[发明专利]一种基于历史信息的Web服务QoS预测方法

说明书

本发明的目的在于提高Web服务QoS预测的准确性，提供一种基于历史信息的Web服务QoS预测方法。该方法收集用户提交的数据量、服务器吞吐量和服务器CPU利用率，对数据进行预处理后，利用收集到Web服务QoS信息的历史数据对神经网络模型进行训练，输入用户提交的数据量、服务器吞吐量和服务器CPU利用率结合训练后的神经网络模型进行QoS预测。

(一)技术领域

本发明涉及的是一种基于历史信息的Web服务QoS预测方法。

(二)背景技术

面向服务计算作为一种新型计算范型，为分布式应用和企业信息系统集成提供了一种灵活的解决方案，已成为计算机软件领域最热门的研究主题之一。随着面向服务计算技术的快速发展，网络上出现了大量功能相同或相似而服务质量不同的Web服务。用户在选择满足其个性化需求的Web服务时，不仅要考虑服务的功能属性，而且要考虑服务的非功能属性，即 QoS。

服务的QoS属性包括响应时间、价格、可靠性、可用性等指标，可以用来综合评价一个服务的性能或质量，如何获取准确的服务QoS信息是一个十分具有挑战性的问题。

(三)发明内容

发明目的：针对现有技术中存在的问题和步骤，为了提高Web服务QoS预测的准确性，考虑到用户提交的数据量、服务器吞吐量和服务器CPU利用率对Web服务QoS的影响，本发明提供了一种基于历史信息的Web服务QoS预测方法。

技术方案：一种基于历史信息的Web服务QoS预测方法，包括如下步骤：

1.所有的服务器端都开启SNMP(简单网络管理协议)，监测每个服务器的网络环境，从而获得用户提交的数据量(MB)、服务器吞吐量(次/秒)和服务器CPU利用率等服务调用的历史信息。

2.用户提交的数据量、服务器吞吐量和服务器CPU利用率分别根据做归一化处理，将数据尺度范围控制在[0,1]，其中x为当前样本数据，max为样本数据最大值，min 为样本数据最小值。

3.建立三层结构的神经网络，包括一个输入层、一个隐含层和一个输出层。输入层输入的数据为用户提交的数据量、服务器吞吐量和服务器CPU利用率。输出层输出的数据为Web 服务QoS值。输入层节点获取输入向量后，传递输入向量到隐含层。隐含层节点采用Gaussian 函数。隐含层节点和输出层节点以不同的权重连接。隐含层第j个结点的输出响应为

式中x是n维输入向量；c_j是第j个基函数的中心，与x具有相同的维数；δ是误差阈值；k是隐含层节点个数；||x-c_j||表示向量x-c_j的范数；G_j(x)表示第j个基函数对输入向量的响应，在c_j处取得唯一最大值，且G_j(x)随着||x-c_j||的增大而迅速衰减到零。输入层实现从 x到G_j(x)的非线性映射，而输出层实现了从G_j(x)到y_t的线性映射，即

其中，y_t是第t个输出单元对输入向量x的响应向量；w_jt是第j个隐含层节点与第t个输出层节点间的权值，代表该隐含层节点对输出节点响应向量的贡献度；m为输出节点个数。

采用K-means聚类算法确定各隐含层节点的高斯函数的中心值c_j，具体步骤如下：

(1)隐含层初始化

给定初始类中心c_j(1)，j＝1,2,...,k。

(2)在第r次迭代中，样本集{x_i}分类方法如下：