基于群智感知的海量服务识别方法研究

发布时间：2025-01-10 22:59

　　随着互联网技术的不断发展以及与之相关的服务规模的不断扩大,具备相同功能属性但不同非功能属性的候选服务不断涌现。这使得用户在构建服务应用的过程中需要面对海量的候选服务集合,这一方面让用户有更多机会去寻找满足自己需求的优质服务,然而另一方面也增加了用户的筛选成本。因此,海量服务场景下的服务识别能否高效准确且满足用户需求就显得至关重要。然而,传统的服务识别方法大多通过利用自上而下或者自下而上这两种服务识别策略制定服务识别指标,从而实现对服务识别工作。然而这一类方法忽略了用户本身的需求与所制定的指标存在差异。同时,现有的识别方法较少关注用户与服务的反馈关系,默认提供反馈的用户都是可信的,导致性能低下的服务被误识别为优质服务,影响服务识别效果。因此,在服务识别系统当中,用户希望系统能够找到真正满足自己需求的优质服务。为了提高服务识别系统的计算效率以及识别质量,本文的主要工作如下:1)从用户角度出发,提出了基于用户需求的面向海量数据的服务识别方法。该方法首先利用BIRCH算法对服务进行初步识别,再利用PSO算法对识别后的服务组进行再次筛选,选出整体性能较优的服务;利用Beth信任模型对用户QoE进行...

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

图2.1群智感知典型体系结构

图2.1群智感知典型体系结构生出的群智感知近年来备受关注。群数据获取模式[54]，随着各种移动和便的普及和广泛使用，群智感知提供了一

图3.1基于用户需求的面向大数据的服务识别方法过程

过对现有工作的调研与分析，现有绝大多数方法存在以下两个不足：服务识别指标过于粗略。理论上说QoS应该是服务识别的唯一指标，但用户真务的真实QoS，而用户期望的QoS和服务真实的QoS往往存在较大差距，导致未必满足用户需求。服务识别缺乏可信监控机制。现有的识别方法较少....

图3.3服务识别方法时间开销比较

我们对于PSO-MapReduce的参数设置如下：惯权重1=0.6，种群最好位置速度权重2=1.5。分析[28]提出的一种将信任与用户偏好相结合的新型多目标5]提出的面向用户需求的RESTful服务发现方法(GOSDSI-BD方法进行对比。量服务场景下的效率问题....

图3.4服务识别方法精度对比

位硕士研究生学位论文第三章基于用户需求的面向海量A方法。结果的效果，我们采用精度和召回率作为评判标准，精果越好。同样在海量服务场景下，我们将服务池中的服1000增加到5000。并且适应度函数阈值fitness0.4图3.5所示：

本文编号：4025556