一种基于多元时间序列的Web Service QoS预测方法技术

本发明专利技术公开了一种基于多元时间序列的Web Service QoS预测方法。这种方法主要收集QoS属性历史数据和近期服务提供商发布的QoS广告数据信息，进行数据预处理后结合改进的RBF神经网络模型实现QoS属性的直接多步预测。考虑QoS的多个属性，基于多元时间序列做预测；QoS属性之间存在错综复杂的非线性关系，为描述这种关系，将收集到的历史QoS属性数据做相空间重构，近似恢复多个QoS属性的非线性关系系统；服务提供商的近期发布的QoS数据信息反映了未来QoS的变动和发展趋势，将这部分信息与相空间重构后的QoS属性数据相结合，构成QoS综合数据集；在训练后的RBF神经网络模型上做QoS属性的动态多步预测。

【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，需要对数据进行多步处理。因此本专利技术方法考虑QoS属性之间的相关性，将多个QoS属性组成数据源。性能相关属性和非性能相关属性都会影响QoS值，属性之间的相互关系无法用准确的公式模式表示，因此采用相空间重构的方法，不需要确定各属性之间的关系，也不需要考虑邻近时间点之间数据的相互关系，将QoS属性历史数据映射到一个动力系统中，近似恢复原来的多维非线性系统。另外随着技术的提升，Web服务QoS的整体发展趋势随服务提供商的策略变化具有动态多变的特性，直接利用历史数据做多步直接预测不能反映当前QoS属性值，影响预测精度。短期QoS广告代表当前QoS属性值的走向，因此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进行多步预测。RBF神经网络模型可以进一步表示输入变量与预测变量之间的复杂关系，以黑盒模式比较准确地描述这种关系，预测的属性值相对准确。传统的神经网络权值训练是一个反复迭代的复杂过程，因此本方法利用海塞矩阵和Levenberg-Marquardt最优化算法训练权值，提高运算效率，减小了时间开销和空间开销。针对QoS属性值动态多变的特点，在未来预测过程中，采集样本动态更新神经网络的参数值，实现动态预测，提高预测精度。
技术实现思路
专利技术目的：针对现有技术中存在的问题与不足，为了提高WebServiceQoS预测的效率和准确性，考虑QoS属性值的动态多变和多个QoS属性之间的复杂关系，本专利技术提供了一种基于多元时间序列的WebServiceQoS预测方法。技术方案：一种基于多元时间序列的WebServiceQoS预测方法，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。所述步骤1，收集数据主要包括两个方面，(1)从ServiceProxy(服务代理)收集QoS属性值作为历史数据。服务代理作为QoS属性历史数据收集的渠道，作为一种方法调用性质的客户端代理服务，利用通道使应用程序发送和接收消息，根据需要创建、打开、调用服务并且在不需要时关闭。应用程序可以重用服务代理反复连接到相同的服务，无需多余的时间开销和资源开销。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QoSInformationAdvertisement(QoS广告数据)。借助基于UDDI(统一描述发现集成规范)的Web服务发现技术，获取指定Web服务的广告信息。QoS的整体发展趋势随服务提供商的策略变动具有动态多变的特性，利用历史数据多步直接预测不能很好地反映当前QoS属性值，而短期QoS广告描述了未来短期时间内QoS属性值的趋势，在预测中利用广告数据，对当前的QoS属性值的走向有很大的作用，并且能够提高预测精度。因此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。数据预处理过程主要构建QoS属性关系系统，并且生成预测模型的输入数据，所述步骤2进一步为：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。QoS属性历史数据的多元时间序列表示为：Q＝{Q1，Q2...,Qi,...,QN本文档来自技高网...

【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