[发明专利]一种基于卡尔曼滤波修正的云服务动态QoS预测方法

说明书

本发明公开了一种基于卡尔曼滤波修正的云服务动态QoS预测方法，针对现有的动态QoS预测方法缺乏对实时QoS数据的融合和缺乏对历史稀疏QoS数据进行填补的问题，首先将稀疏的历史QoS数据构建为用户‑服务‑时间构成的三阶张量，并通过非负tucker分解算法填补历史数据中的缺失值，并将填补稀疏值后的张量变形为时间向量集作为训练数据。之后构建了CNN‑BiLSTM深度学习模型进行QoS预测，给出未来时间片的QoS预测值。最后通过卡尔曼滤波算法融合实时QoS观测值对CNN‑BiLSTM模型产生的QoS预测值进行修正。通过在WS‑DREAM数据集上进行大量实验，实验结果表明提出的模型相较于基线模型性能更好，有效提高了动态QoS的预测精度。

技术领域

本发明属于动态QoS预测技术领域，具体涉及一种基于卡尔曼滤波修正的云服务动态QoS预测方法。

背景技术

随着面向服务架构(Service-Oriented Architecture，SOA)在软件开发工作中广泛应用，服务的可重用性、互操作性得到了极大地增强，同时促进了服务聚类与分类、服务推荐、服务组合等研究方面的不断进步。随着SOA架构的普及，可供使用的网络服务数量呈现指数式增长，这使得网络中出现了大量功能相同或相似的服务。如何从大量的同质化服务中推荐出满足用户非功能性需求的服务成为了一项重要挑战。服务质量(Quality ofService，QoS)是当前广泛使用的一组服务非功能性评价指标，通过服务质量可以方便地衡量同质网络服务的优劣。然而，服务QoS通常难以被完整准确地获取，这是由于用户的网络设备、地理位置等条件不同，使得不同用户调用同一服务的QoS值具有差异，同时由于成本高昂，服务提供商也难以完全获取每个服务在所有时刻调用的QoS值。这使得用户可调用的QoS值非常稀疏。

当前QoS预测问题可分为静态QoS预测方法和动态QoS预测方法。静态QoS预测问题常在单一时间片下，根据用户和服务之间的位置信息、网络信息等相似关系进行QoS预测。然而在现实环境中，不同用户会在不同时间段访问同一服务，与此同时，同一服务的QoS值也会随时间变化而变化，这将使得用户调用服务的QoS值时刻处于动态变化之中。因此动态QoS预测方法可以更敏锐地感知服务QoS变化以满足用户的不同需求。当前动态QoS预测方法可分为基于特征工程的方法和基于深度学习的方法。基于特征工程的QoS预测方法常基于时间序列预测方法发展而来，其主要是通过特征工程的方法获取时间序列特征进行预测，但基于特征工程的方法常常需要熟练的特征提取理论，对人工的技术经验要求较高。相比之下，基于深度学习的QoS预测方法主要采用深度神经网络进行时间序列特征的获取，相较于传统方法技术成本低，效果提升显著。

目前，基于深度学习的动态QoS预测方法常以历史QoS值作为输入，捕捉其时间序列特征，最终预测未来时刻的QoS值。Jin等将QoS预测流程分为基于历史时间片的预测和基于当前时间片的预测，并提出了一种两阶段方法TWQP，有效地解决了不同情况下的动态QoS预测问题。Zhang等提出了一种多元时间序列的QoS预测方法，其通过相空间重构的方式将多元历史数据映射到动态系统中，然后采用LM算法改进的RBF神经网络实现了动态多步预测。Zou等提出了一种改进的用户和服务时态特征，并提出了一种基于GRU的深度神经网络以挖掘用户和服务之间的时间特征以用于未知的QoS预测。然而在上述研究中存在以下两个问题：首先，传统基于深度学习的QoS预测方法在预测时未能考虑将用户调用服务时产生的实时QoS值作为增强信息进行利用，使得模型预测精度无法进一步提高。其次，传统深度学习模型在训练时缺乏对历史稀疏QoS数据集的填补，影响模型预测精度。

发明内容

针对上述存在的问题，本发明提供一种基于卡尔曼滤波修正的云服务动态QoS预测方法，其基于MFDK预测模型实现动态QoS预测。

实现本发明目的的技术解决方案为：

一种基于卡尔曼滤波修正的云服务动态QoS预测方法，其特征在于，包括以下步骤：

步骤1：基于用户-服务的历史QoS数据构建用户-服务-时间的三阶张量；