【技术实现步骤摘要】
本专利技术涉及一种WebServiceQoS预测方法,尤其涉及基于多元时间序列的WebServiceQoS预测方法,属于信息
技术介绍
随着Web服务技术的快速发展和应用,网络上出现了很多功能相似的Web服务,在选择满足用户需求的Web服务过程中,非功能性需求往往被人们忽视。近几年来,作为非功能性因素的服务质量(QoS)开始逐步被人们重视,越来越多的研究人员开始致力于Web服务的QoS预测技术。Web服务的QoS属性包括与性能相关的响应时间(Responsetime)、吞吐量(Throughput)、可靠性(Reliability)、可用性(Availability)、可扩展性(Expandability),以及与非性能相关的价格(Price)、安全性(Security)、信誉(Credit)等属性。现有的预测模型主要针对单Web服务,分为基于人工智能的Web服务QoS预测方法,基于相似度的QoS预测方法,基于结构方程的QoS预测方法和基于时间序列QoS预测方法。其中基于时间序列的预测方法主要考虑QoS的单个属性或两个属性,选择ARIMA模型或神经网络模型进行预测,如华等考虑响应时间、可用性两个属性,利用ARIMA模型实现预测;ZiaurRehman等采用ARIMA模型预测QoS的响应时间属性;Zhang等采用RBF神经网络短期预测QoS属性值;刘等提出了一种ARIMA、灰色模型和神经网络的组合预测模型。但是QoS的属性之间存在复杂的相互依赖关系,单纯考虑一个因素的预测准确性较差,传统的ARIMA模型是一种短期预测模型,对数据的要求比较高,需要 ...
【技术保护点】
一种基于多元时间序列的Web Service QoS预测方法,其特征在于,包括如下步骤:步骤1:收集确定的单Web服务的QoS属性数据;步骤2:QoS属性数据预处理;步骤3:建立多元时间序列RBF(径向基)神经网络预测模型;步骤4:设置误差阈值δ,训练RBF神经网络,确定神经网络的参数值;步骤5:利用RBF神经网络,实现QoS属性值动态多步预测。
【技术特征摘要】
1.一种基于多元时间序列的WebServiceQoS预测方法,其特征在于,包括如下步骤:步骤1:收集确定的单Web服务的QoS属性数据;步骤2:QoS属性数据预处理;步骤3:建立多元时间序列RBF(径向基)神经网络预测模型;步骤4:设置误差阈值δ,训练RBF神经网络,确定神经网络的参数值;步骤5:利用RBF神经网络,实现QoS属性值动态多步预测。2.如权利要求1所述的基于多元时间序列的WebServiceQoS预测方法,其特征在于,所述步骤1,收集数据主要包括两个方面,(1)从服务代理收集QoS属性值作为历史数据;根据每个QoS属性的不同定义嵌入功能代码,从服务代理中连续获取同一Web服务的QoS属性数据;(2)采集短期服务发布者提供的QoS广告数据;将短期服务提供商的QoS广告数据用时间序列表示,加入到预测数据集中。3.如权利要求2所述的基于多元时间序列的WebServiceQoS预测方法,其特征在于,所述步骤2包括:步骤21:用多元时间序列表示QoS属性历史数据和服务提供商的短期广告数据;步骤22:采用小波变换阈值去噪法对QoS属性历史数据进行噪声平滑处理,减小噪声对时间序列预测的影响;步骤23:QoS属性历史数据和广告数据分别做变量尺度变换,将尺度范围控制在[0,1];步骤24:QoS属性历史数据相空间重构,采用平均位移方法计算嵌入维数m和延迟时间τ;步骤25:将处理后的历史数据和广告数据合成QoS综合数据集。4.如权利要求1所述的基于多元时间序列的WebServiceQoS预测方法,其特征在于,所述步骤3包括:步骤31:建立三层结构的RBF神经网络,包括输入层、隐含层和输出层。其中第一层输入层由感知单元组成,将输入向...
【专利技术属性】
技术研发人员:张鹏程,王丽艳,江艳,张雷,刘琪,何志鹏,
申请(专利权)人:河海大学,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。