基于用户-服务交互图的深度学习云服务QoS预测方法技术

本发明专利技术公开了基于用户

【技术实现步骤摘要】
基于用户
‑
服务交互图的深度学习云服务QoS预测方法


[0001]本专利技术涉及基于用户
‑
服务交互图的深度学习云服务QoS预测方法，属于网络云服务QoS预测


技术介绍

[0002]云计算以互联网为中心，为用户提供快速且安全的基础设施来构建各种应用程序。随着面向服务的体系结构（Service
‑
Oriented Architecture，SOA）的快速发展，云服务的数量正不断增加，涌现了许多功能相同或相似的服务，使用户很难在其中选择更符合个性需求的候选服务。因此服务质量（Quality of Service，QoS）成为用户选择服务的重要参考。
[0003]QoS通常用于描述服务的非功能属性，它包括吞吐量、响应时间等云计算中经常使用的关键指标。然而，由于用户的差异性（如网络状态、个人偏好等），用户对服务的QoS评价（简称QoS值）也会有所不同。在云环境中用户在使用服务之前，希望能得到其所需的服务QoS值，但是由于并非所有的服务都有QoS值，用户想要得到满足其个性化QoS需求本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于用户
‑
服务交互图的深度学习云服务QoS预测方法，其特征在于，包括如下步骤：步骤1，根据用户
‑
服务原始QoS矩阵构建用户
‑
服务交互图，进而获取用户和服务的特征向量，根据用户的特征向量计算用户之间的相似度，根据服务的特征向量计算服务之间的相似度，根据用户之间的相似度获取用户特征向量集，根据服务之间的相似度获取服务特征向量集；步骤2，基于两个高效深度卷积单元构建双流深度神经网络模型，将步骤1获取的用户特征向量集作为其中一个高效深度卷积单元的输入，将步骤1获取的服务特征向量集作为另一个高效深度卷积单元的输入，对双流深度神经网络模型进行训练；所述高效深度卷积单元包括依次连接的1个卷积层和L个全连接层，通过卷积层中的卷积核对用户或服务特征向量集进行卷积运算，同时提取用户或服务的多种特征进行融合，通过L个全连接层进一步对融合后的特征进行学习，输出更新后的用户或服务的特征向量；步骤3，利用步骤2训练好的双流深度神经网络模型预测某用户对某服务的QoS值，根据步骤1同样的方法获取某用户特征向量集和某服务特征向量集，将某用户特征向量集和某服务特征向量集输入训练好的双流深度神经网络模型，得到QoS预测结果。2.根据权利要求1所述的基于用户
‑
服务交互图的深度学习云服务QoS预测方法，其特征在于，所述步骤1的具体过程如下：1.1，构建以用户中心的用户
‑
服务交互图和以服务为中心的用户
‑
服务交互图以用户中心的用户
‑
服务交互图分为两层：第一层为用户i使用过的n个服务以及用户i对这些服务的QoS值；第二层为其他使用过这n个服务的用户以及这些用户分别对这n个服务的QoS值；以服务为中心的用户
‑
服务交互图分为两层：第一层为使用过服务j的m个用户以及这些用户对服务j的QoS值；第二层为这m个用户使用的其他服务以及这m个用户分别对其使用的其他服务的QoS值；1.2，获取用户和服务特征向量对用户
‑
服务原始QoS矩阵Q进行非负矩阵分解，寻找最合适的用户潜在特征矩阵V和服务潜在特征矩阵H，使两者内积尽可能接近Q；获得V和H之后，利用用户潜在特征向量V
i
对用户i的特征向量U
i
进行初始化，利用服务潜在特征向量H
j
对服务j的特征向量S
j
进行初始化，V
i
即V的第i列，代表用户i的潜在特征向量，H
j
即H的第j列，代表服务j的潜在特征向量；1.3，计算相似度使用余弦相似度计算用户相似度：式中，Similarity()为余弦相似度函数，U
c
和U
d
分别为用户c和用户d的特征向量；使用余弦相似度计算服务相似度：式中，S
f
和S
g
分别为服务f和服务g的特征向量；
1.4，获取用户特征向量集和服务特征向量集针对以用户i为中心的用户
‑
服务交互图，将第二层中的用户与用户i进行相似度计算，选择与用户i最为相似的K个用户以及与用户i最不相似的F个用户作为用户i的特征向量集；针对以服务j为中心的用户
‑
服务交互图，将第二层中的服务与服务j进行相似度计算，选择与服务j最为相似的K个服务以及与服务j最不相似的F个服务作为服务j的特征向量集；令η=F/K，η的取值通过实验确定。3.根据权利要求2所述的基于用户
‑
服务交互图的深度学习云服务QoS预测方法，其特征在于，所述1.2中，在寻找最合适的用户潜在特征矩阵V和服务潜在特征矩阵H，使两者内积尽可能接近Q的过程中，使用用户
‑
服务QoS原始矩阵Q和QoS拟合矩阵之间误差的平方作为损失函数，即：利用乘法更新规则来最小化损失函数，即：式中，v
ki
为用户潜在特征矩阵V中用户i的第k个特征，h
k...

【专利技术属性】
技术研发人员：张佩云，范家俊，黄文君，陈禹同，何思开，王轩，谢荣见，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：