一种基于邻居协作的联邦服务质量预测方法技术

本发明专利技术实施例公开了一种基于邻居协作的联邦服务质量预测方法，引入边缘服务器用于管理真实边缘用户，本发明专利技术采用联邦学习作为分布式学习框架，与传统的预测方法不同的是，联邦学习方法只需要用户上传模型参数，隐私数据仍然存在于用户本地。本发明专利技术还采用了邻居协作的方式，用于解决传统联邦学习参数传递中可能存在的隐私泄露风险。通过邻居间的合作，用户上传的参数被扰动，想要窃取隐私的恶意用户很难恢复原始参数信息，解决了传统联邦学习参数传递过程中仍然可能存在的隐私泄露风险，为服务质量预测领域中的隐私保护问题提供了新思路。质量预测领域中的隐私保护问题提供了新思路。质量预测领域中的隐私保护问题提供了新思路。

【技术实现步骤摘要】
一种基于邻居协作的联邦服务质量预测方法


[0001]本专利技术涉及服务质量预测方法，尤其涉及一种基于邻居协作的联邦服务质量预测方法。

技术介绍

[0002]近年来，一切皆服务（XaaS）[1]的概念和面向服务的架构（SOA）[2]的发展，改变了现代网络应用程序开发模式，一个云应用程序往往通过调用多种云服务以实现目标功能。如一个旅游云平台可能是由住宿服务、出行服务、天气服务、导游服务等组合而成。而由不同云服务提供商开发的具有相同或相似功能的云服务大量存在于云服务系统中。在这样背景下，催生了具有大数据特色的云服务计算环境。
[0003]云服务计算大数据主要包涵以下特点：1)海量的云服务产生的数据规模庞大，管理困难。
[0004]2)服务的非功能属性，服务质量（QoS），主要来自于用户的报告，产生的QoS大数据具有用户特异性且包含用户隐私。
[0005]3)由不同云服务提供商开发的云服务通常是地理位置分布不同的，具有的网络环境和地理环境存在差异。
[0006]4)云应用程序的开发人员对于云服务的内在架构和设计细节是不可知的，只能通过功能选择调用目标类型的服务。
[0007]5)相似功能的服务充斥在云服务系统中，难以准确选取满足用户需求的优质服务。
[0008]为了实现高质量云服务推荐，很多学者普遍采用基于协同过滤的方法对未知的QoS值进行预测。传统的基于协同过滤的方法通常需要收集用户原始数据，然而这种方法不仅造成了巨大的通信代价还会带来用户隐私泄露的风险。如何在实现高质量的预测结果的同时保护用户隐私，已经成为服务计算领域研究的关键问题。
[0009]在如何实现高精确度的服务质量预测和隐私保护的问题上，雪珍门已经进行了大量的研究：（1）大数据驱动的服务质量预测研究随着大数据技术的发展，服务计算领域已形成了基于服务质量（QoS）的大数据环境。如何有效地评估云服务的用户端质量已成为一个紧迫和关键的问题，但是从用户端调用所有可用的云服务以进行评估其质量是昂贵和不切实际的。为了解决这一问题，服务质量（QoS）预测任务被提出来。QoS预测是指通过用户端报告的已经被调用过的QoS值，预测候选服务的QoS以实现服务推荐的过程。在现有的研究中，协同过滤(CF)是推荐系统中最成功的个性化预测技术之一，已广泛应用于Web服务的QoS预测。CF方法大致可以分为基于内存的方法、基于模型的方法和混合方法。基于内存的CF的核心假设是，过去观察过类似QoS值的用户在未来可能会观察到常见的QoS值，而基于模型的CF方法是基于使用以前QoS值训练过的预测模型。混合CF方法是基于内存和基于模型的CF方法的组合。
[0010]在基于内存的CF的研究中， Wu等人[3] 考虑到数据的稀疏性通过K
‑
means算法对所有用户进行聚类，并使用数据平滑技术来填补缺失的QoS值。而Zheng等人[4]和Ma 等[5]则认为没有预测比糟糕的预测更好，并将缺失的QoS值的填充限制在拥有相似用户或相似服务的人群中。考虑到QoS的归一化有利于CF的准确性，Zhang等[6]采用高斯归一化方法和3
‑
sigma规则将各种类型的QoS值转换为范围[0,1]。同样的，Zhu[7]等人观察到QoS值的变化范围很大，且与典型的评级分布相比，QoS数据分布高度倾斜，方差较大，他们将Box
‑
Cox数据转换的方式用于稳定数据方差，使数据更接近正态分布，提高了QoS预测的精度。相似度在基于内存的CF中也起着十分重要的作用。Chen等人[8]使用A
‑
余弦[9]来计算服务之间的余弦相似性，并通过减去服务的平均QoS值的向量来消除不同QoS尺度的影响。
[0011]传统的基于模型的CF方法已经被提出用于QoS预测。例如，Luo等人[10]提出了核最小均方算法(KLMS)，该算法分析所有已知的QoS数据与相似度最高的对应QoS数据之间的隐藏关系。然后应用得到的系数来预测丢失的Web服务QoS值。Wu等[11]提出了一种基于嵌入的分解机器方法，该方法将用户id和服务id嵌入到向量中，利用分解机器预测用户的QoS。矩阵分解（MF）是目前最流行的基于模型的CF方法，并被广泛应用于QoS预测任务中。Cai等人[12]结合区块链技术和MF提出了一种个性化的 Web 服务 QoS 预测方法，他们开发了一种基于同态哈希的用户验证方法，并使用拜占庭协议去除不可靠的用户。Wu等人[13]结合上下文信息和矩阵分解技术协作进行QoS预测，通过考虑服务调用的复杂性, 他们提出的CSMF方法同时对用户到服务和环境到环境的交互进行建模，并充分利用 QoS 数据中的隐式和显式上下文因素。
[0012]随着神经网络和深度学习技术的发展，相关的QOS预测方法也被提出来。Sahu等人[14]融合了基于邻域的和基于神经网络的模型，提出了用于QoS预测的深度神经网络集成方法（EDNN）。其中，两种模型的输出通过另一种不同的神经网络模型进行组合。他们的方法略微由于其他的经典方法。Yin等人[15]在移动边缘环境下对QoS预测的神经网络技术进行了探索，他们提出了几种新技术，包括模糊聚类去噪自动编码器（DAFC）和重组嵌入网络，重点关注如何使用上下文信息以及如何缓解过拟合问题。他们的实验证明了这两种网络结构确实提高了性能并减少了过拟合问题。Gao等人[16]基于神经协同过滤（NCF）和模糊聚类用来预测物联网环境中的QoS。他们设计了一种能够对上下文信息进行聚类的模糊聚类算法，然后提出了一种新的组合相似度计算方法。接下来，设计了一个新的可以利用本地和全局特性的NCF 模型。
[0013]（2）服务质量预测中的隐私保护研究随着人们隐私意识的增强和相关法律法规的健全，大数据时代对隐私的要求更加严格。如欧盟出台了《通用数据保护条例（GDPR）》，该条例的适用范围极为广泛，任何收集、传输、保留或处理涉及到欧盟所有成员国内的个人信息的机构组织均受该条例的约束。如何在不破坏用户隐私的情况下实现预期目标成为了大数据相关技术研究的重点，服务计算领域也不例外。目前有很多研究将各种隐私保护技术用于QoS预测任务中。如Zhu等人[17]设计了一种相似性保持隐私保护策略(SPP)，其目的是在保护用户隐私的同时保持用户数据的效用。同时，他们提出了一种位置感知低秩矩阵分解 (LLMF) 算法用于预测QoS。Zhang等人[28]则然后利用拉普拉斯机制在发布前为用户提供可衡量程度的差异隐私保护，他们提出了DEDP算法来考虑用户偏好和移动性的影响。Zhang等人[19]提出了一种新颖的隐私
Internet of Things Journal, 2019, 7(5): 4532
‑
4542.[17]X. Zhuet al., "Similarity
‑
Maintaining Privacy Preservation and Location
‑
Aware Low
‑
Rank 本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于邻居协作的联邦服务质量预测方法，其特征在于，包括以下步骤：S1：在边缘服务器中生成{i,(a,),(b,),}的任务描述，其中i表示收到该任务的用户，（a，）是i的邻居a的编号id以及其公钥是用户本轮更新所使用的初始权重；S2：用户i使用本地服务质量数据集和接收到的初始权重执行用户服务质量预测的本地模型训练，输出得到本地更新参数；S3：用户i使用邻居协作的隐私保护方式对本地更新参数进行分片为两份权重参数和；S4：用户i将所述两份权重参数和向其所在的社区边缘服务器S上传；S5：所述社区边缘服务器S聚合本社区的所有本地更新，得到社区全局更新参数；S6：所述社区边缘服务器将本社区全局更新参数上传至中心服务器；S7：在确认所有边缘服务器均上传更新后，所述中心服务器更新全局模型参数 并发送至所述社区边缘服务器；S8：所述社区边缘服务器将全局模型参数作为新的全局参数发送至社区内的每个用户；S9：重复S1
‑
S8的操作，直至预测的QoS值达到服务质量预测的准确度要求；S10：向用户进行服务推荐。2.根据权利要求1所述的基于邻居协作的联邦服务质量预测方法，其特征在于，所述S1中还包括步骤：所述边缘服务器对其社区用户进行随机排序，并根据设定的邻居数n执行用户配对。3.根据权利要求2所述的基于邻居协作的联邦服务质量预测方法，其特征在于，所述S3中还包括步骤：用户i使用接收到的任务描述中的公钥和加密两个种子和，然后发送给相应的邻居，用户i使用自己的私钥对这两个秘文解密得到和，与自己发送出去的以及结合后形成双方认可的种子，；得到双方认可的种子后，用户i利用两个种子，生成用于扰动参数的两个随机噪声和，噪声形状与本地更新参数相同，如果用户i...

【专利技术属性】
技术研发人员：许建龙，徐卓，林健，蔡浩，熊智，朱长盛，汪飞，
申请(专利权)人：汕头大学，
类型：发明
国别省市：