[发明专利]多服务质量预测方法、装置、计算机设备及可读存储介质

说明书

本发明适用于计算机技术领域，提供了一种多服务质量预测方法、装置、计算机设备及可读存储介质，其中，所述多服务质量预测方法包括：根据多维情景信息以及与所述多维情景信息对应的多服务质量值，构建多维情景感知模型；基于所述多维情景感知模型，根据数据融合以及损失函数对多任务深度神经网络进行训练优化，建立多任务深度神经网络模型；根据当前的多维情景信息以及所述多任务深度神经网络模型，确定多服务质量的预测值。本发明实现了多维情境感知的多QoS属性的准确预测，提高其在服务推荐领域的应用；同时，基于边缘计算场景模拟平台实验证实该方法具有较好的预测能力，同时具有良好的扩展能力。

技术领域

本发明属于计算机技术领域，尤其涉及一种多服务质量预测方法、装置、计算机设备及可读存储介质。

背景技术

移动边缘计算(Mobile Edge Computing，MEC)是一种新的网络架构概念，它在移动网络边缘部署计算和存储资源，将应用程序、数据和服务从集中点(云)推向网络的逻辑极端。由于更接近用户，MEC可以提供超低延迟、高带宽以及实时访问的服务环境，成为了一种弥补云计算架构不足的新技术。MEC为服务供应商和用户提供了丰富的服务发布与使用机会。大量的计算服务(比如：超高清视频、增强现实、虚拟现实、图像处理等)都可以部署到MEC的服务器上，从而实现了服务的灵活部署、提高了服务的可靠性。

随着MEC技术的快速发展，网络上出现了大量来自于不同领域、功能丰富的边缘计算服务，为广大用户提供了极大的便利。通常情况下，用户在使用服务时，常常会对服务的多个QoS属性提出一定的约束条件。比如，反应时间小于1小时、可用性大于85％、可靠性大于90％等。因此，服务系统需要为用户选择或聚合出能够满足用户多QoS约束的边缘计算服务。

然而，在动态复杂的网络环境下，边缘计算服务的QoS是动态变化的。基于静态的QoS所选择的服务或构建的组合服务，在运行时常常以较大概率违反用户提出的多QoS约束，从而造成服务应用失败，严重影响了用户的满意度以及服务资源的利用率。因此，在MEC环境下，如何精确预测边缘计算服务的多个QoS属性值，成为MEC领域亟需解决的关键问题之一。

近年来，国内外学者针对QoS预测问题展开了大量的研究工作，并提出了一些比较有效的方法，主要包括：基于协同过滤(Collaborative Filtering,CF)的方法、基于矩阵分解(Matrix Factorization,MF)的方法。其中，基于CF的QoS预测方法主要利用用户的历史服务调用记录来识别类似用户，并进一步使用这种相似性来预测目标用户的QoS。然而，基于CF的QoS预测方法难以克服QoS数据稀疏性带来的难题，预测精度有待提高。一些研究提出了基于模型的MF方法来预测QoS，研究结果表明，基于MF的QoS预测方法可以有效地改善高稀疏度情况下的QoS预测精度。虽然国内外学者在QoS预测方面取得了显著有效的研究成果，但已有的研究工作主要集中于对Web服务或云服务QoS的预测，没有深入考虑MEC环境下QoS预测问题所具有特点，不能满足MEC环境下QoS预测带来的新的挑战。

由此可见，现有的QoS预测方法普遍存在预测精度低，无法满足MEC环境下QoS预测带来的新的挑战的问题。

发明内容

本发明实施例的目的在于提供一种多服务质量预测方法，旨在解决现有的QoS预测方法普遍存在预测精度低，无法满足MEC环境下QoS预测带来的新的挑战的问题。

本发明实施例是这样实现的，一种多服务质量预测方法，包括：

根据多维情景信息以及与所述多维情景信息对应的多服务质量值，构建多维情景感知模型；

基于所述多维情景感知模型，根据数据融合以及损失函数对多任务深度神经网络进行训练优化，建立多任务深度神经网络模型；

根据当前的多维情景信息以及所述多任务深度神经网络模型，确定多服务质量的预测值。

本发明实施例的另一目的在于一种多服务质量预测装置，包括：