[发明专利]一种融合异常Qos数据检测的新型云服务筛选方法

摘要

本发明涉及云服务筛选系统中，一种融合异常Qos数据检测的云服务筛选方法。基本思想是：目标用户发送n个功能类似的云服务筛选请求给筛选系统，筛选系统考虑目标用户调用云服务环境的状态变化，从使用过这n个云服务的用户集中选择与目标用户的云服务调用环境最相似的Top‑K个用户。然后使用多重决策树投票的方法将具有异常Qos数据的用户从Top‑K个用户中过滤掉，并利用剩下的用户所提供的Qos数据为目标用户建立Qos服务评价模型。最后，结合目标用户的需求得到n个功能类似的云服务排名，并将排名结果发送给目标用户。本发明在增强云服务筛选结果准确度的同时，保证了云服务的可信性，属于计算机云计算领域。

主权项

1.云服务筛选系统中，一种融合异常Qos数据检测的云服务筛选方法，要求在云服务筛选系统中部署若干个客户端功能模块和1个筛选中心；然后在筛选中心部署1个用户筛选模块、1个用户聚类模块、1个异常Qos数据检测模块、1个Qos预测模块和1个云服务排名模块；在用户筛选模块中部署用户数据库，在异常Qos数据检测模块中部署标准Qos数据库；用户必须通过用户端模块发送筛选请求，筛选中心考虑目标用户调用云服务环境的状态变化，从使用过这n个云服务的用户集中选择与目标用户的云服务调用环境最相似的Top‑K个用户，然后使用多重决策树投票的方法将具有异常Qos数据的用户从Top‑K个用户中过滤掉，并利用剩下的用户所提供的Qos数据为目标用户建立Qos服务评价模型，最后，结合目标用户的需求得到n个功能类似的云服务排名，并将排名结果发送给目标用户，其特征在于包括以下步骤：功能模块部署阶段：首先在云服务筛选系统中部署若干个用户端模块，其中每个用户端部署1个用户端模块；然后部署1个筛选中心，并在筛选中心部署1个用户筛选模块、1个用户聚类模块、1个异常Qos数据检测模块、1个Qos预测模块和1个云服务排名模块；最后在用户筛选模块中部署用户数据库，在异常Qos数据检测模块中部署标准Qos数据库；用户发送云服务筛选请求阶段：目标用户通过用户端模块发送n个功能类似的云服务筛选请求给云服务筛选中心，筛选请求包括目标用户的云服务调用环境参数，目标用户对这n个功能类似的云服务的Qos属性偏好值，以及n个功能类似的云服务参数；用户筛选阶段：云服务筛选中心收到筛选请求后启动用户筛选模块，用户筛选模块根据筛选请求中包含的n个功能类似的云服务的参数从它的用户数据库中挑选出使用过这n个功能类似的云服务的用户，同时生成待选用户集Dw；用户筛选模块的用户数据库中的用户数据集由云用户和云服务商提供，包含了每个用户的用户名、调用过的云服务的Qos属性值，调用云服务时的环境参数以及用户的云服务Qos属性偏好值；待选用户集包含了集合用户调用这n个功能类似的云服务的环境参数、集合用户对这n个功能类似的云服务的Qos属性值和对这n个功能类似的云服务的Qos属性偏好值；然后用户筛选模块删除掉筛选请求中包含n个功能类似的云服务的参数的内容，将筛选请求重新封装成聚类请求，并将聚类请求和待选用户集一起发送到用户聚类模块；用户聚类阶段：用户聚类模块对聚类请求中包含的目标用户的云服务调用环境参数和待选用户集中的集合用户调用n个功能类似的云服务的环境参数进行比对，从待选用户集中将与目标用户的云服务调用环境最相似的Top‑K个用户分配到同一组，生成中间用户集。K由云服务筛选中心根据实际需要来选择适合的数值，如100、200等；中间用户集包含了集合用户对这n个功能类似的云服务的Qos属性值；生成中间用户集后，用户聚类模块删除掉聚类请求中包含的目标用户的云服务调用环境参数将聚类请求重新封装成异常Qos数据检测请求，并将异常Qos数据检测请求和中间用户集一起发送给异常Qos数据检测模块；异常Qos数据检测阶段：异常Qos数据检测模块将它的标准Qos数据库中的Qos数据作为训练集，并利用多重决策树投票方法生成多重决策树，中间用户集中的Qos数据被异常Qos数据检测模块作为输入样本输入到每棵决策树，然后决策树输出对中间用户集中Qos数据值的分类预测：0或1，0表示异常值，1表示正常值；最后多重决策树分别对0或者1这两种值进行投票，将得票最多的值作为最终结果，并以此为依据过滤掉中间用户集中具有异常Qos数据的用户，生成最终用户集；异常Qos数据检测模块中的标准Qos数据库由云服务商提供，每一个Qos数据都包含一个取值为0或1的类别标签label，该标签用来表示Qos是正常值还是异常值，当label＝0时是异常值，label＝1时是正常值；标准Qos数据集作为训练集包含了云服务Qos数据的正常值和异常值，每一个决策树都会从训练集中抽取一定数量的样本来进行训练；最终用户集包含了集合用户对这n个功能类似的云服务的Qos属性值以及Qos属性偏好值；异常Qos数据检测模块将异常Qos数据检测请求重新封装成Qos预测请求，并将预测请求和最终用户集发送给Qos属性值预测模块；云服务的Qos属性值预测阶段：Qos属性值预测模块计算目标用户与最终用户集中集合用户对这n个云服务的Qos属性偏好值之间的距离，并在此基础上根据最终用户集中集合用户对这n个功能类似的云服务的Qos属性值来预测目标用户对n个功能类似的云服务的Qos属性值；然后，Qos预测模块将预测的目标用户对n个功能类似的云服务的Qos属性值与Qos预测请求中包含的目标用户的云服务Qos属性偏好值一起重新封装成排名请求，发送给云服务排名模块；云服务排名阶段：云服务排名模块根据我们改进的最优距离法计算出n个功能类似的云服务排名；最后将排名结果发送给目标用户。