间内的可用时间与该段时长的比率；所述吞吐率为某个时间段内接受对某个服务并发访问次数除以该段时间内该服务所在节点总的访问次数；所述成功率为对于某个服务实例访问成功的概率。

进一步地，因所述四个属性运算单位不同，将所述响应时间、所述可用性、所述吞吐率和所述成功率进行转换，则有：

其中，h_k为上述四个属性运算之一，av为可用性，to为吞吐率，sa为成功率，rt为响应时间。

进一步地，所述因子分解机FM进行训练或优先级计算时，需通过用户偏好给每个属性乘以限定性参数θ_k，且其满足θ₁+θ₂+θ₃+…+θ_k＝1，计算公式为：

ErVQ_ij(h_k)＝θ_k·h_k

进一步地，采用梯度下降法求解W及＜v_i,v_j＞，计算过程：

利用差方法定义损失函数f，设所述因子分解机FM中实际测试值为E、预测值为

则有：

通过随机梯度下降方法SGD对上述公式的每一步计算时随机选取一个样本进行梯度计算，再沿着目标函数梯度下降的方向更新参数，则有：

其中，ω₀为偏置权重，ω_i为计算权重，x_i为样本值，n为变量个数，η为计算时的学习速率或下降速度，v_i,f为因子分解后的向量i的第f个维度。

进一步地，在本发明的一个实施例中，所述绝对值最小的资源适合度δ_min为：

其中，

为QoS平均检测结果，EcVQ_i为QoS各项属性的检测结果，i为符合服务功能要求的服务实例编号，m为服务实例数量。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明一个实施例的一种基于精确QoS的快速服务匹配方法的流程图；

图2为是本发明一个实施例的基于随机梯度下降求解因子分解机FM模型的流程图；

图3为是本发明一个具体实施例的QWS数据集查找结果示例图；

图4为是本发明一个具体实施例的WS-dream及QWS数据集上的实验结果示意图，(a)为WS-dream查找效率，(b)为QWS查找效率。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

需要说明的是，在引入服务精确匹配模型之前将用到如下相关概念：

QoS期望值(Expected Value of QoS，EcVQ)：在服务实例响应服务请求之前，于服务水平协议(Service-Level Agreement，SLA)中所描述的对于服务质量期望。如果在SLA中没有EcVQ描述或者所要求的EcVQ比服务实例缺省的QoS值更差时，使用服务实例缺省的QoS值作为EcVQ。

QoS实测值(Experimental Value of QoS，ErVQ)：在服务实例响应服务请求之后，由监测系统实际检测到的QoS值。

下面参照附图描述根据本发明实施例提出的一种基于精确QoS的快速服务匹配方法，又可将该方法称为EMS(Exact Match for Services)算法。

图1是本发明一个实施例的基于精确QoS的快速服务匹配方法的流程图。

如图1所示，该基于精确QoS的快速服务匹配方法的流程图包括以下步骤：

在步骤S1中，获取QoS实测值ErVQ。

具体地，设现有m个功能相同的服务实例S＝{s₁,s₂,…,s_i,…,s_m}，分布在不同的节点上，它们运行的环境和所消耗的资源可能不同，所以QoS属性各不相同。设QoS属性有k个，即QoS＝(c₁,c₂,…,c_k)，对于服务s_i访问z次后所得到的QoS各项属性的检测结果ErVQ_i为：

c₁ c₂ c₃ … c_k

其中，x_ij表示对服务s_i第j次访问时，属性c_j的检测结果值。

因此，对服务实例集S访问后的QoS检测结果(即QoS实测值ErVQ)可表示为：

ErVQ＝{ErVQ₁,ErVQ₂,Λ,ErVQ_i,Λ,ErVQ_m}

进一步地，对于服务s_i的QoS平均检测结果可表示为：

其中，

相应地，服务请求i的EcVQ_i＝(xc_i1,xc_i2,L,xc_ij,L,xc_ik)。

在步骤S2中，将QoS实测值ErVQ输入因子分解机FM中进行训练，得到预测精准QoS模型

具体而言，如图2所示，因子分解机模型(Factorization Machine，FM)中，不仅包含了每个特征的线性权重，也包含了非线性的交叉相，利用矩阵分解的方法可以构造出两个不同特征之间的相互关系。其训练方程如(1)所示：

其中，ω₀∈R，W＝(ω₁,ω₂,…,ω_n)^T，W∈Rⁿ，W为权重矩阵的转置，＜v_i,v_j＞∈R^{n ×k}，x_i∈ErVQ，x_j∈ErVQ，n是变量个数，k＜＜n表示因子分解维度，＜v_i,v_j＞表为大小为k的向量v_i和向量v_j的点积，表示两个互异特征分量之间的相互关系，计算方式如公式(2)所示。

其中，v_i,f为因子分解后的向量i的第f个维度，v_j,f为因子分解后的向量j的第f个维度。

进一步地，由于是利用QoS实测值ErVQ进行模型训练，因此公式(1)中的x(x_i或x_j)代表CPU、内存、网络I/O、可用性、响应时间、成功率等，W及＜v_i,v_j＞为训练参数。

本发明实施例中选择响应时间、可用性、吞吐量和成功率四个属性计算预测精准QoS模型

以作为模型训练初始阶段数据，但但不限于此，本领域技术人员可根据实际情况更换或添加其他属性，其定义及计算方法如下。

响应时间(ResponseTime，rt)：服务实例对于某个服务请求的响应时间。设对于服务s_j访问时的响应时间为rt_ij。

可用性(Availability，av)：当某个服务请求到达时，可响应请求的服务实例在最近一段时间内的可用时间与该段时长的比率，表示为av_ij。其中，i表示请求序列，j表示服务编号。每段时间间隔的可用性都可能不同。

吞吐率(Throughout，to)：一段时间内接受对某个服务并发访问次数除以这段时间内该服务所在节点总的访问次数，表示为to_ij。

成功率(Successability，sa)：对于某个服务实例访问成功的概率，表示为sa_ij。每次访问服务s_j后它的成功概率都可能被更新。

可以理解的是，上述属性运算单位不同，数值差异巨大，容易发生所谓数据“淹没”的情况，因此本发明实施例采用公式(3)进行转换，其中，h_k为上述四个属性运算之一。

在进行FM模型训练或优先级计算时，通过用户偏好给每个属性乘以限定性参数θ_k，且其满足θ₁+θ₂+θ₃+…+θ_k＝1。最终计算公式如(4)所示。

ErVQ_ij(h_k)＝θ_k·h_k (4)

采用梯度下降法求解W及＜v_i,v_j＞，利用差方法定义损失函数f，设因子分解机FM中实际测试值为E、预测值为

则有：

为了求解最小化损失函数中的参数，通过引入随机梯度下降方法(Stochasticgradient descent，SGD)进行优化学习，SGD在每一步计算时随机选取一个样本进行梯度计算，梯度计算如公式(6)所示，之后沿着目标函数梯度下降的方向更新参数，迭代公式如公式(7)所示。

其中，ω₀为偏置权重，ω_i为计算权重，x_i为样本值，n为变量个数，η＞0为计算时的学习速率，亦可理解为下降速度，其取值大小影响模型的收敛速度。

综上，如图2所示，经过上述计算后，得到ω₀、W及＜v_i,v_j＞大小，将该数据代入方程

中，进而得到预测精准QoS模型

在步骤S3中，将服务集合S的QoS平均检测结果

输入预测精准QoS模型

中，得到服务集合S中QoS各项检测结果值Er_i。

也就是说，计算出服务集合S中实际的QoS各项检测结果值Er_i。

在步骤S4中，将任意到达的服务请求k的EcVQ_k输入预测精准QoS模型

中，得到服务请求期望值Ec_k。

也就是说，将用户的服务请求输入至预测精准QoS模型

中，得到现有服务集合中能给予的期望值Ec_k。

在步骤S5中，构建哈希Hash服务列表，根据QoS各项检测结果值Er_i将每个服务实例放置到哈希Hash服务列表中，将服务请求期望值Ec_k投射至哈希Hash服务列表上，求解QoS各项检测结果值Er_i和服务请求期望值Ec_k之间绝对值最小的资源适合度的服务实例作为最佳匹配服务实例。

具体而言，在云平台中，相同服务功能的组件根据需要被部署于不同的节点上，由于其自身的构成、运行环境及系统分配给它的资源等均可能不同，使得相同功能服务组件的运行实例的ErVQ与EcVQ可能存在一定差异，可用|ErVQ-EcVQ|来表示这种差异成程度。本发明提出的解决方案就是找到与服务请求的EcVQ最相符合的服务实例，如公式(8)所示，即此绝对值最小的服务实例：

其中，i表示符合服务功能要求的服务实例编号，将δ_min称为资源适合度。

但考虑QoS中的质量属性在一定范围内会相互影响，例如资源剩余越大，则响应时间越短，成功率越高。因此，本发明实施例以ErVQ为输入，采用因子分解机FM训练得到模型

用来表达这种相互联系。将

代入

求得值Er_i，将服务请求EcVQ_k代入

求得Ec_k，将公式(8)变换为公式(9)，从而求解QoS各项检测结果值Er_i和服务请求期望值Ec_k之间绝对值最小的资源适合度的服务实例：

δ_min＝min{(Er_i,Ec_k)||Er_i-Ec_k|,i∈[1,m],k∈[1,n]} (9)

其中，i为服务实例编号，k为服务请求序列号，m为云平台容纳该服务实例的最大数量，n为服务请求队列的最大长度。

进一步地，公式(9)准确表达了精确匹配的含义，但在用户服务请求数量巨大，候选服务集合内服务实例较多的情况下，每次进行模型求解并查找精确匹配用户服务需求的服务实例的方式效率低下，不能满足快速分派任务的要求。因此，本发明可建立基于服务实例的Hash服务列表，每个服务实例依据Er_i值大小占据一段Hash服务列表空间，服务请求Ec_k将被投射到Hash服务列表空间上，服务请求Ec_k在Hash服务列表空间上查找与自身绝对值最小的资源适合度的服务实例，从而能快速找到最佳匹配的服务实例，满足快速分配任务的要求。

其中，构建哈希Hash服务列表的具体过程如下：

步骤1，整理m个服务实例的Er值e。

按照e值大小进行排序，形成e₁＜e₂＜…＜e_m的有序序列E。

步骤2，求解评分差值。

求解E中所有相邻两个评分之间的差值ed_i，计算公式如公式(10)所示。

ed₁＝e₂-e₁,

ed₂＝e₃-e₂,

...,

ed_m-1＝e_m-e_m-1 (10)

步骤3，服务实例节点预处理。

预处理过程为：遍历E，如果ed_i＞threshold，则保留节点；如果ed_i＜threshold，继续遍历，就相关的节点作为一个节点集合，即{node_i,node_i+1}，对E序列进行修正，直到ed_i＞threshold，有关的节点作为一个节点集合{node_i,node_i+1,node_j}，使得预处理后的结果是任意两个评分之间的差值ed_i大于一个预设哈希区间阈值threshold。

假设经过预处理之后E序列长度为n，即有e₁＜e₂＜…＜e_n，取评分差值中最小的作为scale＝min{e₂-e₁,e₃-e₂,…,e_n-e_n-1}/subdivision，其中，subdivision为细分参数，为了避免任意两个序数s_i和s_j之间差距过小。

步骤4，设置Hash服务列表取值空间上界与下界。

令b_start＝e₁ ^-δ×scale且b_start＞＝0，b_start为Hash服务列表取值空间的下界；令b_end＝e_m+δ×scale为Hash服务列表取值空间的上界；δ×scale为下界精度约束。

步骤5，构建Hash取值空间段。

hs＝{hs₁,hs₂,…,hs_m}，hs_i计算如公式(11)所示，其中bs＝b_start/scale。

设Hash服务列表为H，则H的长度为：(b_end-b_start)/scale+1。任意hs_i对应若干个连续整数序列，其序列长度不等。令p(hs_i)表示Hash服务列表区间i的上界，则有公式(12)，若用

表示示此表达式向下取整，即

为小于p(hs_i)最大整数，则Hash服务列表取值空间段还可表示公式(13)：

步骤5，构建Hash服务列表。

Hash服务列表的节点组成：(hs₁,node₁)，(hs₂,node₂)，(hs₃,node₃)，…，(hs_i,node_i)，…，(hs_n,node_n)，其中，node_i为第i个服务的访问地址。若值相同，可采用桶的方式存储，如两个服务s_i与s_j，存在e_i＝e_j(i＜j)，则有

下面采用业内研究人员普遍认可的WS-dream数据集和QWS数据集分别进行了实验验证，以证明本发明的基于精确QoS的快速服务匹配方法的可行性和有效性。

本发明实施例WS-dream数据集中随机提取了1000条响应时间及对应的吞吐量记录值，在QWS数据集上收集了约2500条Web服务调用记录，并保留响应时间、可用性、成功率和吞吐量4个QoS属性信息。

为了验证本发明所提出的EMS算法的可用性与有效性，因EMS算法基于哈希一致性原理，在此与除哈希查找算法外时间复杂度最低的二分查找算法(Binary Search，BS)进行比较，对EMS算法搜索结果进行展示，其调度的服务实例所具备的QoS相对于全体服务实例QoS分布越接近用户要求，说明调度效果越好，调度时间越低越有利于尽快响应用户需求。

(1)服务匹配结果实例

经FM模型训练得到训练方程

由训练方程

求解得到服务集合S中所有的Er_i值，根据用户请求中的QoS期望求解得到EcVQ值，利用EMS算法快速、精确匹配到相应服务节点集合。

在WS-dream数据集中，EMS算法哈希区间阈值threshold在此设置为1。例如用户请求对于QoS的期望值，其响应时间值为1.8s，吞吐量值为0.8kpbs，计算得到其EcVQ值约为3.16。将WS-dream中的50个服务节点按顺序编号，在50个服务节点集合中接近此满意度的服务节点编号及按照Eri值排序结果如表1所示。

其他服务实例由于其Er_i值大于4.00或小于2.72被划分至其他哈希区间内，不作为服务推荐结果返回。由此可见，EMS算法可针对用户请求对其进行精确匹配。

表1 EMS服务匹配结果

在此与算法平均时间复杂度为O(logn)的二分查找算法BS进行实验结果对比。为了保证对比的公平性，二分查找算法在根据Er_i值排序后的服务节点集合中进行服务匹配。

在二分查找中首先找到与EcVQ值最接近的Er_i值节点，为了与EMS算法哈希区间阈值保持一致，以找到同样贴近用户期望值的服务实例，在此分别向左、向右搜索与其值相差不超过0.5的服务节点，最终得到满足其要求的服务节点如表2所示。

表2表明BS搜索结果亦可找到精确匹配服务请求的服务实例，并与EMS算法搜索结果存在交集。

表2 BS服务匹配结果

在QWS数据集中，QWS约为2500个服务节点，远多于WS-dream数据集服务节点数量50，QWS数据集中经训练方程

求解计算，其Er_i值分布更为广泛。因此为了利用EMS算法快速、精确匹配到相应服务节点集合，EMS算法哈希区间阈值在此设置为100，为了保证对比的公平性，二分查找左右搜索范围为Er_i与EcVQ其值相差不超过50的服务节点，以找到贴近用户满意度的服务实例集合。

例如用户请求对于QoS的期望值，其响应时间值为180ms，可用性值为80％，吞吐量值为1.5req/s，成功率值为80％，以此要求计算得到的EcVQ值作为基准，将在服务节点集合中将接近此满意度的服务实例节点按顺序进行编号，其Er_i与EcVQ值的差值图3所示。

根据图3的结果可知，此次EMS查找到的贴近用户请求的服务实例节点共计24个，二分查找算法查找到的服务实例节点共计20个且全部在EMS匹配集合中命中。

通过两个数据集上的服务匹配结果，发现EMS算法服务推荐结果能够找到最贴近用户需求的服务实例，且在QWS实验中，EMS服务实例集合包含BS调度集合。

2)服务匹配速度示例

分别模拟进行服务匹配顺序请求100次、200次等，统计EMS及BS的调度效率，在WS-dream及QWS数据集上的实验结果如图4所示，可见，随着请求次数的增加，EMS算法在执行时间上优于BS算法。

根据本发明实施例提出的基于精确QoS的快速服务匹配方法，将服务提供商在服务描述中的服务质量EcVQ与用户实际享用的服务质量ErVQ进行和区分，定义了动态的资源合适度优化目标；利用基于因子分解机的精准QoS预测的方法，解决精准匹配用户服务需求的问题；同时，构建服务匹配的哈希表，提出EMS算法，解决快速匹配用户质量要求的服务实例的问题。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种基于精确QoS的快速服务匹配方法，其特征在于，包括以下步骤：

步骤S1，获取QoS实测值ErVQ；

步骤S2，将所述QoS实测值ErVQ输入因子分解机FM中进行训练，得到预测精准QoS模型

步骤S3，将服务集合S的QoS平均检测结果

输入所述预测精准QoS模型

中，得到所述服务集合S中QoS各项检测结果值Er_i；

步骤S4，将任意到达的服务请求k的EcVQ_k输入所述预测精准QoS模型

中，得到服务请求期望值Ec_k；

步骤S5，构建哈希Hash服务列表，根据所述QoS各项检测结果值Er_i将每个服务实例放置到所述哈希Hash服务列表中，将所述服务请求期望值Ec_k投射至所述哈希Hash服务列表上，求解所述QoS各项检测结果值Er_i和所述服务请求期望值Ec_k之间绝对值最小的资源适合度的服务实例作为最佳匹配服务实例。

2.根据权利要求1所述的基于精确QoS的快速服务匹配方法，其特征在于，所述步骤S2中预测精准QoS模型

的方程为：

其中，ω₀∈R，W＝(ω₁,ω₂,…,ω_n)^T，W∈Rⁿ，W为权重矩阵的转置，＜v_i,v_j＞∈R^n×k，x_i∈ErVQ，x_j∈ErVQ，n为变量个数，k＜＜n表示因子分解维度，＜v_i,v_j＞为大小为k的向量v_i和向量v_j的点积，表示两个互异特征分量之间的相互关系。

3.根据权利要求2所述的基于精确QoS的快速服务匹配方法，其特征在于，所述预测精准QoS模型

中的x_i包括四个属性：响应时间、可用性、吞吐率和成功率。

4.根据权利要求3所述的基于精确QoS的快速服务匹配方法，其特征在于，

所述响应时间为服务实例对于某个服务请求的响应时间；

所述可用性为当某个服务请求到达时，可响应请求的服务实例在最近一段时间内的可用时间与该段时长的比率；

所述吞吐率为某个时间段内接受对某个服务并发访问次数除以该段时间内该服务所在节点总的访问次数；

所述成功率为对于某个服务实例访问成功的概率。

5.根据权利要求4所述的基于精确QoS的快速服务匹配方法，其特征在于，因所述四个属性运算单位不同，将所述响应时间、所述可用性、所述吞吐率和所述成功率进行转换，则有：

其中，h_k为所述四个属性运算之一，av为可用性，to为吞吐率，sa为成功率，rt为响应时间。

6.根据权利要求5所述的基于精确QoS的快速服务匹配方法，其特征在于，所述因子分解机FM进行训练或优先级计算时，需通过用户偏好给每个属性乘以限定性参数θ_k，且其满足θ₁+θ₂+θ₃+…+θ_k＝1，计算公式为：

ErVQ_ij(h_k)＝θ_k·h_k

7.根据权利要求2所述的基于精确QoS的快速服务匹配方法，其特征在于，采用梯度下降法求解W及＜v_i,v_j＞，计算过程：

利用差方法定义损失函数f，设所述因子分解机FM中实际测试值为E、预测值为

则有：

通过随机梯度下降方法SGD对上述公式的每一步计算时随机选取一个样本进行梯度计算，再沿着目标函数梯度下降的方向更新参数，则有：

其中，ω₀为偏置权重，ω_i为计算权重，x_i为样本值，n为变量个数，η为计算时的学习速率或下降速度，v_i,f为因子分解后的向量i的第f个维度。

8.根据权利要求1所述的基于精确QoS的快速服务匹配方法，其特征在于，所述绝对值最小的资源适合度δ_min为：

其中，

为QoS平均检测结果，EcVQ_i为QoS各项属性的检测结果，i为符合服务功能要求的服务实例编号，m为服务实例数量。

Images