[发明专利]基于多源特征学习的云服务QoS预测方法

说明书

本发明提供了一种基于多源特征学习的云服务QoS预测方法。该方法包括：利用用户和服务的上下文数据提取用户和服务的显式特征；基于矩阵分解和神经网络相结合的隐式因子嵌入方法，从用户‑服务矩阵中提取用户和服务的深层隐式特征；将显式特征与隐式特征拼接，得到用户‑服务调用记录对应的多源特征矩阵；利用基于卷积神经网络的联合深层网络，学习得到多源特征矩阵的局部‑全局特征组合，进而得到用户对云服务的QoS预测。本发明实现了从多源信息中学习高阶特征组合，并充分考虑了特征序列对特征组合学习的影响，从而有效的提高了QoS预测精度。

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种基于多源特征学习的云服务QoS预测方法。

背景技术

云服务作为面向服务的体系结构技术，通过云计算提供商提供的互联网按需的为用户提供服务。然而，随着服务计算的日益火热，越来越多的同质化云服务随之诞生，导致用户很难在具有相同功能的云服务中判断其能够满足个人需求的程度。在这种情况下，描述服务非功能属性的服务质量(Quality of Service，QoS)成为区分同质化云服务差别的关键。

服务质量是描述服务非功能属性的若干质量组合，例如响应时间，吞吐量，信誉度等。然而，在实际的服务调用场景中，执行大规模的服务评估用于获得准确的QoS是不现实的。一方面，同一服务的QoS值很容易受到用户地理位置、网络状态等异构环境的影响，使得在客户端进行真实的服务评估非常昂贵和耗时。另一方面，大多数用户并非专业人士，很难充分并准确的对服务质量进行评估。因此，基于QoS预测的服务推荐技术成为帮助用户选择最佳服务的关键。

QoS预测的方法通常是利用历史的QoS信息为相关的用户找到合适的服务。目前，利用协同过滤技术对QoS进行预测是学术界和工业界进行服务推荐的主流方法，包括基于近邻的协同过滤方法和基于模型的协同过滤方法。其中基于近邻的协同过滤方法主要是通过计算相似度找到用户和服务的邻域集，利用邻域信息预测目标QoS值。然而该方法在历史数据高度稀疏的情况下很难找到高质量的邻域集，从而对QoS值进行精确的预测。基于模型的协同过滤方法主要通过对用户-服务矩阵进行阵分解，找到用户和服务的隐因子矩阵进行预测，在一定程度上提高了预测精度。

然而，云环境的多样性和动态性的与日俱增，对服务推荐中的QoS预测提出了许多新的挑战，其中一个关键的挑战就是如何提取和学习用户/服务的深层特征，而现有方法的表达能力明显不足。此外，协同过滤技术主要通过收集相似用户或服务的历史信息来预测缺失的QoS值，然而此类方法在大多数情况下，仅利用了QoS矩阵的信息，而忽略了许多其他的关键因素。例如，在客户端测量的QoS值(响应时间，吞吐量，可用性等)，在受到不可预知的网络连接或异构用户环境的影响时，可能存在很大差异。地理位置、网络状态等各种环境特征都会对QoS值有很大的影响，单一维度的上下文信息很难完全反映复杂的环境。考虑到QoS值在不同异构环境下的不同表现问题，利用多源信息对QoS预测和服务推荐至关重要。

发明内容

本发明的实施例提供了一种基于多源特征学习的云服务QoS预测方法，以克服现有技术的问题。

为了实现上述目的，本发明采取了如下技术方案。

一种基于多源特征学习的云服务QoS预测方法，包括：

利用用户和服务的上下文数据提取用户和服务的显式特征；

基于矩阵分解和神经网络相结合的隐式因子嵌入方法，从用户-服务矩阵中提取用户和服务的深层隐式特征；

将所述用户和服务的显式特征与隐式特征拼接，得到用户-服务调用记录对应的多源特征矩阵；

利用基于卷积神经网络的联合深层网络，学习得到所述多源特征矩阵的局部特征组合，基于所述局部特征组合学习多源特征间的全局特征组合，根据所述多源特征间的全局特征组合得到用户对云服务的QoS预测。