基于服务邻域的Web Service服务质量预测方法
【专利摘要】本发明涉及web服务质量预测领域，公开了一种基于服务邻域的Web?Service服务质量预测方法，其特征在于，包括以下的具体步骤：相似度计算步骤、邻居选择步骤、模型建立步骤、模型求解步骤以及预测步骤，通过建立一个基于邻居用户的特征向量学习得到的预测模型，并通过梯度迭代下降法求解该预测模型，并最终得到对目标用户的网络服务质量的预测值，同时公开了一种应用上述Web?Service服务质量预测方法的装置。本发明的优点在于，准确度高，通过分离目标服务的特征向量以及邻居服务的特征向量解决了冷启动过程中的网络服务质量的预测问题，具有较好的应用价值。
【专利说明】基于服务邻域的Web Service服务质量预测方法
【技术领域】
[0001]本发明涉及web服务质量预测领域，特别涉及一种基于服务邻域的Web Service服务质量预测方法，同时公开了一种应用所述基于服务邻域的Web Service服务质量预测方法的装置。
【背景技术】
[0002]Web Service是一类在网络上用以实现资源的互操作性与可访问性的应用，且这类应用是自我描述的、可编程的。Web Service—般使用标准的已定义完善的语言实现，并通过规范的协议发布。基于S0A的架构，Web Service已成为实现企业内与企业间信息系统的重要手段。同时，由于Web Service技术广泛应用在云计算中，特别是SaaS平台上，所以Web Service的数量在迅猛增长。
[0003]服务质量是Web Service非功能性指标的统称，包括服务价格、响应时间、吞吐量等。服务质量是Web Service除功能性外，在服务选择、服务发现、服务推荐等方面重要的衡量标准，特别是候选的服务集中各服务的功能相似的情况下。但是大部分情况下，用户只能获取仅少一部分的QoS值，原因如下:1)因为Web Service的数量非常多，全部调用是不现实的；2)很多Web Service的服务质量会随着物理资源的变化而变动。在实际的服务调用过程中，这些缺失值必须被预测出来作为服务选择与推荐的依据。
[0004]现有技术中，作为推荐系统中最常用的预测缺失值的方法存在以下缺陷:1)协同过滤方法难以解决“冷启动”的问题，即某个服务从未被任何用户调用过，或某个用户从未调用过任何服务。2)传统的协同过滤方法只能反映用户的主观喜好，而在服务调用的过程中，决定最终服务质量的却是客观的物理资源与运行环境。故而，在利用已有的服务调用历史记录信息，筛选出用户和服务的邻居来的基础上，需要寻求其它既能够保持已经方法的优势，又可以克服其缺点的技术。
[0005]由于现实世界中，决定用户调用服务的因素在于服务所处的IT基础设施的水平，而不同服务提供商所拥有或租用的计算平台的资源配置也相差较大。对于同一个用户，调用不同服务提供商提供的服务会获得差异较大的服务质量；而调用同一个服务提供商提供的服务则会获得相似的服务质量。例如，韩国和日本是世界上平均网速最快的两个国家，而中国的平均网速则相对较慢。所以，如果同一位用户同时调用位于首尔、东京和北京的三个服务，则在首尔和东京的服务会使用户体验到比北京的服务更好的服务质量。
[0006]另外，数据的稀疏性也是服务质量预测要面临的另一个重要的问题。极高的数据稀疏性意味着在用户-服务调用矩阵里绝大多数项都是空值，影响实际的预测效果。
[0007]基于上述问题可知，现有的服务质量预测方法在实际的应用过程中具有较大的局限性，无法实现准确地对网络服务的质量进行预测。由此，有必要研制一种新型的网络服务质量的预测方法。
【发明内容】
[0008]本发明针对现有技术中无法准确地预测网路服务质量的缺点，提供了一种基于服务邻域的Web Service服务质量预测方法以及应用该基于服务邻域的Web Service服务质量预测方法的装置，上述方法较好地解决了 “冷启动”时检测数据缺乏的问题，并可以基于更为客观的历史数据得到更为准确的网络服务质量预测值。
[0009]为实现上述目的，本发明可采取下述技术方案:
[0010]基于服务邻域的Web Service服务质量预测方法，包括以下的具体步骤:
[0011]相似度计算步骤:根据服务的历史调用记录计算任意两个服务j、 之间的相似度sin^，其中服务j为需要预测服务质量的目标服务，服务 为服务j之外的其他服务；
[0012]邻居选择步骤:根据相似度筛选任一服务j的邻域TopK(j)，将与服务j运行于相同计算平台的除服务j之外的其他服务记为集合E(j)，所述邻域TopK(j)包括与服务j最相似的一个或者多个服务1 ;
[0013]权重计算步骤:分别计算邻域TopK(j)中所有服务1的权重^ ；
[0014]模型建立步骤:在矩阵分解模型的基础上建立用于预测Web Service服务质量的预测模型；
[0015]模型求解步骤:通过梯度下降法求解预测模型，得到待求解的用户特征矩阵与服务特征矩阵；
[0016]预测步骤:通过用户特征矩阵与服务特征矩阵的矩阵乘法得到最终的预测值；
[0017]其中，设共同调用过服务j与服务 的用户集合为U，则服务j与服务1'之间
的相似度
【权利要求】
1.一种基于服务邻域的Web Service服务质量预测方法，其特征在于，包括以下的具体步骤:相似度计算步骤:根据服务的历史调用记录计算任意两个服务j、r之间的相似度sin^，其中服务j为需要预测服务质量的目标服务，服务r为服务j之外的其他服务；邻居选择步骤:根据相似度筛选任一服务j的邻域TopK(j)，将与服务j运行于相同计算平台的除服务j之外的其他服务记为集合E(j)，所述邻域TopK(j)包括与服务j最相似的一个或者多个服务1 ;权重计算步骤:分别计算邻域TopK(j)中所有服务1的权重Wjl ；模型建立步骤:在矩阵分解模型的基础上建立用于预测Web Service服务质量的预测模型；模型求解步骤:通过梯度下降法求解预测模型，得到待求解的用户特征矩阵与服务特征矩阵；预测步骤:通过用户特征矩阵与服务特征矩阵的矩阵乘法得到最终的预测值；其中，设共同调用过服务j与服务 的用户集合为U，则服务j与服务1'之间的相似. 度
2.根据上述权利要求1所述的WebService服务质量预测方法，其特征在于，所述邻居选择步骤还包括:筛选出与目标服务具有相同服务提供商的服务，并将其补充进入该目标服务所属的邻域TopK(j)。
3.根据上述权利要求1所述的WebService服务质量预测方法，其特征在于，所述相
4.根据上述权利要求1所述的WebService服务质量预测方法，其特征在于，所述权重 计算步骤为，分别计算邻域TopK(j)中所有服务1的权重
5.根据上述权利要求4所述的WebService服务质量预测方法，其特征在于，所述模型建立步骤还包括以下具体步骤:1)令用户i调用服务j的服务质量预测值
6.根据上述权利要求4所述的WebService服务质量预测方法，其特征在于，λ ?、λ s、λΕ分别取0.001。
7.根据上述权利要求4所述的WebService服务质量预测方法，其特征在于，所述模型求解步骤还包括，求目标函数对于Up Sj的偏导数，得到
8.—种应用上述权利要求1-7任一所述的基于服务邻域的Web Service服务质量预测方法的装置，其特征在于，包括相似度计算装置(100)、邻居选择装置(200)、权重计算装置(300)、模型建立装置(400)、模型求解装置(500)以及预测装置(600);其中，相似度计算装置(100)，用于根据服务的历史调用记录计算任意两个服务j、1'之间的相似度sin^，其中服务j为需要预测服务质量的目标服务，服务1，为服务j之外的其他服务；邻居选择装置(200)，用于根据相似度筛选任一服务j的邻域TopK(j)，将与服务j运行于相同计算平台的除服务j之外的其他服务记为集合E(j)，所述邻域TopK(j)包括与服务j最相似的一个或者多个服务1 ;权重计算装置(300)，用于分别计算邻域TopK(j)中所有服务1的权重;模型建立装置(400)，用于在矩阵分解模型的基础上建立用于预测Web Service服务质量的预测模型；模型求解装置(500)，用于通过梯度下降法求解预测模型，得到待求解的用户特征矩阵与服务特征矩阵；预测装置(600)，用于通过用户特征矩阵与服务特征矩阵的矩阵乘法得到最终的预测值。
【文档编号】H04L12/24GK103684850SQ201310606303
【公开日】2014年3月26日 申请日期:2013年11月25日 优先权日:2013年11月25日
【发明者】尹建伟, 徐悦甡, 李莹, 邓水光, 吴朝晖 申请人:浙江大学