基于深度神经网络的服务质量预测方法及其系统技术方案

本发明专利技术公开了一种基于深度神经网络的服务质量预测方法及其系统，涉及网络服务技术领域。该方法包括以下步骤：输入请求上下文变量信息，并通过实体表达矩阵在编码模块进行编码，以得到嵌入式请求矩阵；将经过编码的所述上下文变量信息进行压缩并进行特征提取，以得到所述请求上下文变量信息的按照时序的嵌入式请求矢量；根据所述时序依次输入所述嵌入式请求矢量至LSTM网络模块，以输出所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息；对所述预测数据信息进行感知，以得到解码后的所述预测数据信息，将所述解码后的所述预测数据信息还原为服务质量数据并输出。

Quality of service prediction method and system based on deep neural network

The invention discloses a service quality prediction method and system based on deep neural network, which relates to the technical field of network service. The method comprises the following steps: inputting the request context variable information and encoding it in the encoding module through the entity expression matrix to obtain the embedded request matrix; compressing the encoded context variable information and extracting the features to obtain the embedded request vector according to the time sequence of the request context variable information; inputting the request context variable information in turn according to the time sequence The embedded request vector is input into the LSTM network module to output the prediction data information of the depth neural network for the next input of the request context variable information; the prediction data information is sensed to obtain the decoded prediction data information, and the decoded prediction data information is restored to the quality of service data and output.

【技术实现步骤摘要】
基于深度神经网络的服务质量预测方法及其系统
本专利技术涉及网络服务
，特别是涉及一种基于深度神经网络的服务质量预测方法及其系统。
技术介绍
互联网中的WebService的数量在过去十年间发生了猛烈的增加，随着公共Web服务数量的增加，SOA(ServiceOrientedArchitacture，面向服务的架构)架构的应用也变得十分广泛。然而，互联网复杂的网络环境使得服务的状态千变万化，因此有效的服务质量预测此时就显得十分重要。传统服务质量预测方法大多基于CF模型(CollaborativeFiltering，协同过滤模型)和MF模型(Matrixfactorization，矩阵分解模型)，其能够利用的上下文数据比较有限。同时，这两种方法难以进行简单的扩展以支持多类型QoS(QualityofService，服务质量)数据的预测。其对影响QoS响应序列的隐含变量也缺乏相应的建模手段。
技术实现思路
本专利技术的主要目的在于提供一种基于深度神经网络的服务质量预测方法及其系统，旨在拟合网络中影响QoS数据的不可见因素，使其能够对真实世界的QoS服务质量数据进行预测。为实现上述目的，本专利技术提供一种基于深度神经网络的服务质量预测方法，包括以下步骤：输入请求上下文变量信息，并通过实体表达矩阵在编码模块进行编码，以得到嵌入式请求矩阵；将经过编码的所述上下文变量信息进行压缩并进行特征提取，以得到所述请求上下文变量信息的按照时序的嵌入式请求矢量；根据所述时序依次输入所述嵌入式请求矢量至LSTM(LongShort-TermMemory，长短期记忆网络)网络模块，以输出所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息；对所述预测数据信息进行感知，以得到解码后的所述预测数据信息，将所述解码后的所述预测数据信息还原为服务质量数据并输出。优选地，所述上下文变量信息包括上下文及其对应的服务质量数据信息。优选地，所述上下文变量信息包括响应时间信息和网络吞吐量信息；还原后的所述服务质量数据包括响应时间信息和网络吞吐量信息。优选地，所述步骤将经过编码的所述上下文变量信息进行维度压缩并进行特征提取还包括：将经过编码的所述上下文变量信息进行压缩后，输入至多层全连接网络组成的特征提取器进行特征提取。优选地，根据所述时序依次输入所述嵌入式请求矢量至LSTM网络模块，以输出所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息还包括：根据所述时序依次输入的所述嵌入式请求矢量通过计算依次得到对应的计算结果，将所述计算结果中最后一个计算结果作为所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息。优选地，所述将所述解码后的所述预测数据信息还原为服务质量数据并输出还包括：将所述预测数据信息分别输入两个全连接网络所构成的还原模块中分别进行计算，以得到包括响应时间信息和网络吞吐量信息的服务质量数据。本专利技术还提供一种基于深度神经网络的服务质量预测系统，所述系统包括编码模块、压缩模块、LSTM网络模块、感知模块和还原模块；所述编码模块用于接收请求上下文变量信息，进行编码后输出嵌入式请求矩阵至所述压缩模块；所述压缩模块用于将经过编码的所述上下文变量信息进行压缩并进行特征提取，并输出嵌入式请求矢量至所述LSTM网络模块；所述LSTM网络模块将所述嵌入式请求矢量进行计算，并输出所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息至所述感知模块；所述感知模块对所述预测数据信息进行感知，并将得到解码后的所述预测数据信息发送至还原模块，所述还原模块将所述解码后的所述预测数据信息还原为服务质量数据并输出。优选地，所述上下文变量信息包括响应时间信息和网络吞吐量信息；还原后的所述服务质量数据包括响应时间信息和网络吞吐量信息。优选地，所述还原模块包括第一还原模块和第二还原模块，用以分别还原响应时间信息和网络吞吐量信息。本专利技术技术方案通过输入收集到的上下文变量信息，拟合网络中影响QoS数据的不可见因素，使其能对真实世界的QoS服务质量数据进行预测。LSTM网络模块可以对复杂的未知数据做出预测，并具有一定的正确性，可用于服务组合等具体工程实践中。附图说明图1为本专利技术基于深度神经网络的服务质量预测方法的流程示意图；图2为本专利技术基于深度神经网络的服务质量预测系统的原理示意图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。下面结合附图对本专利技术进一步说明。一种基于深度神经网络的服务质量预测方法，如图1所示，包括以下步骤：输入请求上下文变量信息，并通过实体表达矩阵在编码模块进行编码，以得到嵌入式请求矩阵。在具体实施例中，请求上下文变量信息包括数值型和非数值型特征，在输入至编码模块前需分别进行预处理。对于连续型数据，需进行采样从而将其转化为离散化数据，以将服务质量数据信息与请求上下文信息进行融合。对于非数值型变量，需即针对每一个请求上下文变量信息得到的八元组中的前六维(u1，uas1，ur1，s1，sas1，sr1)，在总实体数n＝13的情况下我们可以将其写为(1，4，5，6，9，11)的六元组，对其进行编码得到N1＝(010011100101)，即对八元组的前六元X1＝(x1，x2，x3，x4，x5，x6)，将X1对应的N1的第xi位置编码为1。定义n*k维的元素表达矩阵Mn×k，其中Mi代表第i个实体的向量化表达，k代表该表达向量的维度，针对六元组(1，4，5，6，9，11)，我们分别选择出M1，M4，M6，M9，M11六个k维向量组成一个6*k维的矩阵G1。G1是(1，4，5，6，9，11)六元组的矩阵化表达，表达矩阵可保存每个对应元素的向量表达。该运算定义如下：s.t→len(N1)＝n，其中符号表示从矩阵M中选择出所有行Mi，当且仅当(X1)i＝1，n为所有实体的个数。对于数值型的响应时间和吞吐量，我们使用独立的两个矩阵Rrs×k，Tts×k来作为其表达矩阵。其中rs、ts分别为响应时间和吞吐量表达向量的个数。针对响应时间，在具体实施例中，在离散化时设置其步长为0.01，针对吞吐量，设置其步长为0.1，因此，对于任意数值的响应时间和吞吐量，其都可以映射为对应的整数表达，使用该整数表达来作为其元素标识。具体地，对应(0.13，23.6)，将其表达为(13，23)，同时从R矩阵中选择出R13，从T矩阵中选择出T26组成一个2*k的矩阵G2。即针对X2＝(x7，x8)，即可得到两者相对应的N2、N3，选出Rn7，Tn8组成新的矩阵G2。该运算定义如下：s.t→len(N2)＝max(ResponseTime)*100s.t→len(N3)＝max(ThroughO本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的服务质量预测方法，其特征在于，包括以下步骤：/n输入请求上下文变量信息，并通过实体表达矩阵在编码模块进行编码，以得到嵌入式请求矩阵；/n将经过编码的所述上下文变量信息进行压缩并进行特征提取，以得到所述请求上下文变量信息的按照时序的嵌入式请求矢量；/n根据所述时序依次输入所述嵌入式请求矢量至LSTM网络模块，以输出所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息；/n对所述预测数据信息进行感知，以得到解码后的所述预测数据信息，将所述解码后的所述预测数据信息还原为服务质量数据并输出。/n

【技术特征摘要】
1.一种基于深度神经网络的服务质量预测方法，其特征在于，包括以下步骤：
输入请求上下文变量信息，并通过实体表达矩阵在编码模块进行编码，以得到嵌入式请求矩阵；
将经过编码的所述上下文变量信息进行压缩并进行特征提取，以得到所述请求上下文变量信息的按照时序的嵌入式请求矢量；
根据所述时序依次输入所述嵌入式请求矢量至LSTM网络模块，以输出所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息；
对所述预测数据信息进行感知，以得到解码后的所述预测数据信息，将所述解码后的所述预测数据信息还原为服务质量数据并输出。


2.根据权利要求1所述的基于深度神经网络的服务质量预测方法，其特征在于，所述上下文变量信息包括上下文及其对应的服务质量数据信息。


3.根据权利要求2所述的基于深度神经网络的服务质量预测方法，其特征在于，所述上下文变量信息包括响应时间信息和网络吞吐量信息；还原后的所述服务质量数据包括响应时间信息和网络吞吐量信息。


4.根据权利要求3所述的基于深度神经网络的服务质量预测方法，其特征在于，所述步骤将经过编码的所述上下文变量信息进行维度压缩并进行特征提取还包括：
将经过编码的所述上下文变量信息进行压缩后，输入至多层全连接网络组成的特征提取器进行特征提取。


5.根据权利要求4所述的基于深度神经网络的服务质量预测方法，其特征在于，根据所述时序依次输入所述嵌入式请求矢量至LSTM网络模块，以输出所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息还包括：
根据所述时序依次输入的所述嵌入式请求矢量通过计算依次得到对应...

【专利技术属性】
技术研发人员：李秉卓，叶春杨，周辉，
申请(专利权)人：海南大学，
类型：发明
国别省市：海南;46