基于张量非负隐特征分解的时变感知QoS预测方法研究
发布时间：2021-07-20 19:51
服务质量（Quality of Service,简称QoS）在网络服务中通常是衡量网络服务性能的一个重要评定标准。当判断一个网络服务在一个指定的时间点是否适合一个用户调用一个指定服务时,对含有丰富信息的历史QoS数据进行数据挖掘和数据分析,并基于这些隐藏信息对未知的时变感知QoS数据进行预测就显得格外重要。目前,基于张量的非负隐特征分解（Non-negative Latent Factorization of Tensors,简称NLFT）算法是获取时变感知QoS数据中隐藏的时序信息最优质的方法。它利用三维张量建模有效地表达出用户-服务-时间三者的关系,并通过操纵学习算法的学习率取消迭代过程中的负项,构建依赖于单元素的张量非负乘法更新（SingleLatent Factor-dependent,Non-negative and Multiplicative Update on Tensors,简称:SLF-NMUT）规则。SLF-NMUT学习规则非负约束学习算法的决策参数,让时变感知QoS缺失值预测具备非负特性的实际意义。然而该学习规则容易导致算法在寻优过程中的学习步长不可控,让算法在...
【文章来源】：西华师范大学四川省
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
不同地域和时域的用户调用网络服务Figure1-1Usersinvokewebservicesunderdifferentareasandtimepoints基于上述分析，为网络服务提供个性化的QoS信息对于服务供应商进行服务
定的用户，每一列表示特定的服务，每一项表示特定服务上的特定用户产生的历史QoS记录[13-14,20-23]。由于在实际应用程序中，每个用户通常只接触候选服务中的有限子集，每个服务也不能被所有用户访问，因此得到的这个用户-服务矩阵充满了大量未知项，导致QoS矩阵极其稀疏。其次，该用户-服务矩阵涵盖了庞大的用户集和服务集之间的相互关系，因此该QoS矩阵还具备超高维性。为了准确地描述具有高维性和稀疏性的QoS矩阵，高维稀疏（HighDimensionalandSparse：简称HiDS）矩阵常用于表述碎片化的QoS数据中实体之间的复杂关系，如图1-2所示。图1-2用户-服务矩阵Figure1-2User-serviceMatrix基于LFA的QoS预测器将HiDS矩阵中的QoS数据条目作为数据源，对目标用户-服务矩阵建立低秩近似：1）将用户和服务映射到相同的低维隐特征空间；2）
第2章张量非负隐特征分解方法概述7第2章张量非负隐特征分解方法概述本章主要介绍张量建模以及张量CP分解方法的基本原理，通过对模型非负限定约束，构建NLFT模型。2.1NLFT模型介绍2.1.1构建时变感知QoS张量模型当执行时变感知QoS预测时，一个用户-服务-时间张量常被视为基础的输入数据源。由于QoS数据被定义在实数的非负领域，因此这个张量是被非负数据所填充，如图2-1所示。图2-1用户-服务-时间的QoS张量Figure2-1User-Service-TimeQoStensor正如第一章所述，一个QoS张量通常是HiDS的，它包含了大量未观察到的QoS数据，因此我们将目标张量定义如下：定义1（HiDS的用户-服务-时间张量）：I、J和K分别表示QoS数据中的用户、服务和时间集合，定义用户-服务-时间的目标张量为Y|I||J||K|，张量Y|I||J||K|中的每个元素yijk表示用户i在k时刻请求第j个服务时所产生的QoS数据，其中i∈I，j∈J，k∈K。当张量Y中的已知元素集合Λ远远小于未知元素集合Γ，则张量Y是HiDS的。为了抽取张量Y中的隐特征，本文采用CP分解将张量Y分解为R个秩一张量：A1，A2，A3，…，AR，R为目标张量Y中所需要的最少秩一张量的个数。定义2（秩一张量）：Ar|I||J||K|表示一个秩一张量，它被表述为三个隐特征向量ur，sr和tr的外积：Ar=ursrtr，其中r∈R。ur，sr和tr的长度分别为|I|，|J|和|K|，通过展开它们的外积，我们得到秩一张量Ar中的元素aijk的详细表达如下：ijkirjrkraust（2-1）
【参考文献】：
期刊论文
[1]Randomized Latent Factor Model for High-dimensional and Sparse Matrices from Industrial Applications[J]. Mingsheng Shang,Xin Luo,Zhigang Liu,Jia Chen,Ye Yuan,MengChu Zhou. IEEE/CAA Journal of Automatica Sinica. 2019(01)
[2]Toward Cloud Computing QoS Architecture:Analysis of Cloud Systems and Cloud Services[J]. Mohammad Hossein Ghahramani,MengChu Zhou,Chi Tin Hon. IEEE/CAA Journal of Automatica Sinica. 2017(01)
[3]Cloud Control Systems[J]. Yuanqing Xia. IEEE/CAA Journal of Automatica Sinica. 2015(02)
[4]基于全局QoS约束分解的Web服务动态选择[J]. 王尚广,孙其博,杨放春. 软件学报. 2011(07)
[5]一种Web Service的服务质量预测方法[J]. 邵凌霜,周立,赵俊峰,谢冰,梅宏. 软件学报. 2009(08)
[6]一种可扩展的Web Service QoS管理框架[J]. 邵凌霜,李田,赵俊峰,王亚沙,谢冰,梅宏. 计算机学报. 2008(08)
本文编号：3293478
【文章来源】：西华师范大学四川省
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
不同地域和时域的用户调用网络服务Figure1-1Usersinvokewebservicesunderdifferentareasandtimepoints基于上述分析，为网络服务提供个性化的QoS信息对于服务供应商进行服务
定的用户，每一列表示特定的服务，每一项表示特定服务上的特定用户产生的历史QoS记录[13-14,20-23]。由于在实际应用程序中，每个用户通常只接触候选服务中的有限子集，每个服务也不能被所有用户访问，因此得到的这个用户-服务矩阵充满了大量未知项，导致QoS矩阵极其稀疏。其次，该用户-服务矩阵涵盖了庞大的用户集和服务集之间的相互关系，因此该QoS矩阵还具备超高维性。为了准确地描述具有高维性和稀疏性的QoS矩阵，高维稀疏（HighDimensionalandSparse：简称HiDS）矩阵常用于表述碎片化的QoS数据中实体之间的复杂关系，如图1-2所示。图1-2用户-服务矩阵Figure1-2User-serviceMatrix基于LFA的QoS预测器将HiDS矩阵中的QoS数据条目作为数据源，对目标用户-服务矩阵建立低秩近似：1）将用户和服务映射到相同的低维隐特征空间；2）
第2章张量非负隐特征分解方法概述7第2章张量非负隐特征分解方法概述本章主要介绍张量建模以及张量CP分解方法的基本原理，通过对模型非负限定约束，构建NLFT模型。2.1NLFT模型介绍2.1.1构建时变感知QoS张量模型当执行时变感知QoS预测时，一个用户-服务-时间张量常被视为基础的输入数据源。由于QoS数据被定义在实数的非负领域，因此这个张量是被非负数据所填充，如图2-1所示。图2-1用户-服务-时间的QoS张量Figure2-1User-Service-TimeQoStensor正如第一章所述，一个QoS张量通常是HiDS的，它包含了大量未观察到的QoS数据，因此我们将目标张量定义如下：定义1（HiDS的用户-服务-时间张量）：I、J和K分别表示QoS数据中的用户、服务和时间集合，定义用户-服务-时间的目标张量为Y|I||J||K|，张量Y|I||J||K|中的每个元素yijk表示用户i在k时刻请求第j个服务时所产生的QoS数据，其中i∈I，j∈J，k∈K。当张量Y中的已知元素集合Λ远远小于未知元素集合Γ，则张量Y是HiDS的。为了抽取张量Y中的隐特征，本文采用CP分解将张量Y分解为R个秩一张量：A1，A2，A3，…，AR，R为目标张量Y中所需要的最少秩一张量的个数。定义2（秩一张量）：Ar|I||J||K|表示一个秩一张量，它被表述为三个隐特征向量ur，sr和tr的外积：Ar=ursrtr，其中r∈R。ur，sr和tr的长度分别为|I|，|J|和|K|，通过展开它们的外积，我们得到秩一张量Ar中的元素aijk的详细表达如下：ijkirjrkraust（2-1）
【参考文献】：
期刊论文
[1]Randomized Latent Factor Model for High-dimensional and Sparse Matrices from Industrial Applications[J]. Mingsheng Shang,Xin Luo,Zhigang Liu,Jia Chen,Ye Yuan,MengChu Zhou. IEEE/CAA Journal of Automatica Sinica. 2019(01)
[2]Toward Cloud Computing QoS Architecture:Analysis of Cloud Systems and Cloud Services[J]. Mohammad Hossein Ghahramani,MengChu Zhou,Chi Tin Hon. IEEE/CAA Journal of Automatica Sinica. 2017(01)
[3]Cloud Control Systems[J]. Yuanqing Xia. IEEE/CAA Journal of Automatica Sinica. 2015(02)
[4]基于全局QoS约束分解的Web服务动态选择[J]. 王尚广,孙其博,杨放春. 软件学报. 2011(07)
[5]一种Web Service的服务质量预测方法[J]. 邵凌霜,周立,赵俊峰,谢冰,梅宏. 软件学报. 2009(08)
[6]一种可扩展的Web Service QoS管理框架[J]. 邵凌霜,李田,赵俊峰,王亚沙,谢冰,梅宏. 计算机学报. 2008(08)
本文编号：3293478
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3293478.html
