CN115037633A - 一种通信网络Web服务QoS预测方法 - Google Patents

一种通信网络Web服务QoS预测方法 Download PDF

Info

Publication number
CN115037633A
CN115037633A CN202210956592.9A CN202210956592A CN115037633A CN 115037633 A CN115037633 A CN 115037633A CN 202210956592 A CN202210956592 A CN 202210956592A CN 115037633 A CN115037633 A CN 115037633A
Authority
CN
China
Prior art keywords
qos
communication network
web service
layer
value
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.)
Pending
Application number
CN202210956592.9A
Other languages
English (en)
Inventor
蒋锴
赵宇
郑少秋
吉祥
陶智刚
叶玲
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.)
CETC 28 Research Institute
Original Assignee
CETC 28 Research Institute
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 CETC 28 Research Institute filed Critical CETC 28 Research Institute
Priority to CN202210956592.9A priority Critical patent/CN115037633A/zh
Publication of CN115037633A publication Critical patent/CN115037633A/zh
Pending legal-status Critical Current

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
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
    • 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
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种通信网络Web服务QoS预测方法，步骤如下：（1）构建通信网络Web服务QoS数据集；（2）对数据集D进行预处理；（3）构建基于卷积神经网络和Transformer的通信网络Web服务QoS模型；（4）对步骤（3）中构建的通信网络Web服务QoS模型进行训练；（5）利用训练完成的通信网络Web服务QoS预测模型，预测QoS值。本发明利用卷积神经网络对输入变量之间的相关性进行有效建模，利用Transformer提取输入变量的时间相关性，在保持用户与服务紧密联系的前提下，深入挖掘多源信息内在及之间的相关性，提取潜在特征，更好地预测QoS值。

Description

一种通信网络Web服务QoS预测方法
技术领域
本发明涉及通信网络，特别是一种通信网络Web服务QoS预测方法。
背景技术
通信网络服务是指在运行于通信网络中的，面向服务的，提供可配置功能的分布式软件模块。近年来，随着SOA（Service-Oriented Architecture，面向服务的体系结构），云计算，互联网和边缘计算等技术的不断发展，大量Web服务被用户创建并发布。Web服务之间功能相似，差异较小，导致用户很难选择适合自己的服务。如何从大量具有相似的Web服务中选择质量最高的Web服务是一个极具挑战性的问题。QoS（Quality of Service，服务质量）通常用于描述Web服务的非功能属性（例如响应时间、吞吐量等），是区分功能相似的Web服务的重要参考依据，然而在真实网络中，受限于用户隐私，终端CPU、内存、操作系统等软硬件条件等，无法在同一时间获得所有候选服务的QoS值，因此准确的Web服务QoS预测是实现服务发现、服务推荐和服务组合的关键。
现有的大多数Web服务QoS预测方法为基于CF（Collaborative Filtering，协同过滤）的方法，具体可分为基于邻域的CF方法和基于模型的CF方法两种。基于领域的CF方法根据历史QoS数据来计算用户或服务之间的相似度，生成相似邻居，并结合已有的QoS值估算目标用户服务的QoS值，该方法实现较为简单，但模型性能受数据稀疏性的影响较大，且无法有效利用全局结构信息。基于模型的CF方法，利用服务的历史QoS值训练预定义的具有适当结构和参数的模型，训练良好的模型具有较高的预测精度，且鲁棒性较强，然而传统的基于模型的CF方法无法提取到历史QoS数据的深层次特征，使得可扩展性不强。
近年来，深度学习在计算机视觉、自然语言处理和推荐系统等领域取得了较大的成功。为解决传统的基于CF的QoS预测方法存在的不足，研究者们尝试将深度学习应用于Web服务的QoS预测中。根据上下文信息的特征，通过神经网络的逐层融合，可以提取到历史数据深层次的特征信息，以缓解数据稀疏性的问题。
然而，通信网络流量网络动态性较大，QoS信息具有较强的时效性，现有的基于深度学习的Web服务QoS预测方法未能有效利用QoS数据之间的关联性，缓解数据稀疏问题，以提升预测精度，因此在QoS预测的过程中如何考虑保持用户与服务紧密联系的前提下，深入挖掘多源信息内在及之间的相关性，提取潜在特征，提高QoS预测的准确性成了亟待解决的问题。
卷积神经网络（Convolutional Neural Networks，CNN）可对输入的若干变量之间的相关性进行有效建模。Transformer是一种基于encoder-decoder结构的构型，可用于提取输入变量的时间相关性，尤其适合处理长时间预测任务中，早期时序信息被遗忘的问题，提升QoS预测的性能，提高预测模型的适用范围。
发明内容
发明目的：本发明的目的是提供一种通信网络Web服务QoS预测方法，从而在保持用户与服务紧密联系的前提下，深入挖掘多源信息内在及之间的相关性，提取潜在特征，更好地预测QoS值。
技术方案：本发明所述的一种通信网络Web服务QoS预测方法，包括以下步骤：
（1）构建通信网络Web服务QoS数据集。
（1.1）网络内所有主机开启SNMP协议，检测所有主机的环境，每隔5秒，统计该主机上所有用户发送的数据量，平均CPU利用率、响应时间和服务器吞吐量等信息，并将这些信息存储至txt格式的文档中。
（1.2）网络运行24小时后，收集所有服务器的txt文档，并将数据保存至一个excel文档中，得到通信网络Web服务QoS数据集D。
（2）对数据集D进行预处理，得到处理后的数据集D’。
（2.1）将D中响应时间为0的值置为NULL。
（2.2）利用log1p函数处理数据集D中，平均CPU利用率QoS属性的数据，使数据更符合高斯分布；
Figure 321758DEST_PATH_IMAGE001
其中，
Figure 163812DEST_PATH_IMAGE002
为原始QoS数据，
Figure 293442DEST_PATH_IMAGE003
为经log1p函数处理后的数据。
（2.3）对数据集D中QoS属性的数据分别进行Max-Min归一化处理，将数据大小控制在[0,1]之间；
Figure 842235DEST_PATH_IMAGE004
其中，
Figure 727014DEST_PATH_IMAGE005
为经转化后的QoS属性的最小值，
Figure 728468DEST_PATH_IMAGE006
为经转化后的QoS属性的最大值，
Figure 927369DEST_PATH_IMAGE007
为归一化后的值。
（2.4）对齐用户ID和服务ID，构建“用户ID-服务ID-QoS属性”的输入向量，并按时间先后顺序进行排序，得到处理后的数据集D’。
（3）构建基于卷积神经网络和Transformer的通信网络Web服务QoS模型。
（3.1）构建多元信息融合模块：多元信息融合模块由1层卷积层，1层池化层，1层全连接层组成。
（3.2）构建编码器和解码器：编码器由1层自注意力层、1层前馈神经网络层、1层自注意力层、1层前馈神经网络层依次叠加而成，解码器和编码器的结构相同。
（3.3）构建误差消除模块：误差消除模块由1层自注意力层组成。
（3.4）构建基于卷积神经网络和Transformer的通信网络Web服务QoS预测模型；所述基于卷积神经网络和Transformer的通信网络Web服务QoS预测模型，由输入全连接层、多元信息融合模块、编码器、误差消除模块、解码器和输出全连接层组成。
（4）对步骤（3）中构建的通信网络Web服务QoS模型进行训练。
（4.1）初始化训练流程及参数：将步骤（2）中得到的训练数据集D’，按时间先后顺序，划分为若干个大小为S的Batch。
（4.2）计算前向传播过程中产生的误差和梯度：将每一个Batch的数据，输入至通信网络Web服务QoS预测模型中，依次经过预测模型的输入全连接层、多元信息融合模块、编码器、误差消除模块、解码器和输出全连接层，完成前向传播；在前向传播的过程中，使用dropout方法，按照参数丢弃率，随机屏蔽各模块各层的一些参数，被屏蔽的参数在前向传播过程中不被认为是模型的一部分，不参与前向传播计算，但会保留参数的值；利用均方误差损失函数，计算前向传播过程中，预测模型输出值和真实值之间的差值，作为误差，并利用Adam优化器进行梯度计算，并将误差和梯度储存起来。
所述均方误差损失函数公式如下：
Figure 127406DEST_PATH_IMAGE008
其中，n为样本数，
Figure 386349DEST_PATH_IMAGE009
和
Figure 875099DEST_PATH_IMAGE010
分别为预测值和真实值。
（4.3）利用反向传播方法更新模型的参数：将步骤（4.2）中得到的误差和梯度，利用反向传播方法，经过输出全连接层、解码器、误差消除模块、编码器、多元信息融合模块和输入全连接层传播，并自动更新预测模型的参数值；判断所在网络层是否为输入全连接层，若是，则执行步骤（4.2），否则，执行步骤（4.3）。
（4.4）模型训练完毕，存储模型：当损失函数值趋于稳定或达到迭代次数时，则认为模型参数调整完毕，基于卷积神经网络和Transformer的通信网络Web服务QoS预测模型训练完毕，储存模型结构及参数。
（5）利用训练完成的通信网络Web服务QoS预测模型，预测QoS值。
本发明在不同位置所述的自注意力层均具备相同的结构，在不同位置所述的前馈神经网络层均具备相同的结构。
一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的一种通信网络Web服务QoS预测方法。
一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种通信网络Web服务QoS预测方法。
有益效果：与现有技术相比，本发明具有如下优点：
1、本发明采用卷积神经网络，提取通信网络Web服务的QoS属性之间的特征，辅助模型预测各服务的QoS值，提升模型的精度和有效性；
2、本发明采用Transformer架构，利用多头注意力机制，计算各个时间间隔的重要程度，可以捕获各QoS属性序列长距离依赖关系，实现高效高性能预测长时间通信网络Web服务的QoS属性值；
3、本发明将上述技术进行融合，能够应对大规模通信网络Web服务的QoS处理，在具有较高的预测精度的同时，还具有较好的泛化性，可适应多种规模的通信网络。
附图说明
图1为本发明所述方法的步骤流程图；
图2为基于卷积神经网络和Transformer的通信网络的Web服务QoS模型结构示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示，一种通信网络Web服务QoS预测方法，包括以下步骤：
（1）构建通信网络Web服务QoS数据集。
（1.1）网络内所有主机开启SNMP协议，检测所有主机的环境，每隔5秒，统计该主机上所有用户发送的数据量，平均CPU利用率、响应时间和服务器吞吐量等信息，并将这些信息存储至txt格式的文档中。
（1.2）网络运行24小时后，收集所有服务器的txt文档，并将数据保存至一个excel文档中，得到通信网络Web服务QoS数据集D。
（2）对数据集D进行预处理，得到处理后的数据集D’。
（2.1）将D中响应时间为0的值置为NULL。
（2.2）利用log1p函数处理数据集D中，平均CPU利用率QoS属性的数据，使数据更符合高斯分布。
Figure 408849DEST_PATH_IMAGE001
其中，
Figure 932234DEST_PATH_IMAGE002
为原始QoS数据，
Figure 96499DEST_PATH_IMAGE011
为经log1p函数处理后的数据。
（2.3）对数据集D中QoS属性的数据分别进行Max-Min归一化处理，将数据大小控制在[0,1]之间；
Figure 72545DEST_PATH_IMAGE004
其中，
Figure 409986DEST_PATH_IMAGE012
为经转化后的QoS属性的最小值，
Figure 53456DEST_PATH_IMAGE006
为经转化后的QoS属性的最大值，
Figure 123044DEST_PATH_IMAGE007
为归一化后的值。
（2.4）对齐用户ID和服务ID，构建“用户ID-服务ID-QoS属性”的输入向量，并按时间先后顺序进行排序，得到处理后的数据集D’。
（3）构建基于卷积神经网络和Transformer的通信网络Web服务QoS模型。
（3.1）构建多元信息融合模块：多元信息融合模块由1层卷积层、1层池化层、1层全连接层组成。
（3.2）构建编码器和解码器：编码器由1层自注意力层、1层前馈神经网络层、1层自注意力层、1层前馈神经网络层依次叠加而成，解码器和编码器的结构相同。
（3.3）构建误差消除模块：误差消除模块由1层自注意力层组成。
（3.4）构建基于卷积神经网络和Transformer的通信网络Web服务QoS预测模型；所述基于卷积神经网络和Transformer的通信网络Web服务QoS预测模型，由输入全连接层、多元信息融合模块、编码器、误差消除模块、解码器和输出全连接层组成。
（4）对步骤（3）中构建的通信网络Web服务QoS模型进行训练。
（4.1）初始化训练流程及参数：将步骤（2）中得到的训练数据集D’，按时间先后顺序，划分为若干个大小为S的Batch，设定参数丢弃率为20%，S为32。
（4.2）计算前向传播过程中产生的误差和梯度：将每一个Batch的数据，输入至通信网络Web服务QoS预测模型中，依次经过预测模型的输入全连接层、多元信息融合模块、编码器、误差消除模块、解码器和输出全连接层，完成前向传播；在前向传播的过程中，使用dropout方法，按照参数丢弃率，随机屏蔽各模块各层的一些参数，被屏蔽的参数在前向传播过程中不被认为是模型的一部分，不参与前向传播计算，但会保留参数的值；利用均方误差损失函数，计算前向传播过程中，预测模型输出值和真实值之间的差值，作为误差，并利用Adam优化器进行梯度计算，并将误差和梯度储存起来。
所述均方误差损失函数公式如下：
Figure 851965DEST_PATH_IMAGE013
其中，n为样本数，
Figure 226053DEST_PATH_IMAGE009
和
Figure 724030DEST_PATH_IMAGE010
分别为预测值和真实值。
（4.3）利用反向传播方法更新模型的参数：将步骤（4.2）中得到的误差和梯度，利用反向传播方法，经过输出全连接层、解码器、误差消除模块、编码器、多元信息融合模块和输入全连接层传播，并自动更新预测模型的参数值；判断所在网络层是否为输入全连接层，若是，则执行步骤（4.2），否则，执行步骤（4.3）。
（4.4）模型训练完毕，存储模型：当损失函数值趋于稳定或达到迭代次数时，则认为模型参数调整完毕，基于卷积神经网络和Transformer的通信网络Web服务QoS预测模型训练完毕，储存模型结构及参数。
（5）利用训练完成的通信网络Web服务QoS预测模型，预测QoS值。

Claims (7)

1.一种通信网络Web服务QoS预测方法，其特征在于，包括以下步骤：
（1）构建通信网络Web服务QoS数据集；
（2）对数据集D进行预处理，得到处理后的数据集D’；
（3）构建基于卷积神经网络和Transformer的通信网络Web服务QoS模型；
（4）对步骤（3）中构建的通信网络Web服务QoS模型进行训练；
（5）利用训练完成的通信网络Web服务QoS预测模型，预测QoS值。
2.根据权利要求1所述的一种通信网络Web服务QoS预测方法，其特征在于，所述步骤（1）具体为：
（1.1）网络内所有主机开启SNMP协议，检测所有主机的环境，每隔5秒，统计该主机上所有用户发送的数据量，平均CPU利用率、响应时间和服务器吞吐量信息，并将这些信息存储至txt格式的文档中；
（1.2）网络运行24小时后，收集所有服务器的txt文档，并将数据保存至一个excel文档中，得到通信网络Web服务QoS数据集D。
3.根据权利要求1所述的一种通信网络Web服务QoS预测方法，其特征在于，所述步骤（2）具体为：
（2.1）将D中响应时间为0的值置为NULL；
（2.2）利用log1p函数处理数据集D中，平均CPU利用率QoS属性的数据，使数据更符合高斯分布；
Figure 303566DEST_PATH_IMAGE001
其中，
Figure 288839DEST_PATH_IMAGE002
为原始QoS数据，
Figure 395335DEST_PATH_IMAGE003
为经log1p函数处理后的数据；
（2.3）对数据集D中QoS属性的数据分别进行Max-Min归一化处理，将数据大小控制在[0,1]之间；
Figure 200480DEST_PATH_IMAGE004
其中，
Figure 253887DEST_PATH_IMAGE005
为经转化后的QoS属性的最小值，
Figure 890405DEST_PATH_IMAGE006
为经转化后的QoS属性的最大值，
Figure 105485DEST_PATH_IMAGE007
为归一化后的值；
（2.4）对齐用户ID和服务ID，构建“用户ID-服务ID-QoS属性”的输入向量，并按时间先后顺序进行排序，得到处理后的数据集D’。
4.根据权利要求1所述的一种通信网络Web服务QoS预测方法，其特征在于，所述步骤（3）具体为：
（3.1）构建多元信息融合模块：多元信息融合模块由1层卷积层，1层池化层，1层全连接层组成；
（3.2）构建编码器和解码器：编码器由1层自注意力层、1层前馈神经网络层、1层自注意力层、1层前馈神经网络层依次叠加而成，解码器和编码器的结构相同；
（3.3）构建误差消除模块：误差消除模块由1层自注意力层组成；
（3.4）构建基于卷积神经网络和Transformer的通信网络Web服务QoS预测模型；所述基于卷积神经网络和Transformer的通信网络Web服务QoS预测模型，由输入全连接层、多元信息融合模块、编码器、误差消除模块、解码器和输出全连接层组成。
5.根据权利要求1所述的一种通信网络Web服务QoS预测方法，其特征在于，所述步骤（4）具体为：
（4.1）初始化训练流程及参数：将步骤（2）中得到的训练数据集D’，按时间先后顺序，划分为若干个大小为S的Batch；
（4.2）计算前向传播过程中产生的误差和梯度：将每一个Batch的数据，输入至通信网络Web服务QoS预测模型中，依次经过预测模型的输入全连接层、多元信息融合模块、编码器、误差消除模块、解码器和输出全连接层，完成前向传播；在前向传播的过程中，使用dropout方法，按照参数丢弃率，随机屏蔽各模块各层的一些参数，被屏蔽的参数在前向传播过程中不被认为是模型的一部分，不参与前向传播计算，但会保留参数的值；利用均方误差损失函数，计算前向传播过程中，预测模型输出值和真实值之间的差值，作为误差，并利用Adam优化器进行梯度计算，并将误差和梯度储存起来；
所述均方误差损失函数公式如下：
Figure 397926DEST_PATH_IMAGE008
其中，n为样本数，
Figure 51762DEST_PATH_IMAGE009
和
Figure 746048DEST_PATH_IMAGE010
分别为预测值和真实值；
（4.3）利用反向传播方法更新模型的参数：将步骤（4.2）中得到的误差和梯度，利用反向传播方法，经过输出全连接层、解码器、误差消除模块、编码器、多元信息融合模块和输入全连接层传播，并自动更新预测模型的参数值；判断所在网络层是否为输入全连接层，若是，则执行步骤（4.2），否则，执行步骤（4.3）；
（4.4）模型训练完毕，存储模型：当损失函数值趋于稳定或达到迭代次数时，则认为模型参数调整完毕，基于卷积神经网络和Transformer的通信网络Web服务QoS预测模型训练完毕，储存模型结构及参数。
6.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的一种通信网络Web服务QoS预测方法。
7.一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的一种通信网络Web服务QoS预测方法。
CN202210956592.9A 2022-08-10 2022-08-10 一种通信网络Web服务QoS预测方法 Pending CN115037633A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210956592.9A CN115037633A (zh) 2022-08-10 2022-08-10 一种通信网络Web服务QoS预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210956592.9A CN115037633A (zh) 2022-08-10 2022-08-10 一种通信网络Web服务QoS预测方法

Publications (1)

Publication Number Publication Date
CN115037633A true CN115037633A (zh) 2022-09-09

Family

ID=83131084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210956592.9A Pending CN115037633A (zh) 2022-08-10 2022-08-10 一种通信网络Web服务QoS预测方法

Country Status (1)

Country Link
CN (1) CN115037633A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256695A (zh) * 2018-03-14 2018-07-06 北京邮电大学 一种基于历史信息的Web服务QoS预测方法
CN113920390A (zh) * 2021-09-17 2022-01-11 北京交通大学 一种基于多模态深度学习模型的列车延误预测方法
CN114422381A (zh) * 2021-12-14 2022-04-29 西安电子科技大学 通信网络流量预测方法、系统、存储介质及计算机设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256695A (zh) * 2018-03-14 2018-07-06 北京邮电大学 一种基于历史信息的Web服务QoS预测方法
CN113920390A (zh) * 2021-09-17 2022-01-11 北京交通大学 一种基于多模态深度学习模型的列车延误预测方法
CN114422381A (zh) * 2021-12-14 2022-04-29 西安电子科技大学 通信网络流量预测方法、系统、存储介质及计算机设备

Similar Documents

Publication Publication Date Title
CN110162593B (zh) 一种搜索结果处理、相似度模型训练方法及装置
CN112380319B (zh) 一种模型训练的方法及相关装置
US20220405641A1 (en) Method for recommending information, recommendation server, and storage medium
WO2021004324A1 (zh) 资源数据的处理方法、装置、计算机设备和存储介质
CN111782817B (zh) 一种面向信息系统的知识图谱构建方法、装置及电子设备
CN117041019A (zh) 内容分发网络cdn的日志分析方法、装置及存储介质
WO2023207013A1 (zh) 一种基于图嵌入的关系图谱关键人员分析方法及系统
CN111209974A (zh) 基于张量分解的异构大数据核心特征提取的方法及系统
CN110245292B (zh) 一种基于神经网络过滤噪声特征的自然语言关系抽取方法
CN117893807B (zh) 基于知识蒸馏的联邦自监督对比学习图像分类系统及方法
Luo et al. Dynamic Graph Convolutional Network with Attention Fusion for Traffic Flow Prediction
Tuli et al. Generative optimization networks for memory efficient data generation
CN115037633A (zh) 一种通信网络Web服务QoS预测方法
CN116484016A (zh) 一种基于时序路径自动维护的时序知识图谱推理方法和系统
CN116721327A (zh) 一种基于泛化界的神经网络架构搜索方法
CN112966732B (zh) 具有周期属性的多因素交互行为异常检测方法
CN115577797A (zh) 一种基于本地噪声感知的联邦学习优化方法及系统
CN109215057B (zh) 一种高性能视觉跟踪方法及装置
CN111340648A (zh) 一种基于物联网的能源管控方法及系统
US12079992B1 (en) Utilizing machine learning and digital embedding processes to generate digital maps of biology and user interfaces for evaluating map efficacy
CN111065100B (zh) 威胁分析方法及装置和威胁分析系统
CN114385831B (zh) 一种基于特征提取的知识图谱关系预测方法
CN116610820B (zh) 一种知识图谱实体对齐方法、装置、设备及存储介质
CN117539963B (zh) 一种社交网络数据动态分析方法及系统
CN115361231B (zh) 基于访问基线的主机异常流量检测方法、系统及设备

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220909