CN114070751A - 基于双子图的服务质量预测方法、系统、设备及介质 - Google Patents
基于双子图的服务质量预测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN114070751A CN114070751A CN202111246230.2A CN202111246230A CN114070751A CN 114070751 A CN114070751 A CN 114070751A CN 202111246230 A CN202111246230 A CN 202111246230A CN 114070751 A CN114070751 A CN 114070751A
- Authority
- CN
- China
- Prior art keywords
- node
- subgraph
- service
- neighbor
- context
- 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
-
- 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
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5061—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the interaction between service providers and their network customers, e.g. customer relationship management
- H04L41/5067—Customer-centric QoS measurements
-
- 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"
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于双子图的服务质量预测方法、系统、设备及介质,该方法包括:建立调用关系图;根据目标用户节点的交互关系和目标服务节点的交互关系从调用关系图中提取子图,得到交互邻居子图,根据目标用户节点的上下文信息和目标服务节点的上下文信息从调用关系图中提取子图,得到上下文邻居子图;使用神经网络对交互邻居子图和上下文邻居子图进行图连接属性预测,获取服务质量预测值。本发明同时采用交互邻居子图以及上下文邻居子图进行双图采样,交互信息以及上下文信息能够很好地共同辅助完成QoS值预测的任务。
Description
技术领域
本发明涉及数据处理技术领域,尤其是一种基于双子图的服务质量预测方法、系统、设备及介质。
背景技术
QoS(Quality of Service,服务质量)指一个网络能够利用各种基础技术,为指定的网络通信提供更好的服务能力,是网络的一种安全机制,是用来解决网络延迟和阻塞等问题的一种技术。QoS的保证对于容量有限的网络来说是十分重要的,特别是对于流多媒体应用,例如VoIP和IPTV等,因为这些应用常常需要固定的传输率,对延时也比较敏感。
然而,直接获取所有的QoS的值并不容易,一方面是由于成本和时间的限制,服务提供商无法部署足够多的监控来收集每个QoS值,另一方面是在网络服务茫茫众多的前提之下,让用户调用所有服务来获取QoS特征值也是不现实的。由此可见,现实世界中每个用户的QoS记录是高度稀疏的,如何在稀疏的环境下获得高精度的QoS预测值成为成为本领域迫切需要解决的问题。
发明内容
本发明的目的是提供一种基于双子图的服务质量预测方法、系统、设备及介质,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
第一方面,提供一种基于双子图的服务质量预测方法,包括:
建立调用关系图,得到用户节点和服务节点的交互关系以及各用户节点和各服务节点的上下文信息;
根据目标用户节点的交互关系和目标服务节点的交互关系从调用关系图中提取子图,得到交互邻居子图,根据目标用户节点的上下文信息和目标服务节点的上下文信息从调用关系图中提取子图,得到上下文邻居子图;
使用神经网络对交互邻居子图和上下文邻居子图进行图连接属性预测,获取服务质量预测值。
进一步地,所述建立调用关系图,得到用户节点和服务节点的交互关系以及各用户节点和各服务节点的上下文信息,包括:
根据用户-服务所调用过的QoS值矩阵数据获取用户节点和服务节点的交互关系,将具有交互关系的用户节点和服务节点进行连接;
根据用户节点和服务节点的上下文信息设置为上下文节点,将上下文节点与对应的用户节点或服务节点进行连接。
进一步地,所述根据目标用户节点的交互关系和目标服务节点的交互关系从调用关系图中提取子图,得到交互邻居子图,包括:
建立仅包含目标用户节点的集合U和仅包含目标服务节点的集合S;
迭代地从调用关系图中查找与目标用户节点直接交互的服务节点,将查找到的服务节点放入集合S中,形成新的集合S;
迭代地从调用关系图中查找与目标服务节点直接交互的用户节点,将查找到的用户节点放入集合U中,形成新的集合U;
将迭代后的集合U中的用户节点和迭代后的集合S中的服务节点按照调用关系图的交互关系进行连接,得到交互邻居子图。
进一步地,所述根据目标用户节点的上下文信息和目标服务节点的上下文信息从调用关系图中提取子图,得到上下文邻居子图,包括:
建立仅包含目标用户节点的集合U′和仅包含目标服务节点的集合S′;
从调用关系图中查找目标用户节点所对应的上下文节点,迭代地从调用关系图中查找与该上下文节点连接的用户节点,将查找到的用户节点放入集合U′中,形成新的集合U′;
从调用关系图中查找目标服务节点所对应的上下文节点,迭代地从调用关系图中查找与该上下文节点连接的服务节点,将查找到的服务节点放入集合S′中,形成新的集合S′;
将迭代后的集合U′中的用户节点和迭代后的集合S′中的服务节点按照调用关系图的交互关系进行连接,得到上下文邻居子图。
进一步地,所述使用神经网络对交互邻居子图和上下文邻居子图进行图连接属性预测,获取服务质量预测值,包括:
将交互邻居子图和上下文邻居子图中的全部邻居节点不重复地传递至神经网络的若干个消息传递层,使每个消息传递层具有一个或几个邻居节点,以及将消息传递层中的邻居节点所对应的目标节点传递至该消息传递层中;所述目标节点为目标用户节点或目标服务节点,所述邻居节点为交互邻居节点或上下文邻居节点;
在消息传递层中进行消息聚合,得到若干个由目标节点和邻居节点聚合而成的Embedding;
根据得到的Embedding在神经网络的预测层中进行图连接属性预测,获取服务质量预测值。
进一步地,所述根据得到的Embedding在神经网络的预测层中进行图连接属性预测,获取服务质量预测值,包括:
拼接由交互邻居子图产生的Embedding并投入至感知层进行压缩,将压缩后的Embedding输入至预测层;
拼接由上下文邻居子图产生的Embedding并输入至预测层;
在预测层中通过学习得到服务质量预测值。
进一步地,所述上下文信息通过独热编码进行初始表示。
第二方面,提供一种基于双子图的服务质量预测系统,包括:
关系图建立模块,用于建立调用关系图,得到用户节点和服务节点的交互关系以及各用户节点和各服务节点的上下文信息;
子图提取模块,用于根据目标用户节点的交互关系和目标服务节点的交互关系从调用关系图中提取子图,得到交互邻居子图,根据目标用户节点的上下文信息和目标服务节点的上下文信息从调用关系图中提取子图,得到上下文邻居子图;
预测模块,用于使用神经网络对交互邻居子图和上下文邻居子图进行图连接属性预测,获取服务质量预测值。
第四方面,提供一种计算机设备,包括:
存储器,存储有计算机程序;
处理器,所述处理器执行所述计算机程序时实现如第一方面所述的基于双子图的服务质量预测方法。
第四方面,提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的基于双子图的服务质量预测方法。
本发明的有益效果:同时采用交互邻居子图以及上下文邻居子图进行双图采样,交互信息以及上下文信息能够很好地共同辅助完成QoS值预测的任务,结合图神经网络进行预测,使得QoS值预测的工作在极稀疏环境下仍然可以取得出色的预测性能,让在极稀疏数据环境下的QoS值预测准确程度得到大幅提升。
附图说明
图1是根据一实施例示出的一种基于双子图的服务质量预测方法的流程图。
图2是基于双子图的服务质量预测方法的流程框架结构图。
参阅图3,图3是根据一实施例示出的一种建立调用关系图方法的流程图。
图4是根据一实施例示出的一种提取交互邻居子图方法的流程图。
图5是根据一实施例示出的一种提取上下文邻居子图方法的流程图。
图6是根据一实施例示出的一种使用神经网络进行图连接属性预测的方法的流程图。
图7是使用神经网络进行图连接属性预测的流程框架结构图。
图8是根据一实施例示出的一种基于双子图的服务质量预测方法的收敛速度及参数Dimensionality的效果图。
图9是根据一实施例示出的一种基于双子图的服务质量预测系统的结构框图。
图10是根据一实施例示出的一种计算机设备的内部结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清晰,下面将结合实施例和附图,对本发明作进一步的描述。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
根据本发明的第一方面,提供一种基于双子图的服务质量预测方法。
参阅图1,图1是根据一实施例示出的一种基于双子图的服务质量预测方法的流程图。如图1所示,所述方法包括以下步骤:
步骤S100.建立调用关系图,得到用户节点和服务节点的交互关系以及各用户节点和各服务节点的上下文信息。
需要说明的是,上下文信息(context information)是指用户或服务接入服务系统过程中所处在的地点、时间、接入时所使用的自治系统(AS)、该网络服务的服务提供商、甚至是保障服务提供的各种硬件设备与硬件环境参数等信息。这些信息能够在一定程度上帮助整个服务系统定义、识别、和区分系统内的不同节点,也可以成为代表这些节点的特征信息。
在本实施例中,上下文信息通过独热编码进行初始表示。
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。示例性地,用户所在的国家对应的集合为{China,USA,Japan,UK,Canada},使用独热编码表示后该集合就变成可以是变成{00001,00010,00100,01000,10000}。
使用独热编码对各个类型的上下文信息进行表示后,将上下文信息的独热编码表示拼接起来,作为上下文节点的表示。示例性地,对于用户节点的上下文节点的特征有两种,分别为[国家,自治系统],国家集合共有如上所举例的5个不同国家,自治系统有3个不同的自治系统{AS17,AS88,AS131},进行独热编码后集合则是{001,010,100},若有一个用户节点所对应的上下文节点为(China,AS88),表示该用户属于中国,在编号为AS88的自治系统中。
图2是基于双子图的服务质量预测方法的流程框架结构图。
如图2所示,在本实施例中,调用关系图是二分图。具体地,各用户节点构成一个集合,各服务节点构成另一个集合,若一个用户节点调用过一个或多个服务节点,则该用户节点分别与对应的一个或多个服务节点进行连接,连接用户节点和服务节点的边表示一条调用记录,形成一个二分图结构,每条调用记录均包含至少一种QoS属性,示例性地,QoS属性可以是包括调用记录的响应时间、吞吐量、丢包率和出错率等。
在调用关系图中,用户节点和服务节点还分别具有上下文信息,上下文信息被设置为上下文节点,上下文节点与对应的一个或多个用户节点连接或与对应的一个或多个服务节点连接,连接上下文节点和用户节点的边表示该用户节点具有与上下文节点对应的上下文信息,同理,连接上下文节点和服务节点的边表示该服务节点具有与上下文节点对应的上下文信息。
步骤S200.根据目标用户节点的交互关系和目标服务节点的交互关系从调用关系图中提取子图,得到交互邻居子图,根据目标用户节点的上下文信息和目标服务节点的上下文信息从调用关系图中提取子图,得到上下文邻居子图。
目标用户节点和目标服务节点构成一个待预测QoS值的目标<用户,服务>对,以目标用户节点和目标服务节点为基础进行子图提取,收集与目标链路相关的节点,进而得到交互邻居子图和上下文邻居子图。
具体地,提取交互邻居子图的过程是在调用关系图中查找与目标用户节点连接的服务节点以及与目标用户节点连接的用户节点,将找到的服务节点和用户节点提取出来,与目标用户节点和目标服务节点构成一个新的二分图结构,进而得到交互邻居子图;提取上下文邻居子图的过程是在调用关系图中查找与目标用户节点连接的上下文节点以及与目标用户节点连接的上下文节点,将找到的上下文提取出来,对应地与目标用户节点和目标服务节点构成一个新的二分图结构,进而得到上下文邻居子图。
步骤S300.使用神经网络对交互邻居子图和上下文邻居子图进行图连接属性预测,获取服务质量预测值。
参阅图3,图3是根据一实施例示出的一种建立调用关系图方法的流程图。如图3所示,所述方法包括以下步骤:
步骤S110.根据用户-服务所调用过的QoS值矩阵数据获取用户节点和服务节点的交互关系,将具有交互关系的用户节点和服务节点进行连接。
步骤S120.根据用户节点和服务节点的上下文信息设置为上下文节点,将上下文节点与对应的用户节点或服务节点进行连接。
参阅图4,图4是根据一实施例示出的一种提取交互邻居子图方法的流程图。如图4所示,所述方法包括以下步骤:
步骤S210.建立仅包含目标用户节点的集合U和仅包含目标服务节点的集合S。
步骤S220.迭代地从调用关系图中查找与目标用户节点直接交互的服务节点,将查找到的服务节点放入集合S中,形成新的集合S。
步骤S230.迭代地从调用关系图中查找与目标服务节点直接交互的用户节点,将查找到的用户节点放入集合U中,形成新的集合U。
步骤S240.将迭代后的集合U中的用户节点和迭代后的集合S中的服务节点按照调用关系图的交互关系进行连接,得到交互邻居子图。
本实施例所述的提取交互邻居子图方法基于广度优先搜索生成树的方式获取相关的用户节点和服务节点。在步骤S220的迭代过程中,剔除上一次形成的集合S中的服务节点后,在调用关系图中查找一个或多个服务节点,判断当前查找到的服务节点是否直接与目标用户节点直接交互,若是,则将服务节点放入到集合S中,反之,直接从查找范围内剔除该服务节点,判断后结束该次查找并进入下一次迭代,在有限次迭代后得到高度与迭代次数相同的子树,同理,在步骤S230的迭代过程中,得到另一颗子树,根据步骤S220和步骤S230获得的两颗子树,按照调用关系图的交互关系对用户节点和服务节点进行连接,构成交互邻居子图。
参阅图5,图5是根据一实施例示出的一种提取上下文邻居子图方法的流程图。如图5所示,所述方法包括以下步骤:
步骤S240.建立仅包含目标用户节点的集合U′和仅包含目标服务节点的集合S′。
步骤S250.从调用关系图中查找目标用户节点所对应的上下文节点,迭代地从调用关系图中查找与该上下文节点连接的用户节点,将查找到的用户节点放入集合U′中,形成新的集合U′。
步骤S260.从调用关系图中查找目标服务节点所对应的上下文节点,迭代地从调用关系图中查找与该上下文节点连接的服务节点,将查找到的服务节点放入集合S′中,形成新的集合S′。
步骤S270.将迭代后的集合U′中的用户节点和迭代后的集合S′中的服务节点按照调用关系图的交互关系进行连接,得到上下文邻居子图。
本实施例所述的提取上下文邻居子图方法基于广度优先搜索生成树的方式获取相关的用户节点和服务节点。在步骤S250的迭代过程中,目标用户节点所对应的上下文节点可以是放置在一个用于放置上下文节点的集合中,剔除上一次形成的集合U′中的用户节点后,在调用关系图中查找一个或多个用户节点,判断当前查找到的用户节点是否与目标用户节点所对应的上下文节点连接,若是,则将用户节点放入到集合U′中,反之,直接从查找范围内剔除该用户节点,判断后结束该次查找并进入下一次迭代,在有限次迭代后得到高度与迭代次数相同的子树,同理,在步骤S260的迭代过程中,得到另一颗子树,根据步骤S250和步骤S260获得的两颗子树,按照调用关系图中用户节点和服务节点与对应的上下文节点进行连接,构成交互邻居子图。
参阅图6,图6是根据一实施例示出的一种使用神经网络进行图连接属性预测的方法的流程图。如图6所示,所述方法包括以下步骤:
步骤S310.将交互邻居子图和上下文邻居子图中的全部邻居节点不重复地传递至神经网络的若干个消息传递层,使每个消息传递层具有一个或几个邻居节点,以及将消息传递层中的邻居节点所对应的目标节点传递至该消息传递层中。
其中,上述的目标节点为目标用户节点或目标服务节点,上述的邻居节点为交互邻居节点或上下文邻居节点。
图7是使用神经网络进行图连接属性预测的流程框架结构图。
需要说明的是,步骤S310是对交互邻居子图和上下文邻居子图进行消息传递的过程。具体地,如图7所示,神经网络具有多个消息传递层,交互邻居子图和上下文邻居子图的各个邻居节点分别被传递至不同的消息传递层中,也就是说与目标用户节点有交互关系的服务节点、与目标服务节点有交互关系的用户节点、与目标用户节点有相同上下文信息的用户节点以及与目标服务节点有相同上下文信息的服务节点被传递至消息传递层,同时消息传递层中邻居节点的类型,将邻居节点所对应的目标节点传递至该消息传递层中。
示例性地,对于交互邻居子图,目标用户节点所对应的各个邻居节点(与目标用户节点有交互关系的服务节点)不重复地被传递至若干个消息传递层内,每个消息传递层内有一个目标用户节点所对应的各个邻居节点,目标用户节点则被传递至其所对应的各个邻居节点所在的消息传递层内。
步骤S320.在消息传递层中进行消息聚合,得到若干个由目标节点和邻居节点聚合而成的Embedding。
需要说明的是,步骤S320是对交互邻居子图和上下文邻居子图进行消息传递的过程,Embedding本质上是一种映射,是从语义空间到向量空间的映射并同时尽可能在向量空间保持原样本在语义空间的关系。在本实施例中,Embedding是一种对节点的向量表达形式,将用户节点、服务节点以及上下文节点转换为向量进行表示。
步骤S330.根据得到的Embedding在神经网络的预测层中进行图连接属性预测,获取服务质量预测值。
步骤S330中,将得到的Embedding在神经网络的预测层中进行图连接属性预测前需要对Embedding进行拼接。具体地,如图7所示,对于由交互邻居子图产生的Embedding,将各个由交互邻居子图产生的Embedding进行拼接并投入至神经网络中的感知层进行压缩,再将压缩后的Embedding输入至预测层;对于由上下文邻居子图产生的Embedding,将各个由上下文邻居子图产生的Embedding进行拼接并输入至预测层;最后,在预测层中通过学习得到服务质量预测值。
图8是根据一实施例示出的一种基于双子图的服务质量预测方法的收敛速度及参数Dimensionality的效果图。
如图8所示,与现有技术相比,使用上述基于双子图的服务质量预测方法的模型(ISPA-GNN)进行服务质量预测值预测,具有良好的收敛速度以及性能。
根据本发明的第二方面,提供一种基于双子图的服务质量预测系统。
参阅图9,图9是根据一实施例示出的一种基于双子图的服务质量预测系统的结构框图。如图9所示,所述系统包括:
关系图建立模块901,用于建立调用关系图,得到用户节点和服务节点的交互关系以及各用户节点和各服务节点的上下文信息;
子图提取模块902,用于根据目标用户节点的交互关系和目标服务节点的交互关系从调用关系图中提取子图,得到交互邻居子图,根据目标用户节点的上下文信息和目标服务节点的上下文信息从调用关系图中提取子图,得到上下文邻居子图;
预测模块903,用于使用神经网络对交互邻居子图和上下文邻居子图进行图连接属性预测,获取服务质量预测值。
所述基于双子图的服务质量预测系统执行上述第一方面的基于双子图的服务质量预测方法,关于基于双子图的服务质量预测系统的具体限定可以参见上文中对于基于双子图的服务质量预测方法的限定,在此不再赘述。
上述基于双子图的服务质量预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
根据本发明的第三方面,提供一种计算机设备。
参阅图10,图10是根据一实施例示出的一种计算机设备的内部结构图。如图10所示,该计算机设备包括通过系统总线连接的处理器、存储器和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现第一方面所述的一种基于双子图的服务质量预测方法。
根据本发明的第四方面,还提供一种计算机存储介质,所述计算机存储介质中存储有计算机程序,计算机存储介质可以是磁性随机存取存储器、只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器、快闪存储器、磁表面存储器、光盘、或只读光盘等;也可以是包括上述存储器之一或任意组合的各种设备,如移动电话、计算机、平板设备、个人数字助理等。所述计算机程序被处理器执行时实现第一方面所述的一种基于双子图的服务质量预测方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,除了包含所列的那些要素,而且还可包含没有明确列出的其他要素。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于双子图的服务质量预测方法,其特征在于,包括:
建立调用关系图,得到用户节点和服务节点的交互关系以及各用户节点和各服务节点的上下文信息;
根据目标用户节点的交互关系和目标服务节点的交互关系从调用关系图中提取子图,得到交互邻居子图,根据目标用户节点的上下文信息和目标服务节点的上下文信息从调用关系图中提取子图,得到上下文邻居子图;
使用神经网络对交互邻居子图和上下文邻居子图进行图连接属性预测,获取服务质量预测值。
2.根据权利要求1所述的基于双子图的服务质量预测方法,其特征在于,所述建立调用关系图,得到用户节点和服务节点的交互关系以及各用户节点和各服务节点的上下文信息,包括:
根据用户-服务所调用过的QoS值矩阵数据获取用户节点和服务节点的交互关系,将具有交互关系的用户节点和服务节点进行连接;
根据用户节点和服务节点的上下文信息设置为上下文节点,将上下文节点与对应的用户节点或服务节点进行连接。
3.根据权利要求1所述的基于双子图的服务质量预测方法,其特征在于,所述根据目标用户节点的交互关系和目标服务节点的交互关系从调用关系图中提取子图,得到交互邻居子图,包括:
建立仅包含目标用户节点的集合U和仅包含目标服务节点的集合S;
迭代地从调用关系图中查找与目标用户节点直接交互的服务节点,将查找到的服务节点放入集合S中,形成新的集合S;
迭代地从调用关系图中查找与目标服务节点直接交互的用户节点,将查找到的用户节点放入集合U中,形成新的集合U;
将迭代后的集合U中的用户节点和迭代后的集合S中的服务节点按照调用关系图的交互关系进行连接,得到交互邻居子图。
4.根据权利要求1所述的基于双子图的服务质量预测方法,其特征在于,所述根据目标用户节点的上下文信息和目标服务节点的上下文信息从调用关系图中提取子图,得到上下文邻居子图,包括:
建立仅包含目标用户节点的集合U′和仅包含目标服务节点的集合S′;
从调用关系图中查找目标用户节点所对应的上下文节点,迭代地从调用关系图中查找与该上下文节点连接的用户节点,将查找到的用户节点放入集合U′中,形成新的集合U′;
从调用关系图中查找目标服务节点所对应的上下文节点,迭代地从调用关系图中查找与该上下文节点连接的服务节点,将查找到的服务节点放入集合S′中,形成新的集合S′;
将迭代后的集合U′中的用户节点和迭代后的集合S′中的服务节点按照调用关系图的交互关系进行连接,得到上下文邻居子图。
5.根据权利要求1所述的基于双子图的服务质量预测方法,其特征在于,所述使用神经网络对交互邻居子图和上下文邻居子图进行图连接属性预测,获取服务质量预测值,包括:
将交互邻居子图和上下文邻居子图中的全部邻居节点不重复地传递至神经网络的若干个消息传递层,使每个消息传递层具有一个或几个邻居节点,以及将消息传递层中的邻居节点所对应的目标节点传递至该消息传递层中;所述目标节点为目标用户节点或目标服务节点,所述邻居节点为交互邻居节点或上下文邻居节点;
在消息传递层中进行消息聚合,得到若干个由目标节点和邻居节点聚合而成的Embedding;
根据得到的Embedding在神经网络的预测层中进行图连接属性预测,获取服务质量预测值。
6.根据权利要求5所述的基于双子图的服务质量预测方法,其特征在于,所述根据得到的Embedding在神经网络的预测层中进行图连接属性预测,获取服务质量预测值,包括:
拼接由交互邻居子图产生的Embedding并投入至感知层进行压缩,将压缩后的Embedding输入至预测层;
拼接由上下文邻居子图产生的Embedding并输入至预测层;
在预测层中通过学习得到服务质量预测值。
7.根据权利要求1所述的基于双子图的服务质量预测方法,其特征在于,所述上下文信息通过独热编码进行初始表示。
8.一种基于双子图的服务质量预测系统,其特征在于,包括:
关系图建立模块,用于建立调用关系图,得到用户节点和服务节点的交互关系以及各用户节点和各服务节点的上下文信息;
子图提取模块,用于根据目标用户节点的交互关系和目标服务节点的交互关系从调用关系图中提取子图,得到交互邻居子图,根据目标用户节点的上下文信息和目标服务节点的上下文信息从调用关系图中提取子图,得到上下文邻居子图;
预测模块,用于使用神经网络对交互邻居子图和上下文邻居子图进行图连接属性预测,获取服务质量预测值。
9.一种计算机设备,其特征在于,包括:
存储器,存储有计算机程序;
处理器,所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的基于双子图的服务质量预测方法。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于双子图的服务质量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111246230.2A CN114070751B (zh) | 2021-10-25 | 2021-10-25 | 基于双子图的服务质量预测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111246230.2A CN114070751B (zh) | 2021-10-25 | 2021-10-25 | 基于双子图的服务质量预测方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114070751A true CN114070751A (zh) | 2022-02-18 |
CN114070751B CN114070751B (zh) | 2023-06-30 |
Family
ID=80235482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111246230.2A Active CN114070751B (zh) | 2021-10-25 | 2021-10-25 | 基于双子图的服务质量预测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114070751B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111465944A (zh) * | 2017-10-27 | 2020-07-28 | 渊慧科技有限公司 | 用于生成对象的结构化表示的图形神经网络系统 |
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 |
CN111881345A (zh) * | 2020-07-13 | 2020-11-03 | 汕头大学 | 基于位置上下文感知的神经协同过滤服务质量预测方法 |
CN111931052A (zh) * | 2020-08-10 | 2020-11-13 | 齐鲁工业大学 | 基于特征交互图神经网络的上下文感知推荐方法及系统 |
CN112115377A (zh) * | 2020-09-11 | 2020-12-22 | 安徽农业大学 | 一种基于社交关系的图神经网络链路预测推荐方法 |
US20210056428A1 (en) * | 2019-08-22 | 2021-02-25 | Google Llc | De-Biasing Graph Embeddings via Metadata-Orthogonal Training |
US20210067527A1 (en) * | 2019-08-28 | 2021-03-04 | Nec Laboratories America, Inc. | Structural graph neural networks for suspicious event detection |
CN113158543A (zh) * | 2021-02-02 | 2021-07-23 | 浙江工商大学 | 一种软件定义网络性能智能预测方法 |
CN113516501A (zh) * | 2021-05-13 | 2021-10-19 | 浙江鸿程计算机系统有限公司 | 一种基于图神经网络的用户通信行为预测方法和装置 |
-
2021
- 2021-10-25 CN CN202111246230.2A patent/CN114070751B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111465944A (zh) * | 2017-10-27 | 2020-07-28 | 渊慧科技有限公司 | 用于生成对象的结构化表示的图形神经网络系统 |
US20210056428A1 (en) * | 2019-08-22 | 2021-02-25 | Google Llc | De-Biasing Graph Embeddings via Metadata-Orthogonal Training |
US20210067527A1 (en) * | 2019-08-28 | 2021-03-04 | Nec Laboratories America, Inc. | Structural graph neural networks for suspicious event detection |
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 |
CN111881345A (zh) * | 2020-07-13 | 2020-11-03 | 汕头大学 | 基于位置上下文感知的神经协同过滤服务质量预测方法 |
CN111931052A (zh) * | 2020-08-10 | 2020-11-13 | 齐鲁工业大学 | 基于特征交互图神经网络的上下文感知推荐方法及系统 |
CN112115377A (zh) * | 2020-09-11 | 2020-12-22 | 安徽农业大学 | 一种基于社交关系的图神经网络链路预测推荐方法 |
CN113158543A (zh) * | 2021-02-02 | 2021-07-23 | 浙江工商大学 | 一种软件定义网络性能智能预测方法 |
CN113516501A (zh) * | 2021-05-13 | 2021-10-19 | 浙江鸿程计算机系统有限公司 | 一种基于图神经网络的用户通信行为预测方法和装置 |
Non-Patent Citations (3)
Title |
---|
GAO, HONGHAO, ET AL.: "Context-aware QoS prediction with neural collaborative filtering for Internet-of-Things services." * |
LI, YUHUI, JIANLONG XU, AND WEI LIANG.: "GraphMF: QoS Prediction for Large Scale Blockchain Service Selection." * |
刘宗磊;庄媛;张鹏程;: "基于径向基神经网络的Web Service QoS属性值组合预测方法", no. 12 * |
Also Published As
Publication number | Publication date |
---|---|
CN114070751B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109961204B (zh) | 一种微服务架构下业务质量分析方法和系统 | |
CN113612749B (zh) | 一种面向入侵行为的溯源数据聚类方法及装置 | |
CN109948641A (zh) | 异常群体识别方法及装置 | |
CN111813764A (zh) | 一种投诉预测模型的训练方法、装置及电子设备 | |
CN112037061A (zh) | 区块链中交易的处理方法、装置、电子设备及存储介质 | |
WO2020237689A1 (zh) | 网络结构搜索的方法及装置、计算机存储介质和计算机程序产品 | |
CN113342500A (zh) | 任务执行方法、装置、设备及存储介质 | |
CN110598109A (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
CN113516501A (zh) | 一种基于图神经网络的用户通信行为预测方法和装置 | |
CN115828242A (zh) | 基于大型异构图表示学习的安卓恶意软件检测方法 | |
CN113703996B (zh) | 基于用户和yang模型分组的访问控制方法、设备及介质 | |
CN115062779A (zh) | 基于动态知识图谱的事件预测方法及装置 | |
CN114187300A (zh) | 图像处理方法、系统以及存储介质 | |
CN112256774B (zh) | 电力数据处理方法、装置、计算机设备和存储介质 | |
CN114070751B (zh) | 基于双子图的服务质量预测方法、系统、设备及介质 | |
CN113360300A (zh) | 接口调用链路生成方法、装置、设备及可读存储介质 | |
CN116614830A (zh) | 网元优化方法、装置、计算机设备、存储介质 | |
CN115174237B (zh) | 一种物联网系统恶意流量的检测方法、装置和电子设备 | |
CN116226852A (zh) | 基于多模态信息融合的移动平台恶意软件检测方法及装置 | |
WO2023184732A1 (zh) | 基因组组装方法、装置、设备及存储介质 | |
CN113239127B (zh) | 科技服务关联网络的构建、依赖关系的识别方法及计算机产品 | |
CN115310612A (zh) | 量子线路构建方法、装置及量子计算机操作系统 | |
Steinheimer et al. | M2M application service provision: an autonomous and decentralised approach | |
CN109325134A (zh) | 一种缩略图管理方法、缩略图管理装置及移动终端 | |
CN111935006B (zh) | 一种数据传输方法、装置、处理设备及介质 |
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 |