CN115964570A - 基于QoS多时段变化特征预测的云服务推荐方法及装置 - Google Patents
基于QoS多时段变化特征预测的云服务推荐方法及装置 Download PDFInfo
- Publication number
- CN115964570A CN115964570A CN202310259002.1A CN202310259002A CN115964570A CN 115964570 A CN115964570 A CN 115964570A CN 202310259002 A CN202310259002 A CN 202310259002A CN 115964570 A CN115964570 A CN 115964570A
- Authority
- CN
- China
- Prior art keywords
- service
- user
- cloud
- cloud service
- service quality
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于QoS多时段变化特征预测的云服务推荐方法及装置,方法包括:接收当前用户的服务请求,由服务请求解析出当前用户的服务需求和客户端上下文特征信息;获取与服务需求匹配的候选云服务集合;依据服务质量历史数据库中的时序数据预测各候选云服务的变化特征的相似度,并结合用户客户端上下文特征的相似性,为当前用户提取邻近用户集合;根据所有邻近用户的历史服务质量时序数据计算候选云服务集合中各候选云服务的综合评价值,并将综合评价值最高的候选云服务推荐给当前用户。本申请可实现对云服务QoS的变化性特征进行全面的刻画和量化计算,提高邻近用户的识别准确度,为当前用户准确预测云服务的QoS并推荐适合的云服务。
Description
技术领域
本发明属于云计算和服务计算技术领域,具体是涉及到一种基于QoS多时段变化特征预测的云服务推荐方法及装置。
背景技术
近年来,云服务(cloud services)在全球范围内发展迅速,越来越多的供应商开始对外提供包括“云计算”或“云存储”等不同类型的公有云服务产品。通过采购公有云服务,可以帮助用户降低成本、实现弹性计算。随着能够提供相似功能的云服务数量不断增加,人们越来越重视云服务的QoS(Quality of Service,服务质量)。在当前存在大量功能相似且定价接近的候选云服务产品的情况下,如何从响应时间、吞吐量、可用性等用户可直接感受和体验的多维QoS指标,对云服务的整体性能进行客观度量和比较,并结合用户的个性化需求来为用户推荐合适的云服务产品,即云服务推荐问题,一直受到大家的普遍关注。
多年来,研究人员从不同的角度对云服务推荐问题进行了研究。结合协同过滤算法来推荐云服务是最常用的一种方法。该类方法利用初始用户曾经体验过的云服务的QoS数据,来衡量该用户与其他用户之间的相似度,根据相似度阈值识别出“邻近用户”,再利用这些“邻近用户”的历史QoS数据来预测初始用户未曾体验过的候选云服务的QoS值,最后,依据预测的QoS值来评估候选云服务的综合性能,根据用户的偏好为初始用户推荐最适合的、具有最佳QoS的云服务。
但是,现有的云服务推荐过程中,QoS的周期变化性特征严重影响了传统的云服务推荐方法的准确度。
发明内容
本发明要解决的技术问题是提供一种基于QoS多时段变化特征预测的云服务推荐方法及装置,以解决现有技术中存在的云服务推荐过程中,QoS的周期变化性特征严重影响了传统的云服务推荐方法的准确度的问题。
为实现上述目的,本申请采用的技术方案是,提供一种基于QoS多时段变化特征预测的云服务推荐方法及装置,方法包括以下步骤:
(1)接收第一用户的服务请求,由所述服务请求解析出所述第一用户的服务需求和客户端上下文特征信息,所述服务需求包括功能性需求和非功能性需求;所述非功能性需求包括:时间段集合、各个时间段的权重向量、多个服务质量参数以及各个服务质量参数的权重,所述服务质量参数包括:响应时间、吞吐量、可用性、可连续性、可靠性、延迟;
(2)根据所述客户端上下文特征信息和所述服务需求获取与所述服务需求匹配的第一候选云服务,构成候选云服务集合。
其中,步骤(2)具体包括:
(2.1)从各大云服务供应商平台所发布的云服务中选取与所述功能性需求匹配的所有第一候选云服务;
(2.2)从预设的服务质量历史数据库中筛选与所述客户端上下文特征信息相似的多个第二用户;
(2.3)从所有的所述第一候选云服务中,剔除任一所述第二用户使用过且服务质量性能不满足所述服务需求的云服务;
(2.4)将所有剩余的所述第一候选云服务构成候选云服务集合。
(3)依据服务质量历史数据库中的时序数据预测各第一候选云服务的变化特征的相似度,并结合所述客户端上下文特征信息的相似性,提取与所述第一用户相似的邻近用户集合。
其中,步骤(3)具体包括:
(3.1)从预设的服务质量历史数据库中选取所述第一用户使用过的多个第二候选云服务。
(3.2)根据所述客户端上下文特征信息和所述服务需求,结合云模型理论和标准马氏距离算法或变权双马氏距离算法,计算使用过的至少一个所述第二候选云服务的任一邻近用户与所述第一用户的综合相似度。
其中,步骤(3.2)具体包括:
(3.2.1)从预设的服务质量历史数据库中选取使用过至少一个所述第二候选云服务的所有邻近用户;
(3.2.2)从预设的服务质量历史数据库中提取各所述第二候选云服务的服务质量历史时序数据;
(3.2.3)根据所述服务质量历史时序数据使用云模型理论根据所述非功能性需求中的所述时间段集合进行分时段建模,获取任一服务质量参数下且与任一所述第二候选云服务关联的所述第一用户的第一服务质量云模型集合以及任一所述邻近用户的第二服务质量云模型集合;
(3.2.4)针对任一服务质量参数,应用马氏距离算法计算与任一所述第二候选云服务关联的所述第一服务质量云模型集合与任一所述第二服务质量云模型集合之间的相似度,其中,所述相似度为所述第一用户与任一所述邻近用户在任一所述第二候选云服务上的相似度。
其中,步骤(3.2.4)具体包括:
(3.2.4.1)将所述第一服务质量云模型集合中任一服务质量云模型包括的表征云服务服务质量变化特征预测的集中趋势的第一分量、表征云服务服务质量的变化范围的第二分量以及表征云服务服务质量的变化频率的第三分量进行拼接,形成第一向量;
(3.2.4.2)将任一所述第二服务质量云模型集合中任一服务质量云模型包括的表征云服务服务质量变化特征预测的集中趋势的第一分量、表征云服务服务质量的变化范围的第二分量以及表征云服务服务质量的变化频率的第三分量进行拼接,形成第二向量;
(3.2.4.3)应用标准马氏距离(Mahalanobis distances)算法或变权双马氏距离算法计算所述第一向量和所述第二向量之间的距离;
(3.2.4.4)对所述距离进行规范化,得到所述第一用户与任一所述邻近用户在任一所述第二候选云服务上的相似度。
(3.2.5)根据各个服务质量参数的权重对所述相似度进行加权求和,得到所述第一用户与任一所述邻近用户在任一所述第二候选云服务上的累积相似度;
(3.2.6)根据任一所述邻近用户使用过的多个所述第二候选云服务对所述累积相似度进行加权求和,得到任一所述邻近用户与所述第一用户的综合相似度。
(3.3)基于所述综合相似度获取所述第一用户的邻近用户集合。
其中,步骤(3.3)具体包括:(3.3.1)根据任一所述邻近用户的客户端上下文特征信息与所述第一用户的客户端上下文特征信息的相似程度对任一所述邻近用户与所述第一用户的所述综合相似度进行补偿加分,得到最终的相似度得分;
(3.3.2)根据所述相似度得分选择预设数量个最相似的邻近用户构成初始邻近用户集合;
(3.3.3)从所述初始邻近用户集合中删除与所述第一用户的相似性等于或小于0的邻近用户,得到所述第一用户的邻近用户集合。
(4)根据所述邻近用户集合中所有邻近用户的历史服务质量时序数据计算所述候选云服务集合中各所述第一候选云服务的综合评价值,并将所述综合评价值最高的所述第一候选云服务推荐给所述第一用户。
其中,步骤(4)具体包括:
(4.1)根据所述邻近用户集合中所有邻近用户的历史服务质量时序数据,以用户相似度为权重预测所述候选云服务集合中各所述第一候选云服务缺失的服务质量时序数据,获得各所述第一候选云服务的完整服务质量时序数据集;
(4.2)根据各所述第一候选云服务的完整服务质量时序数据集,建立任一服务质量参数下在所述时间段集合中各时间段各所述第一候选云服务的第一服务质量云模型矩阵,所述第一服务质量云模型矩阵中的任一项为任一服务质量参数下任一时间段的任一所述第一候选云服务的服务质量云模型;
(4.3)采用基于标准马氏距离扩展后的多准则决策方法对各所述第一候选云服务进行排序,确定任一服务质量参数下任一时间段的正理想解和负理想解;
(4.4)针对任一服务质量参数,应用标准马氏距离算法分别计算任一时间段任一所述第一候选云服务的服务质量云模型与所述服务质量参数下所述任一时间段的正理想解和负理想解之间的相似度;
(4.5)任一服务质量参数下,根据任一时间段任一所述第一候选云服务的服务质量云模型与对应的正理想解和负理想解之间的相似度计算任一时间段任一所述第一候选云服务的所述服务质量云模型与理想解之间的相对接近度;
(4.6)根据所述相对接近度计算任一服务质量参数下,任一所述第一候选云服务的所述服务质量云模型与理想解之间的所有时间段的累积相对接近度;
(4.7)根据各个服务质量参数的权重对所述累积相对接近度进行加权求和,得到任一所述第一候选云服务的综合评价值。
本申请还提供一种基于QoS多时段变化特征预测的云服务推荐装置,包括:
用户交互识别模块:接收当前用户的服务请求,根据所述服务请求解析出所述当前用户的服务需求以及客户端上下文特征信息;
云服务发现模块:根据所述客户端上下文特征信息和所述服务需求获取与所述服务需求匹配的候选云服务,构成候选云服务集合;
邻近用户识别模块:依据服务质量历史数据库中的时序数据预测各候选云服务的变化特征的相似度,并结合所述客户端上下文特征信息的相似性,提取与所述当前用户相似的邻近用户集合;
云服务选择模块:根据所述邻近用户集合中所有邻近用户的历史服务质量时序数据计算所述候选云服务集合中各所述第一候选云服务的综合评价值,并将所述综合评价值最高的所述第一候选云服务推荐给所述当前用户。
可选的,还包括:服务质量监控模块:从每一个云服务的客户端设备上监控其云服务的服务质量性能并获取其服务质量数据,并将涉及的多个服务质量数据的监控数据、时间戳和用户的位置信息一起提交至数据预处理模块;
数据预处理模块:接收来自服务质量监控模块的各类数据,并将其中的服务质量数据按时区、单位转换为统一的标准格式,形成服务质量历史数据库。
本发明的有益效果是,采用云模型理论从集中趋势、变化范围、变化频率和变化周期4个方面对QoS的变化性特征进行系统性的数学建模,基于多时段的时序数据来预测云服务在不同阶段内QoS的综合变化特征,能够实现对云服务QoS的变化性特征进行更全面的刻画和量化计算;采用了一种新的“变权双马氏距离”来度量QoS云模型在多个时间段内的相似度,并依据它,结合用户客户端上下文特征来计算初始用户与其他用户之间的相似度。与现有技术相比,本发明的方法可以提高“邻近用户”的识别准确度,从而确保能够更准确地为初始用户预测未使用过的云服务的QoS。通过综合考虑多时段内云服务的QoS变化性和用户需求的多样性,将“基于QoS多时段变化特征预测的云服务推荐”问题建模为一个多准则决策(multi-criteria decision-making,MCDM)问题,通过使用“标准马氏距离”扩展现有的TOPSIS方法来对该问题进行求解。
附图说明
图1为本发明提供的一种基于QoS多时段变化特征预测的云服务推荐方法的流程示意图;
图2为本发明提供的一种基于QoS多时段变化特征预测的云服务推荐方法中步骤(3)的具体流程示意图;
图3为本发明提供的一种基于QoS多时段变化特征预测的云服务推荐方法中步骤(4)的具体流程示意图;
图4为本发明提供的一种基于QoS多时段变化特征预测的云服务推荐装置的结构示意图;
图5为同密度情况下CSS_DMaCM方法与四种典型的云服务推荐方法精度比较结果示意图。
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,下面将结合本发明的优选实施例中的附图,对本发明实施例中的技术方案进行更加详细的描述。在附图中,自始至终相同或类似的标号表示相同或类似的部件或具有相同或类似功能的部件。所描述的实施例是本发明一部分实施例,而不是全部的实施例。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。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。下面结合附图对本发明的实施例进行详细说明。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应作广义理解,例如,可以使固定连接,也可以是通过中间媒介间接相连,可以是两个元件内部的连通或者两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“竖直”、“水平” 、“顶”、“ 底”、“内”、“外”等指示的方位或者位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或者暗示所指的装置或者元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。
此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或维护工具不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或维护工具固有的其它步骤或单元。
如附图1-3所示,本发明提供一种基于QoS多时段变化特征预测的云服务推荐方法,方法包括以下步骤:(1)接收第一用户(即当前用户,以下以当前用户为例进行表述)的服务请求,根据服务请求解析出当前用户的服务需求以及客户端上下文特征信息;(2)根据客户端上下文特征信息和服务需求获取与服务需求匹配的第一候选云服务,构成候选云服务集合;(3)依据QoS历史数据库中的时序数据预测各候选云服务的变化特征相似度,并结合所述客户端上下文特征信息的相似性,提取与所述第一用户相似的邻近用户集合;(4)根据邻近用户集合中所有邻近用户的历史QoS时序数据计算候选云服务集合中各第一候选云服务的综合评价值,并将综合评价值最高的第一候选云服务推荐给当前用户。
其中,在步骤(1)中,服务需求包括功能性需求和非功能性需求;非功能性需求包括:时间段集合、各个时间段的权重向量、多个服务质量参数以及各个服务质量参数的权重,服务质量参数包括:响应时间、吞吐量、可用性、可连续性、可靠性、延迟。
具体的,设置初始用户为用户。当用户需要采购一个云服务时,向“用户交互处理模块”提交服务请求,该请求包含了用户关于云服务的功能性和非功能性需求。“用户交互处理模块”指引用户以标准化的方式输入请求。例如,通过下拉列表框设定每个QoS参数的名称和需求值范围。对于非功能性的要求,需要提供的信息包括:时间段集合(
P)、各个时间段的权重向量(
W)、多个QoS参数的集合(包括响应时间、吞吐量、可用性、可连续性、可靠性、延迟等、各个QoS参数的权重向量()。“用户交互处理模块”将对这些信息进行“规范化处理”,即:确保时间段的设置是在0~24小时范围内;将各个时间段和QoS参数的权重值的数值范围限定在0~1之间;将所有时间段和所有QoS参数的权重总和限定为1,等等。最后,将用户的云服务的功能性需求以及非功能性需求一起提交给“云服务发现模块”,并将“客户端上下文特征信息”传递到“邻近用户识别模块”。
相应的,在步骤(2)中,具体包括:从各大云服务供应商平台所发布的云服务中选取与功能性需求匹配的所有第一候选云服务;从预设的服务质量历史数据库中筛选与客户端上下文特征信息相似的多个第二用户;从所有的第一候选云服务中,剔除任一第二用户使用过且服务质量性能不满足服务需求的云服务;将所有剩余的第一候选云服务构成候选云服务集合。
具体的,“云服务发现模块”从“用户交互处理模块”获得用户的功能性需求和非功能性需求后,首先依据用户的功能性需求的文字描述信息,识别出用户所需求的云服务的概念分类和属性,基于这些概念和属性,计算它们与各大云服务供应商平台所发布的云服务的功能描述中的概念和属性之间的相似性,由此来识别与用户的功能需求相匹配的候选云服务。接下来,再检查用户的非功能性需求描述,如果用户给出了对于特定的QoS参数的阈值要求,例如响应时间必须小于1.5秒,则以“QoS历史数据库”中所记录的数据,对识别出来的这些候选云服务做进一步的筛选,筛选时将参考从“用户交互处理模块”传递过来的“客户端上下文特征信息”,如果发现了与初始用户具有较高的客户端上下文相似性的其它用户,但这些用户所体验到的某个云服务的QoS性能不满足所给出的阈值要求,则直接排除这个云服务。经过这样的筛选之后,剩余下来的云服务将被认为是很可能满足用户对于所有QoS参数的阈值要求的,这些云服务将构成最终的“候选云服务集合”被提交到“云服务选择模块”。
在步骤(3)中,步骤(3)具体包括:从预设的服务质量历史数据库中选取当前用户使用过多个第二候选云服务;根据客户端上下文特征信息和服务需求,结合云模型理论和标准马氏距离算法或变权双马氏距离算法,计算使用过至少一个第二候选云服务的任一邻近用户与当前用户的综合相似度;基于综合相似度获取当前用户的邻近用户集合。
其中,计算综合相似度具体包括:从预设的服务质量历史数据库中选取使用过至少一个第二候选云服务的所有邻近用户;从预设的服务质量历史数据库中提取各第二候选云服务的服务质量历史时序数据;根据服务质量历史时序数据使用云模型理论根据非功能性需求中的时间段集合进行分时段建模,获取任一服务质量参数下且与任一第二候选云服务关联的当前用户的第一服务质量云模型集合以及任一邻近用户的第二服务质量云模型集合;针对任一服务质量参数,应用马氏距离算法计算与任一第二候选云服务关联的第一服务质量云模型集合与任一第二服务质量云模型集合之间的相似度,其中,相似度为当前用户与任一邻近用户在任一第二候选云服务上的相似度;根据各个服务质量参数的权重对相似度进行加权求和,得到当前用户与任一邻近用户在任一第二候选云服务上的累积相似度;根据任一邻近用户使用过的多个第二候选云服务对累积相似度进行加权求和,得到任一邻近用户与当前用户的综合相似度。
然后,根据任一邻近用户的客户端上下文特征信息与当前用户的客户端上下文特征信息的相似程度对任一邻近用户与当前用户的综合相似度进行补偿加分,得到最终的相似得分;根据相似积分选择预设数量个最相似的邻近用户构成初始邻近用户集合;从初始邻近用户集合中删除与当前用户的相似性等于或小于0的邻近用户,得到当前用户的邻近用户集合。
示例性的,步骤(3)是用来实现邻近用户集合的识别,为此,在步骤(3)中设置有邻近用户识别模块,邻近用户识别模块的工作过程如下:
首先,该模块保存由“用户交互处理模块”传递过来的初始用户的“客户端上下文特征信息”(即:用户客户端的设备类型、地理位置、网络位置等)。
然后,该模块从“QoS历史数据库”中提取相关数据来构建以下所需要的参数。设是初始用户,是曾经使用的云服务集合,该集合中的每个云服务称为“训练服务”(training service),是所有用户的集合。如果曾经使用过一个或多个中的云服务,则称为“训练用户”(training user)。是根据自己的现实应用需求设置的一组时间段,每个时间段具有相同数量的QoS参数的监控时间点。
从“QoS历史数据库”提取数据,将每个时间段中训练服务的QoS参数的时序数据发送到云模型理论中的“逆向云生成器”,从而创建一个QoS云模型。具体来说,通过以下公式获得一个QoS参数下所有与相关联的个训练用户的QoS云模型集合:
(1)
上式中,和分别表示初始用户和其它任意一个训练用户的QoS云模型集合;是与相关的训练用户的总数;表示在时间段中的QoS云模型,其中,的第一个分量可以表征云服务QoS变化的集中趋势,第二个分量可以表征云服务QoS的变化范围,第三个分量可以表征云服务QoS的变化频率。根据的三个分量,可以刻画云服务QoS变化的集中趋势、变化范围和变化频率等三个特征,同时,本发明从多个时间段的角度来分析云服务QoS的变化周期,实现对云服务QoS的第四个特征的融合分析。
一个标准的QoS云模型的计算公式如下所示:
(2)
其中,是在监控时间点中获得的QoS数据;是QoS数据的平均值;是的标准差;是的样本方差;是监控时间点的总数。
接下来,计算QoS云模型和之间的相似度。
在计算云模型之间的相似度时,欧氏距离是目前应用最广的方法,但是,由于云模型中的三个分量的数据差异通常非常明显,容易导致出现较大的相似度计算误差。而马氏距离(Mahalanobis distances)与测量尺度无关,并且不受坐标之间不同维度的影响。
为此,可选的,上述应用马氏距离算法计算与任一第二候选云服务关联的第一服务质量云模型集合与任一第二服务质量云模型集合之间的相似度,具体包括:
将第一服务质量云模型集合中任一服务质量云模型包括的表征云服务服务质量变化的集中趋势的第一分量、表征云服务服务质量的变化范围的第二分量以及表征云服务服务质量的变化频率的第三分量进行拼接,形成第一向量;将任一第二服务质量云模型集合中任一服务质量云模型包括的表征云服务服务质量变化的集中趋势的第一分量、表征云服务服务质量的变化范围的第二分量以及表征云服务服务质量的变化频率的第三分量进行拼接,形成第二向量;应用标准马氏距离算法或变权双马氏距离算法计算第一向量和第二向量之间的距离;对距离进行规范化,得到当前用户与任一邻近用户在任一第二候选云服务上的相似度。
设是对应于样本集的向量集,向量和矢量由维组成。矢量和矢量之间的“标准马氏距离”计算公式为:
(3)
其中,代表转置操作;表示的协方差矩阵的逆,它是一个对称的正定矩阵,令。则标准马氏距离也可由下式定义:
(4)
将应用于云模型的“标准马氏距离”标记为MaCM。令和分别对应为QoS云模型和,则这两个QoS云模型(即和)的标准马氏距离的计算公式为:
(5)
当样本尺寸较小时,标准马氏距离的精度可能会下降。因此,本发明结合QoS云模型的特点,采用“变权双马氏距离”来计算QoS云模型之间的相似性,以提高计算精度,该方法表示为DMaCM。在DMaCM方法中,向量被划分为两个子向量,即:和。“变权双马氏距离”的计算公式如下所示:
(6)
上式中,是一个可调节的权重,根据实验方法来修正它的值,默认取值为0.5。
由此,通过以下规范化操作可以计算得到两个QoS云模型的相似度值:
(7)
上式获得的是初始用户和任意一个训练用户在训练服务的QoS参数上的相似度值。
在式(7)的基础上,综合考虑多个QoS参数,按照用户在“用户交互处理模块”设定的各个QoS参数的权重,进行加权求和,从而获得初始用户和任意一个训练用户在训练服务上的累积相似度值。
在第(4)步的基础上,综合考虑多个训练云服务,进行加权求和,获得每个训练用户的综合相似性。
考虑训练用户与初始用户的客户端上下文的相似程度,相似度越高的用户,可以获得更高的综合相似值的补偿加分,加分范围限定在0.01~0.25之间。
根据所有训练用户的综合相似值的最后得分情况,选择前个最相似的用户来组成的“邻近用户集合”(),如果用户的相似性等于或小于0,则应将其从中删除。这些“邻近用户”被提交到“云服务选择模块”。
在步骤(4)中,步骤(4)具体包括:
(4.1)根据邻近用户集合中所有邻近用户的历史服务质量时序数据,以用户相似度为权重预测候选云服务集合中各第一候选云服务缺失的服务质量时序数据,获得各第一候选云服务的完整服务质量时序数据集;
(4.2)根据各第一候选云服务的完整服务质量时序数据集,建立任一服务质量参数下在时间段集合中各时间段各第一候选云服务的第一服务质量云模型矩阵,第一服务质量云模型矩阵中的任一项为任一服务质量参数下任一时间段的任一第一候选云服务的服务质量云模型;
(4.3)采用基于标准马氏距离扩展后的多准则决策方法对各第一候选云服务进行排序,确定任一服务质量参数下任一时间段的正理想解和负理想解;
(4.4)针对任一服务质量参数,应用标准马氏距离算法分别计算任一时间段任一第一候选云服务的服务质量云模型与服务质量参数下任一时间段的正理想解和负理想解之间的相似度;
(4.5)任一服务质量参数下,根据任一时间段任一第一候选云服务的服务质量云模型与对应的正理想解和负理想解之间的相似度计算任一时间段任一第一候选云服务的服务质量云模型与理想解之间的相对接近度;
(4.6)根据相对接近度计算任一服务质量参数下,任一第一候选云服务的服务质量云模型与理想解之间的所有时间段的累积相对接近度;
(4.7)根据各个服务质量参数的权重对累积相对接近度进行加权求和,得到任一第一候选云服务的综合评价值。
具体的,首先接收由“邻近用户识别模块”传递过来的“邻近用户集合”(),基于中所有“邻近用户”的已知QoS值,以用户相似度为权重,为初始用户预测“候选云服务集合”中的每个候选云服务在各个监控时间点的可能存在缺失的QoS时序数据,最终各个候选云服务均可获得一个完整QoS时序数据集。
根据以上QoS时序数据集,将各个时间段内的所有QoS数据都发送到逆向云生成器中,根据公式(2)建立各个时间段的QoS云模型。一个QoS参数在个时间段中个候选云服务的QoS云模型矩阵定义如下:
(8)
上式中,表示候选云服务在第个时间段的QoS云模型。
提取QoS参数在时间段的QoS云模型矩阵,将这个矩阵表示如下:
(9)
接下来将应用基于标准马氏距离扩展后的TOPSIS方法,利用QoS云模型矩阵进行候选云服务的排序。首先,确定正理想解和负理想解。对于增益型的QoS参数(例如吞吐量),第个时间段的正理想解和负理想解分别由下式得到:
(10)
对于损益型的QoS参数(例如响应时间),第个时间段的正理想解和负理想解分别由下式得到:
(11)
使用标准马氏距离,即公式(5),来计算第个时间段中第个云服务的QoS云模型与一个QoS参数的正理想解和负理想解之间的相似度:
(12)
上式中,
计算QoS云模型与理想解之间的相对接近度。QoS云模型与一个QoS参数在时间段时候选云服务的理想解之间的相对接近度可通过以下方式获得:
(13)
上式中, ,值越大表示性能越好。
针对一个QoS参数,计算候选云服务在全部时间段累积的相对接近度值。
通过加权集结所有QoS参数,计算各个候选云服务在多个QoS参数下的综合接近度值(即综合评价值)。
依据综合评价值,对所有候选云服务进行排名,将综合评估最大的候选云服务推荐给初始用户。
本文明的主要创新点如下:(1)针对动态云环境下云服务QoS的不确定性和用户需求的多样性,本发明采用云模型理论从集中趋势、变化范围、变化频率和变化周期4个方面对QoS的变化性特征进行系统性的数学建模,基于多时段的时序数据来预测云服务在不同阶段内QoS的综合变化特征。与现有技术相比,本发明能够实现对云服务QoS的变化性特征进行更全面的刻画和量化计算。(2)为了准确识别初始用户的“邻近用户”,将每个用户的云服务QoS时序数据建模为一组QoS云模型,该发明采用了一种新的“变权双马氏距离”来度量QoS云模型在多个时间段内的相似度,并依据它,结合用户客户端上下文特征来计算初始用户与其他用户之间的相似度。与现有技术相比,本发明的方法可以提高“邻近用户”的识别准确度,从而确保能够更准确地为初始用户预测未使用过的云服务的QoS。(3)通过综合考虑多时段内云服务的QoS变化性和用户需求的多样性,将“基于QoS多时段变化特征预测的云服务推荐”问题建模为一个多准则决策(multi-criteria decision-making,MCDM)问题,通过使用“标准马氏距离”扩展现有的TOPSIS方法来对该问题进行求解。
在上述实施例的基础上,本申请还提供一种基于QoS多时段变化特征预测的云服务推荐装置,如图4所示,包括:用户交互识别模块:接收初始用户的交互请求,根据交互请求解析出初始用户的客户端上下文特征信息,并以交互方式接收初始用户关于云服务的功能性需求以及非功能性需求,并对需求信息进行处理;云服务发现模块:根据用户交互识别模块中初始用户的功能性需求和非功能性需求,从各大云服务供应商平台挑选出与这些需求相匹配、符合要求的候选云服务集合;邻近用户识别模块:根据客户端上下文特征信息在QoS历史数据库中提取各个候选云服务的QoS历史时序数据,依据初始用户的非功能性需求特点,使用云模型理论对时序数据进行分时段建模,度量初始用户与其他用户之间的相似度,依据客户端上下文特征信息的匹配程度,挑选出具有较高相似度值的其他用户作为初始用户的邻近用户集合;云服务选择模块:从邻近用户识别模块输出的邻近用户集合中提取出邻近用户的历史QoS时序数据,对云服务发现模块输出的候选云服务集合汇总各候选云服务的QoS性能进行综合评价和排序,最后将排序靠前的云服务推荐给初始用户。
还包括:QoS监控模块:从每一个云服务的客户端设备上监控其云服务的QoS性能,并将涉及的多个QoS参数的监控数据、时间戳和用户的位置信息一起提交至数据预处理模块;数据预处理模块:接收来自QoS监控模块的各类数据,并将其中的QoS数据按时区、单位转换为统一的标准格式,形成QoS历史数据库。
为验证所用方法的优势,以下进行了一系列的实验对比分析。
实验使用香港中文大学发布的WS-DREAM数据集#2。该数据集收集了142个用户对来自全球范围内的4532个服务在64个时间点所获得的真实QoS参数数据,QoS参数包括响应时间和吞吐量。由于负载的波动和网络的不稳定性,该数据集中服务的QoS随时间发生显著变化,实验分析显示,该数据集中的3873个服务的响应时间的变异系数(CV)大于1.0,2630个服务的吞吐量的CV大于1.0。当一个数据集的CV大于1.0时,我们通常认定它是具有高度变化特征。
参照现有云服务推荐研究度量服务排序准确性的方法,我们使用“一致性”(theuniformity degree)来衡量云服务推荐方法中所挑选出来的最佳云服务的准确性,“一致性”(简记为)的定义公式如下所示:
(14)
上式中,表示第次实验中所挑选的最佳云服务在真实的云服务排序列表中的位序。所有候选云服务的真实排序列表可以根据真实数据集中的实际QoS值进行计算得到。显然,值越大意味着更高的精度;total表示总共执行的实验次数。
我们将CSS_DMaCM方法与四种典型的云服务推荐方法进行了比较,包括:使用两参数区间数描述QoS变化特征的云服务推荐方法(简记为SSPDR-I);使用四参数区间数描述QoS变化特征的云服务推荐方法(简记为RecINF);使用时间感知的方法对QoS时序数据的缺失值进行混合预测后再根据预测结果挑选云服务的方法(简记为TaSRec);使用区间中智数预测缺失的QoS时序数据并根据预测结果挑选云服务的方法(简记为TaSRank)。每种方法均重复执行50次。为公平起见,实验均使用相同的TOPSIS方法进行排序。实验中,为模拟真实场景,对数据集中的数据密度控制从60%~90%变化,云服务的数量从500~4500范围内变化,分析不同密度情况下的实验结果情况,结果如图5所示。
图5为同密度情况下CSS_DMaCM方法与四种典型的云服务推荐方法精度比较结果示意图。其中,图5包括图5(a)-图5(d),图5(a)- 图5(d)分别对应不同的数据密度,图5 (a)对应的数据密度为60%,图5 (b)对应的数据密度为70%,图5 (c)对应的数据密度为80%,图5(d)对应的数据密度为90%。由图5的结果可知:(1)SSPDR-I和TaSRec的值低于其他三种方法。主要原因是:①SSPDR-I利用QoS数据的概率分布推断出表示QoS变化的两参数区间数,并采用可能性度排序方法选择最优云服务。然而,两参数区间数只捕捉了QoS变化的一个特征,即QoS的变化范围,这对于高变化性的云环境下的云服务推荐是不够的。②TaSRec采用时间感知的皮尔逊相关系数来计算用户相似性,并根据基于用户和基于服务的协同过滤算法预测QoS值,由于TaSRec认为最近一段时间的QoS数据对用户相似度度量的贡献大于早期的数据,因此,它可以关注未来的QoS变化情况,但不能有效支持对不同时间段有特殊偏好的用户的云服务推荐需求,此外,基于皮尔逊相关系数的相似度度量方法容易忽略QoS时序数据之间的潜在变化关系,难以在高变化性环境下准确地识别出的邻近用户。(2)RecINF获得的值大于SSPDR-I和TaSRec。在RecINF中,通过定义特征值区间将传统的两参数区间数扩展到四参数区间数,并使用四参数区间数对QoS的变化特征进行建模,可以刻画QoS变化的集中趋势和变化范围。因此,与SSPDR-I相比,RecINF能够提高推荐精度。(3)TaSRank的精度高于SSPDR-I和TaSRec。原因在于TaSRank利用区间中智数评估多个时间段下云服务的可信度,从两个方面(即变化范围和变化周期)捕获QoS的变化性特征。但是,区间中智数不能表征QoS变化的集中趋势和变化频率特征,这同样也容易限制了TaSRank在高变化性云环境中的推荐准确性。(4)CSS_DMaCM获得最大的值。这种方法涵盖了四个方面的QoS变化性特征,它关注每个时间段的QoS时序数据,将每个时间段的数据视为一个整体来识别QoS的隐性变化特征,从而可以降低基于一对一的样本匹配的直接计算造成的用户相似度误差。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请的保护范围限于这些例子;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上的本申请中一个或多个实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本申请中一个或多个实施例旨在涵盖落入本申请的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本申请中一个或多个实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于QoS多时段变化特征预测的云服务推荐方法,其特征在于,所述方法包括以下步骤:
接收第一用户的服务请求,由所述服务请求解析出所述第一用户的服务需求和客户端上下文特征信息;
根据所述客户端上下文特征信息和所述服务需求获取与所述服务需求匹配的第一候选云服务,构成候选云服务集合;
依据服务质量历史数据库中的时序数据预测各所述第一候选云服务的变化特征的相似度,并结合所述客户端上下文特征信息的相似性,提取与所述第一用户相似的邻近用户集合;
根据所述邻近用户集合中所有邻近用户的历史服务质量时序数据计算所述候选云服务集合中各所述第一候选云服务的综合评价值,并将所述综合评价值最高的所述第一候选云服务推荐给所述第一用户。
2.如权利要求1所述的基于QoS多时段变化特征预测的云服务推荐方法,其特征在于,所述服务需求包括功能性需求和非功能性需求;所述非功能性需求包括:时间段集合、各个时间段的权重向量、多个服务质量参数以及各个服务质量参数的权重,所述服务质量参数包括:响应时间、吞吐量、可用性、可连续性、可靠性或/和延迟。
3.如权利要求1所述的基于QoS多时段变化特征预测的云服务推荐方法,其特征在于,所述根据所述客户端上下文特征信息和所述服务需求获取与所述服务需求匹配的第一候选云服务,构成候选云服务集合,包括:
从各大云服务供应商平台所发布的云服务中选取与功能性需求匹配的所有第一候选云服务;
从预设的服务质量历史数据库中筛选与所述客户端上下文特征信息相似的多个第二用户;
从所有的所述第一候选云服务中,剔除任一所述第二用户使用过且服务质量性能不满足所述服务需求的云服务;
将所有剩余的所述第一候选云服务构成候选云服务集合。
4.如权利要求2所述的基于QoS多时段变化特征预测的云服务推荐方法,其特征在于,所述步骤“依据服务质量历史数据库中的时序数据预测各所述第一候选云服务的变化特征相似度,并结合所述客户端上下文特征信息的相似性,提取与所述第一用户相似的邻近用户集合”具体包括:
从预设的服务质量历史数据库中选取所述第一用户使用过的多个第二候选云服务;
根据所述客户端上下文特征信息和所述服务需求,结合云模型理论和标准马氏距离算法或变权双马氏距离算法,计算使用过的至少一个所述第二候选云服务的任一邻近用户与所述第一用户的综合相似度;
基于所述综合相似度获取所述第一用户的邻近用户集合。
5.如权利要求4所述的基于QoS多时段变化特征预测的云服务推荐方法,其特征在于,所述根据所述客户端上下文特征信息和所述服务需求基于云模型理论计算使用过至少一个所述第二候选云服务的任一邻近用户与所述第一用户的综合相似度,包括:
从预设的服务质量历史数据库中选取使用过至少一个所述第二候选云服务的所有邻近用户;
从预设的服务质量历史数据库中提取各所述第二候选云服务的服务质量历史时序数据;
根据所述服务质量历史时序数据使用云模型理论根据所述非功能性需求中的所述时间段集合进行分时段建模,获取任一服务质量参数下且与任一所述第二候选云服务关联的所述第一用户的第一服务质量云模型集合以及任一所述邻近用户的第二服务质量云模型集合;
针对任一服务质量参数,应用马氏距离算法计算与任一所述第二候选云服务关联的所述第一服务质量云模型集合与任一所述第二服务质量云模型集合之间的相似度,其中,所述相似度为所述第一用户与任一所述邻近用户在任一所述第二候选云服务上的相似度;
根据各个服务质量参数的权重对所述相似度进行加权求和,得到所述第一用户与任一所述邻近用户在任一所述第二候选云服务上的累积相似度;
根据任一所述邻近用户使用过的多个所述第二候选云服务对所述累积相似度进行加权求和,得到任一所述邻近用户与所述第一用户的综合相似度。
6.如权利要求5所述的基于QoS多时段变化特征预测的云服务推荐方法,其特征在于,所述基于所述综合相似度获取所述第一用户的邻近用户集合,包括:
根据任一所述邻近用户的客户端上下文特征信息与所述第一用户的客户端上下文特征信息的相似程度对任一所述邻近用户与所述第一用户的所述综合相似度进行补偿加分,得到最终的相似度得分;
根据所述相似度得分选择预设数量个最相似的邻近用户构成初始邻近用户集合;
从所述初始邻近用户集合中删除与所述第一用户的相似性等于或小于0的邻近用户,得到所述第一用户的邻近用户集合。
7.如权利要求5所述的基于QoS多时段变化特征预测的云服务推荐方法,其特征在于,所述应用马氏距离算法计算与任一所述第二候选云服务关联的所述第一服务质量云模型集合与任一所述第二服务质量云模型集合之间的相似度,包括:
将所述第一服务质量云模型集合中任一服务质量云模型包括的表征云服务服务质量变化特征预测的集中趋势的第一分量、表征云服务服务质量的变化范围的第二分量以及表征云服务服务质量的变化频率的第三分量进行拼接,形成第一向量;
将任一所述第二服务质量云模型集合中任一服务质量云模型包括的表征云服务服务质量变化特征预测的集中趋势的第一分量、表征云服务服务质量的变化范围的第二分量以及表征云服务服务质量的变化频率的第三分量进行拼接,形成第二向量;
应用标准马氏距离算法或变权双马氏距离算法计算所述第一向量和所述第二向量之间的距离;
对所述距离进行规范化,得到所述第一用户与任一所述邻近用户在任一所述第二候选云服务上的相似度。
8.如权利要求2所述的基于QoS多时段变化特征预测的云服务推荐方法,其特征在于,在步骤“根据所述邻近用户集合中所有邻近用户的历史服务质量时序数据计算所述候选云服务集合中各所述第一候选云服务的综合评价值,并将所述综合评价值最高的所述第一候选云服务推荐给所述第一用户”中,具体包括:
根据所述邻近用户集合中所有邻近用户的历史服务质量时序数据,以用户相似度为权重预测所述候选云服务集合中各所述第一候选云服务缺失的服务质量时序数据,获得各所述第一候选云服务的完整服务质量时序数据集;
根据各所述第一候选云服务的完整服务质量时序数据集,建立任一服务质量参数下在所述时间段集合中各时间段各所述第一候选云服务的第一服务质量云模型矩阵,所述第一服务质量云模型矩阵中的任一项为任一服务质量参数下任一时间段的任一所述第一候选云服务的服务质量云模型;
采用基于标准马氏距离扩展后的多准则决策方法对各所述第一候选云服务进行排序,确定任一服务质量参数下任一时间段的正理想解和负理想解;
针对任一服务质量参数,应用标准马氏距离算法分别计算任一时间段任一所述第一候选云服务的服务质量云模型与所述服务质量参数下所述任一时间段的正理想解和负理想解之间的相似度;
任一服务质量参数下,根据任一时间段任一所述第一候选云服务的服务质量云模型与对应的正理想解和负理想解之间的相似度计算任一时间段任一所述第一候选云服务的所述服务质量云模型与理想解之间的相对接近度;
根据所述相对接近度计算任一服务质量参数下,任一所述第一候选云服务的所述服务质量云模型与理想解之间的所有时间段的累积相对接近度;
根据各个服务质量参数的权重对所述累积相对接近度进行加权求和,得到任一所述第一候选云服务的综合评价值。
9.一种基于QoS多时段变化特征预测的云服务推荐装置,其特征在于,包括:
用户交互识别模块:接收当前用户的服务请求,根据所述服务请求解析出所述当前用户的服务需求和客户端上下文特征信息;
云服务发现模块:根据所述客户端上下文特征信息和所述服务需求获取与所述服务需求匹配的候选云服务,构成候选云服务集合;
邻近用户识别模块:依据服务质量历史数据库中的时序数据预测各候选云服务的变化特征的相似度,并结合所述客户端上下文特征信息的相似性,提取与所述当前用户相似的邻近用户集合;
云服务选择模块:根据所述邻近用户集合中所有邻近用户的历史服务质量时序数据计算所述候选云服务集合中各所述候选云服务的综合评价值,并将所述综合评价值最高的所述候选云服务推荐给所述当前用户。
10.如权利要求9所述的基于QoS多时段变化特征预测的云服务推荐装置,其特征在于,所述云服务推荐装置还包括:
服务质量监控模块:从每一个云服务的客户端设备上监控其云服务的服务质量性能并获取其服务质量数据,并将涉及的多个服务质量数据的监控数据、时间戳和用户的位置信息一起提交至数据预处理模块;
数据预处理模块:接收来自服务质量监控模块的各类数据,并将其中的服务质量数据按时区、单位转换为统一的标准格式,形成服务质量历史数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310259002.1A CN115964570B (zh) | 2023-03-17 | 2023-03-17 | 基于QoS多时段变化特征预测的云服务推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310259002.1A CN115964570B (zh) | 2023-03-17 | 2023-03-17 | 基于QoS多时段变化特征预测的云服务推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115964570A true CN115964570A (zh) | 2023-04-14 |
CN115964570B CN115964570B (zh) | 2023-06-02 |
Family
ID=85901477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310259002.1A Active CN115964570B (zh) | 2023-03-17 | 2023-03-17 | 基于QoS多时段变化特征预测的云服务推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115964570B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116415047A (zh) * | 2023-06-09 | 2023-07-11 | 湖南师范大学 | 一种基于国家形象资源推荐的资源筛选方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629341A (zh) * | 2012-04-13 | 2012-08-08 | 浙江大学 | 一种基于用户地理位置信息的Web服务QoS在线预测方法 |
CN103780461A (zh) * | 2014-01-21 | 2014-05-07 | 北京邮电大学 | 综合考虑主客观权重的Web业务服务质量QoS的测量方法 |
CN106055665A (zh) * | 2016-06-02 | 2016-10-26 | 兰州大学 | 基于异常值剔除的情境感知Web服务推荐方法和系统 |
CN106095887A (zh) * | 2016-06-07 | 2016-11-09 | 兰州大学 | 基于加权时空效应的情境感知Web 服务推荐方法 |
CN106961356A (zh) * | 2017-04-26 | 2017-07-18 | 中国人民解放军信息工程大学 | 基于动态QoS和主客观权重的Web服务选取方法及其装置 |
CN107018024A (zh) * | 2017-05-10 | 2017-08-04 | 广东工业大学 | 一种云服务推荐方法及装置 |
CN107133268A (zh) * | 2017-04-01 | 2017-09-05 | 南京邮电大学 | 一种用于Web服务推荐的协同过滤算法 |
CN109784722A (zh) * | 2019-01-15 | 2019-05-21 | 齐鲁工业大学 | 基于用户偏好的Web服务选择方法及系统 |
CN111046297A (zh) * | 2020-03-12 | 2020-04-21 | 深圳市成功快车科技有限公司 | 一种基于机器学习算法的服务智能匹配推荐方法、装置、设备及存储介质 |
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 |
CN114065033A (zh) * | 2021-11-12 | 2022-02-18 | 西安邮电大学 | 用于推荐Web服务组合的图神经网络模型的训练方法 |
CN115713263A (zh) * | 2022-11-22 | 2023-02-24 | 广东外语外贸大学 | 一种自适应的云服务质量动态预测方法及装置 |
-
2023
- 2023-03-17 CN CN202310259002.1A patent/CN115964570B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629341A (zh) * | 2012-04-13 | 2012-08-08 | 浙江大学 | 一种基于用户地理位置信息的Web服务QoS在线预测方法 |
CN103780461A (zh) * | 2014-01-21 | 2014-05-07 | 北京邮电大学 | 综合考虑主客观权重的Web业务服务质量QoS的测量方法 |
CN106055665A (zh) * | 2016-06-02 | 2016-10-26 | 兰州大学 | 基于异常值剔除的情境感知Web服务推荐方法和系统 |
CN106095887A (zh) * | 2016-06-07 | 2016-11-09 | 兰州大学 | 基于加权时空效应的情境感知Web 服务推荐方法 |
CN107133268A (zh) * | 2017-04-01 | 2017-09-05 | 南京邮电大学 | 一种用于Web服务推荐的协同过滤算法 |
CN106961356A (zh) * | 2017-04-26 | 2017-07-18 | 中国人民解放军信息工程大学 | 基于动态QoS和主客观权重的Web服务选取方法及其装置 |
CN107018024A (zh) * | 2017-05-10 | 2017-08-04 | 广东工业大学 | 一种云服务推荐方法及装置 |
CN109784722A (zh) * | 2019-01-15 | 2019-05-21 | 齐鲁工业大学 | 基于用户偏好的Web服务选择方法及系统 |
CN111046297A (zh) * | 2020-03-12 | 2020-04-21 | 深圳市成功快车科技有限公司 | 一种基于机器学习算法的服务智能匹配推荐方法、装置、设备及存储介质 |
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 |
CN114065033A (zh) * | 2021-11-12 | 2022-02-18 | 西安邮电大学 | 用于推荐Web服务组合的图神经网络模型的训练方法 |
CN115713263A (zh) * | 2022-11-22 | 2023-02-24 | 广东外语外贸大学 | 一种自适应的云服务质量动态预测方法及装置 |
Non-Patent Citations (6)
Title |
---|
MA HUA: "Variation-Aware Cloud Service via Collaborative QoS Prediction", 1-10, pages 1954 - 1969 * |
于程远: "基于QoS的Web服务推荐技术研究", 《中国博士学位论文全文数据库(信息科技辑)》, no. 2017, pages 138 - 252 * |
方晨;王晋东;于智勇;: "基于动态QoS的Web服务选取方法", 计算机科学, no. 05 * |
林坚: "基于QoS的Web服务预测推荐机制与算法研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》, no. 2020, pages 138 - 2516 * |
蒋冰婷;胡志刚;马华;姚景;: "基于时间感知排序的云服务QoS预测方法研究", 计算机工程与科学, no. 07 * |
马华;胡志刚: "客户端上下文感知的Web服务QoS预测方法", 《北京邮电大学学报》, vol. 38, no. 2015, pages 89 - 94 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116415047A (zh) * | 2023-06-09 | 2023-07-11 | 湖南师范大学 | 一种基于国家形象资源推荐的资源筛选方法及系统 |
CN116415047B (zh) * | 2023-06-09 | 2023-08-18 | 湖南师范大学 | 一种基于国家形象资源推荐的资源筛选方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115964570B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108648074B (zh) | 基于支持向量机的贷款评估方法、装置及设备 | |
Bellogín et al. | Using graph partitioning techniques for neighbour selection in user-based collaborative filtering | |
JP5143879B2 (ja) | ランキング指向の協調フィルタリング推薦方法および装置 | |
CN110503531A (zh) | 时序感知的动态社交场景推荐方法 | |
CN103473291A (zh) | 一种基于隐语义概率模型的个性化服务推荐系统及方法 | |
KR20130062442A (ko) | 협업 필터링 추천 방식을 이용한 추천 방법 및 추천 시스템 | |
CN110334284B (zh) | 一种新型融合多因素决策的推荐方法 | |
CN112468853B (zh) | 电视资源推荐方法、装置、计算机设备及存储介质 | |
CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN115964570A (zh) | 基于QoS多时段变化特征预测的云服务推荐方法及装置 | |
CN115688760A (zh) | 一种智能化导诊方法、装置、设备及存储介质 | |
Li et al. | From reputation perspective: a hybrid matrix factorization for qos prediction in location‐aware mobile service recommendation system | |
CN117151870A (zh) | 一种基于客群画像行为分析方法及系统 | |
CN114971289A (zh) | 一种基于热度分析的数据资源智能推荐系统 | |
Ha et al. | Social filtering using social relationship for movie recommendation | |
Hassan et al. | Improving prediction accuracy of multi-criteria recommender systems using adaptive genetic algorithms | |
CN111506813A (zh) | 一种基于用户画像的遥感信息精准推荐方法 | |
CN114637920A (zh) | 对象推荐方法以及装置 | |
Zou et al. | An effective collaborative filtering via enhanced similarity and probability interval prediction | |
CN112632137A (zh) | 业务数据的推送方法、装置和服务器 | |
CN111353101A (zh) | 一种数据推送方法 | |
Said et al. | Texture classification using Rao's distance: An EM algorithm on the poincaré half plane | |
Abdullah et al. | Predicting qos for web service recommendations based on reputation and location clustering with collaborative filtering | |
CN117807450B (zh) | 一种城市智能化公共交通系统及方法 | |
CN117593034B (zh) | 基于计算机的用户分类方法 |
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 |