一种基于历史信息的Web服务QoS预测方法技术

本发明专利技术的目的在于提高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。

【技术实现步骤摘要】
一种基于历史信息的Web服务QoS预测方法(一)
本专利技术涉及的是一种基于历史信息的Web服务QoS预测方法。(二)
技术介绍
面向服务计算作为一种新型计算范型，为分布式应用和企业信息系统集成提供了一种灵活的解决方案，已成为计算机软件领域最热门的研究主题之一。随着面向服务计算技术的快速发展，网络上出现了大量功能相同或相似而服务质量不同的Web服务。用户在选择满足其个性化需求的Web服务时，不仅要考虑服务的功能属性，而且要考虑服务的非功能属性，即QoS。服务的QoS属性包括响应时间、价格、可靠性、可用性等指标，可以用来综合评价一个服务的性能或质量，如何获取准确的服务QoS信息是一个十分具有挑战性的问题。(三)
技术实现思路
专利技术目的：针对现有技术中存在的问题和步骤，为了提高Web服务QoS预测的准确性，考虑到用户提交的数据量、服务器吞吐量和服务器CPU利用率对Web服务QoS的影响，本专利技术提供了一种基于历史信息的Web服务QoS预测方法。技术方案：一种基于历史信息的Web服务QoS预测方法，包括如下步骤：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。2.用户提交的数据量、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。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Sh(r)，重新计算类中心其中Nh为Sh(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Gj(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：wjt＝(GjTGj)-1GjTy。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。本方法的创新性在于：1.根据用户提交的数据量、服务器吞吐量和服务器CPU利用率的历史信息预测Web服务QoS，从而充分考虑了环境因素对服务质量的影响2.提出了一种基于历史信息的Web服务QoS预测方法，使用神经网络拟合用户提交的数据量、服务器吞吐量、服务器CPU利用率和Web服务QoS值之间的非线性关系。(四)附图说明图1为专利技术实例方法流程图；图2为神经网络的示意图。(五)具体实施方式下面结合附图举例对本专利技术做更详细地描述：如图1所示，为本专利技术的一种基于历史信息的Web服务QoS预测方法，主要包括4个步骤：数据收集、数据预处理、训练神经网络模型和预测QoS属性值。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。2.用户提交的数据量、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。3.建立三层结构的神经网络，如图2所示，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Sh(r)，重新计算类中心其中Nh为Sh(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Gj(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：wjt＝(GjTGj)-1GjTy。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。本文档来自技高网...

【技术保护点】
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

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：姚文斌，綦麟，胡芳燚，樊悦芹，黄芬芬，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11