一种基于EMD和多变量LSTM相结合的服务质量预测方法技术

本发明专利技术公开了一种基于EMD和多变量LSTM相结合的服务质量预测方法，包括1：对Web服务历史调用记录进行数据清洗，检测数据集中Web服务质量的缺失值、异常值；2：使用一种基于数据的填补算法补全缺失值和异常值，构建完整有效的服务质量时间序列；3：对时间序列进行数据变换；4：利用EMD方法将服务质量时间序列分解为多个本征模函数和残波部分，然后构建多变量时间序列，建立一个多变量LSTM模型进行服务质量预测。本发明专利技术的有益效果是：1)能够根据Web服务的历史调用记录准确预测未知的服务质量，具有很好的实用性。2)通过预测可能存在的SLA违规行为，帮助用户选择既能提供最佳服务质量且具有更高概率满足SLA约束的服务。

A service quality prediction method based on EMD and multi variable LSTM

【技术实现步骤摘要】
一种基于EMD和多变量LSTM相结合的服务质量预测方法
本专利技术涉及服务计算
，具体涉及一种基于EMD和多变量LSTM相结合的服务质量预测方法。
技术介绍
Web服务是松散耦合的软件系统，通过网络来支持互操作的机器进行交互，它为面向服务的体系结构(Service-OrientedArchitecture,SOA)提供了一个标准化的解决方案。Web服务的数量每年都在不断增长，而这其中有大量的服务提供相似的功能，比如，据ProgrammableWeb(http://www.programmableweb.com/，简称PWeb)统计，能够提供搜索服务的WebAPI截止2019年10月11日就多达3546个。面对这么多功能相同或相似的Web服务，我们需要根据其服务质量选择最合适的服务来更好的满足用户需求。近年来，研究者提出了许多根据Web服务的历史调用记录来预测Web服务的未知QoS值的服务质量预测方法，主要有三种：基于相似性度量的方法、基于时间序列预测技术的方法和基于深度学习模型的方法。本申请专利技术人在实施本专利技术的过程本文档来自技高网...

【技术保护点】
1.一种基于EMD和多变量LSTM相结合的服务质量预测方法，其特征在于，包括：/n步骤S1：对Web服务历史调用记录进行数据清洗，检测出异常值和缺失值；/n步骤S2：采用预设基于数据的填补算法对检出的异常值和缺失值进行数据补全，构建完整有效的服务质量时间序列；/n步骤S3：对完整有效的服务质量时间序列进行数据变换；/n步骤S4：基于EMD方法对进行数据变换后的服务质量时间序列进行分解，获得多变量时间序列，根据多变量时间序列获得训练数据；/n步骤S5：利用训练数据对预先构建的LSTM模型进行训练，获得训练好的多变量LSTM模型；/n步骤S6：利用训练好的多变量LSTM模型对待预测的Web服务调用...

【技术特征摘要】
1.一种基于EMD和多变量LSTM相结合的服务质量预测方法，其特征在于，包括：
步骤S1：对Web服务历史调用记录进行数据清洗，检测出异常值和缺失值；
步骤S2：采用预设基于数据的填补算法对检出的异常值和缺失值进行数据补全，构建完整有效的服务质量时间序列；
步骤S3：对完整有效的服务质量时间序列进行数据变换；
步骤S4：基于EMD方法对进行数据变换后的服务质量时间序列进行分解，获得多变量时间序列，根据多变量时间序列获得训练数据；
步骤S5：利用训练数据对预先构建的LSTM模型进行训练，获得训练好的多变量LSTM模型；
步骤S6：利用训练好的多变量LSTM模型对待预测的Web服务调用记录进行质量预测，根据质量预测结果，选择出目标Web服务。


2.如权利要求1所述的方法，其特征在于，步骤S1具体包括：
步骤S1.1：对Web服务历史调用记录中服务异常进行识别，筛选出初步异常值并标识为缺失值；
步骤S1.2：使用箱线图检测出Web服务历史调用记录中的异常值，将检验结果中大于或小于箱线图设定的上下界的观察值作为目标异常值并标识。


3.如权利要求2所述的方法，其特征在于，步骤S2具体包括：
步骤S2.1：从进行数据清洗后的正常数据中提取出日期层次上的变化趋势以及在一天之内的变化趋势，其余为残差部分数据，进行数据清洗后服务质量数据包括正常数据和异常数据；
步骤S2.2：从正常数据中选取不同时间粒度的基本时间特征以及服务质量数据的历史滞后值作为特征，残差部分数据作为标签，对Xgboost模型进行训练，利用训练好的Xgboost模型对异常值和缺失值的残差部分进行预测，得到残差预测值；
步骤S2.3：将提取出的正常数据的日期层次上的变化趋势、在一天之内的变化趋势和对异常数据的残差预测值相加，对异常值和缺失值进行填补，获得数据填补结果。


4.如权利要求1所述的方法，其特征在于，步骤S3具体包括：
步骤S3.1：对完整有效的服务质量时间序列进行Box_Cox变换；
步骤S3.2：对进行Box_Cox变换后的服务质量时间序列进行对数变换。


5.如权利要求1所述的方法，其特征在于，步骤S4具体包括：
步骤S4.1：利用EMD方法将频率不规则的服务质量时间序列分解为多个频率单一IMF分量和一个残余部分Res；
步骤S4.2：对分解后的数据进行尺度变换，将服务质量时间序列的所有分量的数值转换到多变量LSTM模型的激活函数的范围之内；
步骤S4.3：根据进行尺度变换后的多变量时间序列，构建3D张量，3D张量的形式为(samples，timesteps，features)，其中，sample...

【专利技术属性】
技术研发人员：李兵，陈秀清，王健，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42