[发明专利]一种基于历史信息的Web服务QoS预测方法

摘要

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。

主权项

1.一种基于历史信息的Web服务QoS预测方法，其特征在于：包括如下步骤：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。步骤2：用户输入数据量、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。步骤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；cj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‑cj||表示向量x‑cj的范数；Gj(x)表示第j个基函数对输入向量的响应，在cj处取得唯一最大值，且Gj(x)随着||x‑cj||的增大而迅速衰减到零。输入层实现从x到Gj(x)的非线性映射，而输出层实现了从Gj(x)到yt的线性映射，即其中，yt是第t个输出单元对输入向量x的响应向量；wjt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cj，具体步骤如下：(1)隐含层初始化给定初始类中心cj(1)，j＝1,2,...,k。(2)在第r次迭代中，样本集{xi}分类方法如下：对所有的j，h＝1,2,..,k，j≠h。若||xi‑ch(r)||＜||xi‑cj(r)||，则xi∈Sh(r)。(3)对于每一个类S_h(r)，重新计算类中心其中N_h为S_h(r)中的样本数。(4)对于所有的h＝1,2,...,k，若ch(r+1)＝ch(r)，则终止，否则返回(2)。通过公式求得隐含层节点的输出G_j(x)，再由已知期望输出的Web服务QoS向量y，利用最小二乘法求得神经网络的隐含层和输出层之间的权值，即：w_jt＝(G_j^TG_j)^‑1G_j^Ty。步骤4：利用训练好的神经网络，输入用户提交的数据量、服务器吞吐量和服务器CPU利用率，进行QoS预测。