基于服务质量预测的云服务推荐研究

发布时间：2020-06-25 22:21

【摘要】：云计算的弹性服务模式深受业界好评,也造就了云服务市场的繁荣。日积月累,云服务市场充斥着海量且功能几近相同,但服务质量(QoS)却天差地别的云服务。用户经常需要在海量且同质化严重的云服务中做抉择。推荐系统是解决这类信息过载问题首选的技术方案。因此,立足于QoS,借助推荐技术,从用户角度向用户主动推荐一组有序云服务集合是进行服务推荐行之有效的方法。服务推荐饱受QoS信息稀疏的困扰,造成该现状的原因主要来自于云服务的特性。基于用户角度对缺失QoS信息进行预测,补全QoS信息是有助于提高服务推荐准确率的重要工作。为达到产生有序云服务集合的目的,服务推荐需要对当前候选云服务进行排名。而在排名时,传统只关注QoS的单一属性。但QoS是一组多维度指标,因此在排名时加入QoS多属性,能满足用户对于云服务的综合偏好。综合以上分析,本文基于用户体验进行服务推荐研究。首先针对单维缺失QoS预测问题,提出NearestGraph方法,完成补全单维QoS信息的目标。然后在此基础上,根据稠密的QoS信息,结合QoS多属性的特点,提出Multi-Ranking方法,达到服务推荐满足用户综合偏好的效果。本文主要工作归纳为以下两方面:(1)基于QoS单维属性的缺失值预测研究。本文根据云服务市场中用户和云服务这两类角色所处状态稳定与否出发,使用QoS指标衡量角色的状态,提出角色稳定度的概念。本文在基于内存的协同过滤算法基础上,利用图结构暴露云服务市场中角色的内部联系,通过扩展最近邻图融入角色稳定度,至此本文提出了 NearestGraph算法。实验结果也证实了 NearestGraph算法的有效性,契合了算法提出的初衷,对于不稳定的角色,预测缺失值精度更高。(2)基于QoS多维属性的云服务排名研究。本文通过比较统计学中关于排名相似度的计算指标,分析当前KRCC的不足,结合当前云服务市场的特点,给出改进的SRCC计算公式。在满足用户对于云服务非功能性综合需求时,本文加入QoS多属性的特点,对现有的选择用户近邻的方法进行改进。至此本文提出了 Multi-Ranking算法。实验部分通过对比现有的云服务排名算法,验证了本文提出的Multi-Ranking算法的有效性,并对性能的提升进行了分析,佐证了改进SRCC的有效性。
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP393.09;TP391.3
【图文】：

图１－２云服务市场结构逡逑Ｆｉｇｕｒｅ邋１－２邋Ｃｌｏｕｄ邋Ｓｅｒｖｉｃｅ邋Ｍａｒｋｅｔｐｌａｃｅ邋Ａｒｃｈｉｔｅｃｔｕｒｅ逡逑

图１－３混合结构逡逑．Ｆｉｇｕｒｅ邋１－３邋Ｈｙｂｒｉｄ邋Ａｒｃｈｉｔｅｃｔｕｒｅ逡逑

【参考文献】

相关博士学位论文 前1条

1 张雪洁;基于QoS的个性化云服务推荐方法研究[D];南京航空航天大学;2015年

相关硕士学位论文 前6条

1 方晨;基于服务质量的云服务选取与推荐技术研究[D];战略支援部队信息工程大学;2018年

2 李涛;基于排名的云服务推荐的研究与优化[D];北京交通大学;2018年

3 王泽源;考虑用户满意度的云服务排序推荐方法研究[D];合肥工业大学;2018年

4 李建丽;混合云环境下多目标优化的云资源调度研究[D];北京交通大学;2017年

5 王少伟;融合用户兴趣与服务质量的Mashup服务推荐方法研究[D];湖南科技大学;2015年

6 黄云;基于QoS的云服务评价模型及应用的研究[D];浙江工商大学;2013年

本文编号：2729403