[发明专利]一种基于复杂时空情境感知的服务质量预测方法及系统

说明书

本发明公开了一种基于复杂时空情境感知的服务质量预测方法及系统，解决了现有技术存在的复杂时空条件下服务质量预测精度低的问题。首先构建至少包含输入层和输出层的多层网络结构的深度神经网络；其次确定输入样本和输出样本；该输入样本为从服务调用历史数据中提取的特征所组成的集合；该输出样本为每条数据记录的服务质量数值；该集合包括用户和服务的id、用户和服务的ip地址、用户和服务的所在地(如城市)、用户和服务的自治域及服务调用的时间；再者根据输入样本和输出样本训练深度神经网络，得到服务质量预测模型；最后将获取的目标用户特征、目标服务特征、目标服务调用时间输入到服务质量预测模型中，预测目标服务质量。

技术领域

本发明涉及服务计算技术领域，特别涉及一种基于深度神经网络的复杂时空情境感知的服务质量预测方法及系统。

背景技术

Web服务是一个或一组通过互联网提供的软件功能，它对外公布调用该功能的地址和接口，任何用户都可以通过互联网调用Web服务。由于低耦合，易重用和可组合性，使得Web服务得到了广泛地应用。随着Web服务数量的迅速增长，功能同质化服务日益常见，需要进一步从非功能刻面来区分服务的质量(Quality of Services，QoS)，才能为用户提供精细化的推荐服务。在传统技术条件下，为了获得准确的服务质量值，通常需要借助客户端测量技术，但受时间、经济成本等因素的制约，服务提供商不太可能在网络中部署大量软件传感器来监测QoS信息，用户也不太乐意在客户端通过密集测试来体验不同服务的质量差异。为此，研究者提出了协同服务质量预测的解决思路，借鉴协同过滤的思想，通过分析大规模服务系统中服务调用的历史记录，利用协同智能来预测未知的QoS值。服务质量预测可以避免直接的QoS测量，从而节省服务提供者和用户的时间和经济成本。随着大规模服务系统的部署，这种解决方案变得愈加可行和富有操作性。

然而，服务调用不仅发生在客户端主机和服务器主机上，还发生在Internet通信路径上。观察到的QoS值取决于主机的配置、服务器状态和网络条件等众多上下文(即情境)因素。QoS预测模型不仅要能反映客户端主机与服务主机之间的交互，还应反映用户端的环境与服务端的环境之间的交互(例如子网、自治系统、地理位置和其他可用因素)。加之，服务调用是动态的，这种上下文的动态变化会显著影响QoS预测精度。如果不对服务调用时的上下文复杂性进行建模并在预测时加以考虑利用，传统的预测方法很难获得更精确的结果。尽管已有方法借助某一维度信息(比如用户地理位置信息)来提高QoS预测精度，但对于如何在复杂时空条件下(如给定用户和服务所处主机、子网、自治系统、地理位置等空间条件，同时给定服务调用所处时间节点)实现精确的QoS预测，仍缺乏有效的解决方案。

发明内容

本发明的目的是提供一种基于复杂时空情境感知的服务质量预测方法及系统，弥补了现有技术的空白，解决了现有技术存在的复杂时空条件下服务质量预测精度低的问题。

为实现上述目的，本发明提供了如下方案：

一种基于复杂时空情境感知的服务质量预测方法，包括：

构建预测用的深度神经网络；所述深度神经网络包括相互关联的输入层、嵌入层、空间特征交互层、空间特征向量重组层、空间特征向量拟合层以及输出层；

确定输入样本和输出样本；所述输入样本为从服务调用历史数据中提取出每条数据记录的各项特征所组成的特征集合；所述特征集合包括空间特征集合和时间特征集合；所述空间特征集合包括用户特征和服务特征；所述用户特征包括用户id、用户ip地址、用户所在地以及用户的自治域；所述服务特征包括服务id、服务的ip地址、服务所在地以及服务的自治域；所述时间特征集合包括多个不同的时间特征值；一个所述时间特征值代表一个时隙，所述时隙为每条数据记录中服务调用的时间；所述输出样本为每条数据记录的服务质量数值；

根据所述输入样本和所述输出样本，训练所述深度神经网络，得到服务质量预测模型；

获取目标用户特征、目标服务特征以及目标服务调用时间；