一种通信网络云服务QoS预测方法、系统、设备及介质

本发明涉及qos(quality of service，服务质量)预测，具体是涉及一种通信网络云服务qos预测方法、系统、设备及介质。

背景技术：

1、网络云服务正在成为最重要的互操作技术之一，用于连接因特网上的异构应用程序以实现跨平台、跨系统和跨语言的交互，迅速成为部署分布式计算和协作的重要方式，极大地促进网络资源的有效使用。用户可以查找并调用网络云服务中提供的各种不同服务，无需担心编程语言、操作平台、实现方式等各种问题。用户作为网络云服务的使用者，在开发云应用程序时往往通过调用多种服务以实现目标功能，然而随着在网络云服务中开发的服务数量增加，如何从大量服务中选择最合适的服务来满足用户的需求就成为一个需要解决的关键问题。许多研究人员认为用户在选择某一项服务时，不仅要考虑用户的功能需求，还要考虑服务提供的非功能指标，即涵盖有可用性、响应时间、执行时间和吞吐量等因素的qos值，因此提前对用户在调用某一项服务时产生的qos值进行预测就显得很有必要。

2、在现有技术中，通常采用协同过滤方式或者采用搭建深度学习网络的方式来实现qos预测，但这两种方式存在历史数据集划分不恰当的缺点，会破坏用户与服务之间的耦合信息，即无法有效保留协作信息，造成qos预测效果不佳。

技术实现思路

1、本发明提供一种通信网络云服务qos预测方法、系统、设备及介质，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。

2、第一方面，提供一种通信网络云服务qos预测方法，所述方法包括：

3、获取历史数据集，其包括若干个用户标签、若干个服务标签以及每个用户在调用每个服务时的qos值；

4、基于所述若干个用户标签，将所述历史数据集划分成多个数据子集；

5、利用所述多个数据子集对构建好的多个向量输出模型进行训练，得到用户嵌入向量集合和服务嵌入向量集合；

6、利用所述用户嵌入向量集合和所述服务嵌入向量集合对构建好的聚合预测模型进行训练；

7、将待测用户标签和待测服务标签输入至训练好的多个向量输出模型中，得到单个用户嵌入向量和多个服务嵌入向量；

8、将所述单个用户嵌入向量和所述多个服务嵌入向量输入至训练好的聚合预测模型中，得到待测用户在调用待测服务时的预测qos值。

9、进一步地，所述基于所述若干个用户标签，将所述历史数据集划分成多个数据子集包括：

10、根据所述历史数据集构建无向图，其包含所述若干个用户标签对应的若干个用户节点；

11、利用node2vec算法对所述无向图上的所述若干个用户节点进行特征学习，对应得到若干个初始用户嵌入向量；

12、根据所述若干个初始用户嵌入向量，利用深度聚类网络对所述若干个用户标签进行聚类处理，得到多个聚类结果；

13、对于每个聚类结果中包含的所有用户标签，从所述历史数据集中获取与所述所有用户标签关联的所有qos值，再结合所述所有用户标签和所述若干个服务标签生成所述每个聚类结果对应的数据子集。

14、进一步地，所述根据所述若干个初始用户嵌入向量，利用深度聚类网络对所述若干个用户标签进行聚类处理，得到多个聚类结果包括：

15、所述深度聚类网络包括深度神经网络和聚类网络，利用所述深度神经网络对所述若干个初始用户嵌入向量进行降维处理；

16、计算降维后的每两个初始用户嵌入向量的欧式距离，再利用所述聚类网络基于k-means算法对所述若干个用户标签进行聚类处理，得到多个聚类结果。

17、进一步地，所述利用所述多个数据子集对构建好的多个向量输出模型进行训练，得到用户嵌入向量集合和服务嵌入向量集合包括：

18、对于每个数据子集中包含的所有用户标签和所述若干个服务标签，利用所述每个数据子集对单个构建好的向量输出模型进行训练，得到所述所有用户标签对应的所有用户嵌入向量以形成用户嵌入向量子集，以及所述若干个服务标签对应的若干个服务嵌入向量以形成服务嵌入向量子集；

19、以此类推，在对构建好的多个向量输出模型进行训练之后对应得到多个用户嵌入向量子集和多个服务嵌入向量子集，再将所述多个用户嵌入向量子集构成用户嵌入向量集合，将所述多个服务嵌入向量子集构成服务嵌入向量集合。

20、进一步地，所述利用所述用户嵌入向量集合和所述服务嵌入向量集合对构建好的聚合预测模型进行训练包括：

21、根据所述用户嵌入向量集合和所述服务嵌入向量集合，生成多个训练数据，其中每个训练数据包含单个用户标签对应的单个用户嵌入向量和单个服务标签对应的单个服务嵌入向量；

22、所述聚合预测模型包括顺次连接的注意力网络层、mlp层和交互函数层，利用所述多个训练数据对所述聚合预测模型进行训练，在整个训练过程中对所述注意力网络层中关联的相似性矩阵和价值矩阵进行更新，并且对所述mlp层中关联的多个向量输出模型的权重参数进行更新。

23、进一步地，所述将待测用户标签和待测服务标签输入至训练好的多个向量输出模型中，得到单个用户嵌入向量和多个服务嵌入向量包括：

24、从训练好的多个向量输出模型中获取与待测用户标签关联的单个训练好的向量输出模型，利用所述单个训练好的向量输出模型生成所述待测用户标签对应的单个用户嵌入向量，再利用所述训练好的多个向量输出模型生成待测服务标签对应的多个服务嵌入向量。

25、进一步地，所述将所述单个用户嵌入向量和所述多个服务嵌入向量输入至训练好的聚合预测模型中，得到待测用户在调用待测服务时的预测qos值包括：

26、将所述多个服务嵌入向量输入至训练好的注意力网络层进行特征提取，对应得到多个服务特征向量；

27、将所述多个服务特征向量输入至训练好的mlp层进行特征融合，得到全局服务特征向量；

28、将所述单个用户嵌入向量和所述全局服务特征向量输入至交互函数层进行信息融合，得到待测用户在调用待测服务时的预测qos值。

29、第二方面，提供一种通信网络云服务qos预测系统，所述系统包括：

30、获取模块，用于获取历史数据集，其包括若干个用户标签、若干个服务标签以及每个用户在调用每个服务时的qos值；

31、划分模块，用于基于所述若干个用户标签，将所述历史数据集划分成多个数据子集；

32、第一训练模块，用于利用所述多个数据子集对构建好的多个向量输出模型进行训练，得到用户嵌入向量集合和服务嵌入向量集合；

33、第二训练模块，用于利用所述用户嵌入向量集合和所述服务嵌入向量集合对构建好的聚合预测模型进行训练；

34、生成模块，用于将待测用户标签和待测服务标签输入至训练好的多个向量输出模型中，得到单个用户嵌入向量和多个服务嵌入向量；

35、预测模块，用于将所述单个用户嵌入向量和所述多个服务嵌入向量输入至训练好的聚合预测模型中，得到待测用户在调用待测服务时的预测qos值。

36、第三方面，提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序以实现如第一方面所述的通信网络云服务qos预测方法。

37、第四方面，提供一种计算机可读存储介质，其上存储计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的通信网络云服务qos预测方法。

38、本发明至少具有以下有益效果：通过引入无向图对获取到的历史数据集进行描述，再采用node2vec算法对该无向图进行特征学习，最后引入深度聚类网络根据特征学习结果对历史数据集进行划分，可以解决现有技术中存在的历史数据集划分不恰当的缺点，最大程度地保留协作信息。通过利用划分出的多个数据子集对多个向量输出模型和聚合预测模型进行训练，可提高qos预测效果。