[发明专利]不可靠移动边缘环境下服务质量的预测方法及系统

说明书

本发明涉及一种不可靠移动边缘环境下服务质量的预测方法及系统,包括：对每个用户收集到的数据集中的数值进行预处理；每个用户根据预处理的数据，构建一个本地服务质量矩阵，且每个用户将所述本地服务质量矩阵分解为本地用户潜在矩阵和本地服务潜在矩阵；中央服务器收集所有用户的本地服务潜在矩阵，并整合为全局服务潜在矩阵，所述中央服务器将所述全局服务潜在矩阵发送到所有用户，每个用户根据本地用户潜在矩阵和全局服务潜在矩阵来预测未访问服务质量的数值。本发明预测准确，可靠性更高。

技术领域

本发明涉及服务质量预测的技术领域，尤其是指一种不可靠移动边缘环境下服务质量的预测方法及系统。

背景技术

随着5G蜂窝网络的快速部署和广泛采用，许多物联网应用正在智能医疗、实时娱乐、虚拟现实、智能交通、智能制造等各个领域出现，这些应用通常运行在用户设备(UE)上，通常是智能手机和平板电脑，用于连接智能物联网设备，并依赖MEC访问各种远程云服务。物联网应用的实时交互能力[1]不仅需要智能物联网设备的及时响应，而且对远程云服务提出了高质量的要求，如低响应时间、高吞吐量、高可用性等，由于服务是由第三方以黑匣子的形式交付的，因此保证物联网应用的性能，特别是在政府、卫生保健和紧急情况等关键领域使用的物联网应用，是一项重大挑战。

为了保证物联网应用的性能，面向服务的体系结构(SOA)已经成为从大量可公开访问的候选服务中发现高质量服务，并在设计时和运行时以松散耦合的方式组合所需服务的主要架构范式。在服务选择中，服务质量通常作为识别高质量服务的关键指标。QoS表征服务的非功能属性，包括响应时间、吞吐量、可用性等。由于服务器端因素(例如带宽、工作负载等)、用户端因素(例如UE容量、地理位置等)以及用户和服务之间的MEC环境(例如，容量、带宽、边缘节点的网络拥塞等)，用户感知服务的QoS值可以有效地提高服务选择的性能。然而，获取所有候选服务的QoS值非常困难，因为每个用户只观察被调用服务的QoS值。由于UE有限的计算能力和调用大量服务的高成本，主动评估这些QoS值也是不可行的。

在现有文献中，协同过滤技术被用于预测模型来预测未知的QoS值。图1给出了传统的QoS预测框架。用户将本地服务使用记录提供给中央服务器，以形成全局QoS数据集。中心服务器在这个数据集上建立一个预测模型，并向用户提供QoS预测服务，以减少测量所需的实际服务调用。不幸的是，不可靠的MEC环境使得这些方法不可行。

在实践中，这些方法在效率、隐私和可靠性方面受到严重限制：对于效率：用户需要将本地QoS数据传输到中心服务器。由于MEC[5]中UE的容量和能量限制，用户无法承受大量数据的传输效率和开销。另外，在服务器端训练预测模型需要在短时间内处理大量的数据，这对中央服务器的存储和计算能力提出了极高的要求。对于中央服务器来说，在运行时为所有用户提供及时的预测服务是一个非常大的挑战。

对于隐私：远程中央服务器可能不可信。为了获得预测服务，用户需要将本地的使用数据提供给中心服务器，这将带来数据泄漏的风险。中央服务器可能从这些数据中推断出个人信息，甚至出售他们的数据。因此，由于担心他们的数据可能会被泄露，一些用户可能不愿意参与预测模型的协作构建。所以，有限的历史训练数据对模型的预测精度有很大影响。因此，QoS预测方法需要能够保护用户隐私不受不可信中心服务器的威胁，同时利用尽可能多的用户的数据产生准确的预测结果。

对于可靠性：MEC中的用户可能不可信。由于中央服务器通过收集和分析用户所观察到的历史QoS数据来建立预测模型，因此QoS数据的可靠性在很大程度上决定了预测结果的准确性和可信度。然而，MEC中许多不可信的用户在物联网环境中存在恶意行为。一些用户提交随机的QoS值，这些值是模型的噪声数据。一些用户提交恒定的QoS值，这些值为模型构建提供了有限的有用信息。其他恶意用户通过提交虚假的QoS值来操纵模型的预测，从而高估了某些服务的性能，而低估了其他竞争服务的性能。因此，可信的QoS预测方法需要能够基于部分不可靠的数据进行准确的预测，以容忍MEC中不可信的用户。

发明内容