一种自适应的云服务质量动态预测方法及装置制造方法及图纸

本申请公开了一种云服务质量动态预测方法。该方法包括：获取云服务的历史服务质量数据构建初始表征矩阵；对初始表征矩阵进行更新得到隐向量表征矩阵并生成维度相同的个性化表征矩阵；基于生成的隐向量表征矩阵和个性化表征矩阵获取当前时刻的云服务，用户以及时间片的表征向量；基于所得的各表征向量计算基于张量表征的服务质量预测值；将自注意力表征学习方法输出的编码向量输入多层全连接层捕获高阶特征交互关系，输出云服务的自注意力机制服务质量预测值；将基于张量表征和自注意力机制计算的服务质量预测值按权重相加获得最终的服务质量预测值。本发明专利技术提供一种自适应的云服务质量动态预测方法，能够更加准确的动态预测云服务的服务质量。测云服务的服务质量。测云服务的服务质量。

【技术实现步骤摘要】
一种自适应的云服务质量动态预测方法及装置


[0001]本专利技术属于服务计算领域，设计服务质量预测问题，特别涉及一种自适应的云服务质量动态预测方法及装置。

技术介绍

[0002]云计算是一种新兴的分布式计算方法，将共享的软硬件资源和信息按需求提供给各种终端，将互联网基础架构转变为一种实用程序，企业可以通过互联网部署自己的基础架构，并使用网络的计算资源和存储资源。其中，云计算的三个主要服务模型是SaaS(软件即服务),PaaS(平台即服务),IaaS(基础设施即服务)。SaaS也称为基于云的软件或云应用，实在云端托管的应用软件。借助SaaS，企业能够降低管理自己内部基础架构而引发的大部分成本，移动用户能够便捷地利用各种网络服务。SaaS是当今大多数商业软件的主要交付模式，目前已有大量的SaaS解决方案可用，从行业和部门应用到企业软件数据库和AI软件应有尽有。
[0003]云计算的弹性服务模式造就了云服务市场的繁荣。日积月累，云服务市场充斥这海量功能相似的云服务。然而提供软件服务的设备通常是资源受限或移动的，这可能导致服务质量降级或服务无响应。中间件可用于处理这些挑战，并在设计时选择最佳服务，并在服务质量开始下降时及逆行动态服务适应。许多提供商提供具有相同功能的云服务。通过用候选服务替换当前工作服务以响应意外的服务质量变化(例如不可接受的响应时间)，可以将此类冗余服务用于服务适配。为实现这一点，需要了解服务的服务质量值以做出及时准确的适应决策，例如何时触发适应动作、要替换哪些工作服务以及选择哪些候选服务。通过实时调用云服务并记录服务质量值来进行推荐的方法会耗费大量的网络资源。本专利提出的方法和装置能够动态地预测云服务的服务质量。

技术实现思路

[0004]本专利技术的目的是提供一种自适应的云服务质量动态预测方法，该方法能够服现有技术在动态环境下模型表征能力不足，预测效果不准确的问题，从而准确进行动态云服务质量的预测。
[0005]本专利技术公开一种自适应的云服务质量动态预测方法，包括：
[0006]获取云服务的历史服务质量数据构建初始表征矩阵；
[0007]对初始表征矩阵进行更新得到隐向量表征矩阵并生成维度相同的个性化表征矩阵；
[0008]基于生成的隐向量表征矩阵和个性化表征矩阵获取当前时刻的云服务，用户以及时间片的表征向量；
[0009]基于所得的各表征向量计算基于张量表征的服务质量预测值；
[0010]将自注意力表征学习方法输出的编码向量输入多层全连接层捕获高阶特征交互关系，输出云服务的自注意力机制服务质量预测值；
[0011]将基于张量表征和自注意力机制计算的服务质量预测值按权重相加获得最终的服务质量预测值。
[0012]获取云服务的历史服务质量数据构建初始表征矩阵包括：
[0013]获取已知云服务的历史服务质量记录，包括用户编号，云服务编号，调用时间，服务质量值，构建根据用户数量，云服务数量，时间片划分数量构建所有云服务的初始隐向量表征矩阵S
J
×
R
，所有用户的初始隐向量表征矩阵U
I
×
R
，所有时间片的初始隐向量表征矩阵T
K
×
R
，其中I,J,K分别表示用户数量，云服务数量，时间片数量，R表示设定的表征向量维度。
[0014]对初始表征矩阵进行更新得到隐向量表征矩阵并生成维度相同的个性化表征矩阵包括：
[0015]根据所有历史记录，使用非负张量分解算法对初始表征矩阵进行更新，此时的目标函数为：
[0016][0017]j∈J,k∈K,r∈{1,2,...,R}:
[0018]其中，i表示用户编号，j表示云服务编号，k表示时间片所处时刻，具体更新公式为：
[0019][0020][0021]其中，u
ir
表示用户隐向量表征矩阵U第i行第r列的元素，s
jr
表示云服务隐向量表征矩阵S第j行第r列的元素，t
kr
表示时间片隐向量表征矩阵T第k行第r列的元素，y
ijk
表示历史服务质量记录实值，表示使用隐向量计算的服务质量预测值，具体计算方法如下：
[0022][0023]Λ(
·
)表示所有的历史服务质量记录，|Λ(i)|历史记录中用户为i的个数，|Λ(j)|为历史记录中云服务为j的个数，|Λ(k)|表示历史记录中时间片为k的记录个数，根据已更新的隐向量表征矩阵生成维度相同的个性化表征矩阵，包括用户个性化表征矩阵UR
|I|
×
R
，云服务个性化表征矩阵SR
|J|
×
R
，时间片个性化表征矩阵TR
|K|
×
R
。
[0024]基于生成的隐向量表征矩阵和个性化表征矩阵获取当前时刻的云服务，用户以及时间片的表征向量包括：
[0025]输入当前用户的身份信息，候选服务的信息，基于生成的隐向量表征矩阵和个性化表征矩阵获取当前时刻的云服务，用户以及时间片的表征向量，将用户编号，云服务编号进行One
‑
hot编码，再将编码向量与表征矩阵相乘筛选出所需表征向量，包括用户表征向量
u
i
，云服务表征向量s
j
，时间片表征向量t
k
，用户个性化表征向量ur
i
，云服务个性化表征向量sr
j
，时间片个性化表征向量tr
k
。
[0026]基于所得的各表征向量计算基于张量表征的服务质量预测值：
[0027]具体计算公式为：
[0028][0029]QoS
Ten
表示基于张量表征计算的服务质量预测值，r表示表征向量中的索引位置。
[0030]将自注意力表征学习方法输出的编码向量输入多层全连接层捕获高阶特征交互关系，输出云服务的自注意力机制服务质量预测值之前，还可以包括将所得的各表征向量拼接获得E,E＝{u
i
,s
j
,t
k
,ur
i
,sr
j
,tr
k
}＝{e1,e2,e3,e4,e5,e6}，具体为：利用多头自注意力机制从多个子空间对选取的表征向量进行编码，然后将生成的编码向量进行拼接获得表达能力更强的表征向量E
Rep
，具体过程如下：
[0031][0032][0033][0034][0035][0036]K表示表征向量个数，e
k
表示第k类特征向量，h∈(1,H)表示注意力的头数，k1,k2表示记录中的不同特征向量，是注意力机制中的转换矩阵，<
·
>表示点积，是值的转换矩阵，是单个注意力头编码第k类表征获得的编码向量，表示拼接操作，H表示注意力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应的云服务质量动态预测方法，包括：获取云服务的历史服务质量数据构建初始表征矩阵；对初始表征矩阵进行更新得到隐向量表征矩阵并生成维度相同的个性化表征矩阵；基于生成的隐向量表征矩阵和个性化表征矩阵获取当前时刻的云服务，用户以及时间片的表征向量；基于所得的各表征向量计算基于张量表征的服务质量预测值；将自注意力表征学习方法输出的编码向量输入多层全连接层捕获高阶特征交互关系，输出云服务的自注意力机制服务质量预测值；将基于张量表征和自注意力机制计算的服务质量预测值按权重相加获得最终的服务质量预测值。2.根据权利要求1所述的一种自适应的云服务质量动态预测方法，所述获取云服务的历史服务质量数据构建初始表征矩阵包括：获取已知云服务的历史服务质量记录，包括用户编号，云服务编号，调用时间，服务质量值，构建根据用户数量，云服务数量，时间片划分数量构建所有云服务的初始隐向量表征矩阵S
|J|
×
R
，所有用户的初始隐向量表征矩阵U
|I|
×
R
，所有时间片的初始隐向量表征矩阵T
|K|
×
R
，其中I,J,K分别表示用户数量，云服务数量，时间片数量，R表示设定的表征向量维度。3.根据权利要求1所述的一种自适应的云服务质量动态预测方法，所述对初始表征矩阵进行更新得到隐向量表征矩阵并生成维度相同的个性化表征矩阵包括：根据所有历史记录，使用非负张量分解算法对初始表征矩阵进行更新，此时的目标函数为：数为：其中，i表示用户编号，j表示云服务编号，k表示时间片所处时刻，具体更新公式为：其中，i表示用户编号，j表示云服务编号，k表示时间片所处时刻，具体更新公式为：其中，u
ir
表示用户隐向量表征矩阵U第i行第r列的元素，s
jr
表示云服务隐向量表征矩阵S第j行第r列的元素，t
kr
表示时间片隐向量表征矩阵T第k行第r列的元素，y
ijk
表示历史服务质量记录实值，表示使用隐向量计算的服务质量预测值，具体计算方法如下：Λ(
·
)表示所有的历史服务质量记录，|Λ(i)|历史记录中用户为i的个数，|Λ(j)|为
历史记录中云服务为j的个数，|Λ(k)|表示历史记录中时间片为k的记录个数，根据已更新的隐向量表征矩阵生成维度相同的个性化表征矩阵，包括用户个性化表征矩阵UR
|I|
×
R
，云服务个性化表征矩阵SR
|J|
×
R
，时间片个性化表征矩阵TR
|K|
×
R
。4.根据权利要求1所述的一种自适应的云服务质量动态预测方法，所述基于生成的隐向量表征矩阵和个性化表征矩阵获取当前时刻的云服务，用户以及时间片的表征向量包括：输入当前用户的身份信息，候选服务的信息，基于生成的隐向量表征矩阵和个性化表征矩阵获取当前时刻的云服务，用户以及时间片的表征向量，将用户编号，云服务编号进行One
‑
hot编码，再将编码向量与表征矩阵相乘筛选出所需表征向量，包括用户表征向量u
i
，云服务表征向量s
j...

【专利技术属性】
技术研发人员：唐明董，唐文煜，
申请(专利权)人：广东外语外贸大学，
类型：发明
国别省市：