基于T-QoS感知的服务组合优化研究

发布时间：2017-07-19 23:00

  本文关键词：基于T-QoS感知的服务组合优化研究

  更多相关文章： 可信度 风险预测 AdaBoost算法 服务组合 蚁群算法

【摘要】：随着用户要求的日益增多,单一的服务已经无法满足用户的复杂要求,服务组合技术将现有的分布式的服务,组合成满足用户要求的复合服务。然而如何从大量功能相同而质量不同的服务中构造出既满足用户要求又具有全局最优质量的复合服务,是一个亟待解决的问题。但是,现有的研究成果仍存在以下不足:1)针对服务组合中每个原子服务的选取,只考虑服务的质量,却没有考虑服务的可信度,导致在实际执行时因为恶意服务实体的存在,使得复合服务执行失败。2)现有研究大多以用户角度出发,研究服务的可信度并根据可信度决定是否选择此服务,从而保护用户的利益。但是,却忽略了用户对服务存在的威胁。3)传统服务组合算法未能深入解决陷入局部最优这一问题,致使最终服务组合路径不是最优期望值。针对以上不足,本文提出基于T-QoS感知的服务组合优化算法。所做工作和创新点如下:首先,提出一种基于评价可信度的动态信任评估模型。该模型将服务提供商的服务能力和用户所需求的服务能力分别划分等级,有效解决了服务提供商服务能力动态变化对模型存在的潜在破坏问题。建立了信任度随时间窗变化的动态信任机制,在计算信誉度时,将用户的评价可信度作为其评价证据的可信权重,通过引入评价可信度和评价相似度提高了计算推荐行为可信度的准确率。仿真结果表明,该模型的评估结果更加贴近服务提供商的真实信任度,同时能有效抵御恶意用户的攻击。其次,提出一种基于改进AdaBoost算法的用户风险预测模型。本文将用户风险预测看作一个两类分类的问题,通过历史用户的属性信息预测出新用户有无风险性。为了进行精确的分类,本文采用Adaboost集成算法,此算法通过上一次训练的错误率来调整下一次训练的样本分布,使得下一次训练对于这些错分的样本有更强的鉴别能力,并且给定每个弱分类器一个权值.最后,通过加权投票的方式得到最后的强分类器,从而提高整体的分类效果。考虑到错分代价的存在,对AdaBoost算法进行改进,引入代价敏感方法,将代价敏感矩阵考虑到分类器的构造当中从而产生最小代价的分类器。实验结果表明,本文提出的基于代价敏感的AdaBoost方法比传统分类器有更好的效果,从而有效预测一个新增用户是否存在风险,有效保障服务的安全。最后,提出一种基于T-QoS感知的并行蚁群算法,将服务的可信度作为服务质量的权重,得到每个服务的可信质量T-QoS,使得服务组合能够在可信的环境中进行。通过建立基于每个服务的T-QoS初始化信息素矩阵,从而减少了蚁群的初始搜索时间。通过修改信息素的更新规则,并引入两个群体从不同角度并行搜索,避免陷入局部最优组合解,从而快速找到全局最优组合解。实验表明,该算法在寻得高质量服务组合的同时提高了服务运行成功率,并且收敛速度及最优组合解的精确度都有所提高。
【关键词】：可信度 风险预测 AdaBoost算法 服务组合 蚁群算法
【学位授予单位】：南京邮电大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP393.09
【目录】：

• 摘要4-6
• Abstract6-10
• 第一章 绪论10-16
• 1.1 研究背景10-11
• 1.2 研究现状11-13
• 1.2.1 信任机制研究现状11-12
• 1.2.2 服务组合研究现状12-13
• 1.3 研究意义13-14
• 1.4 课题来源14
• 1.5 研究内容及章节安排14-16
• 第二章 背景知识介绍16-20
• 2.1 信任模型16-17
• 2.2 蚁群算法17-18
• 2.3 基于代价敏感的AdaBoost算法18-19
• 2.4 本章小结19-20
• 第三章 基于评价可信度的动态信任评估模型20-32
• 3.1 问题分析20
• 3.2 基于评价可信度的信任评估模型20-27
• 3.2.1 模型的相关定义20-22
• 3.2.2 模型的架构图22-24
• 3.2.3 直接交易信任度计算模块24-26
• 3.2.4 信誉度计算模块26-27
• 3.2.5 推荐信任度计算模块27
• 3.3 仿真实验分析27-30
• 3.3.1 针对是否划分能力等级的仿真实验28-29
• 3.3.2 针对用户实体SC评价可信度的仿真实验29-30
• 3.3.3 针对抵御恶意用户攻击能力的仿真实验30
• 3.4 本章小结30-32
• 第四章 基于改进AdaBoost算法的云用户风险预测模型32-40
• 4.1 问题分析32
• 4.2 模型的架构图32-34
• 4.3 基于代价敏感的AdaBoost算法34-37
• 4.3.1 AdaBoost算法34-35
• 4.3.2 代价敏感35-37
• 4.4 仿真实验37-39
• 4.4.1 数据集37
• 4.4.2 度量方法37-38
• 4.4.3 实验设置38
• 4.4.4 结果分析38-39
• 4.5 本章小结39-40
• 第五章 基于T-QoS感知的并行蚁群算法服务组合40-50
• 5.1 问题分析40-41
• 5.2 问题描述41-42
• 5.3 基于T-QoS感知的并行蚁群算法42-45
• 5.3.1 初始信息素的分布规则42-43
• 5.3.2 状态转移概率规则43
• 5.3.3 信息素更新规则43-44
• 5.3.4 并行的搜索规则44-45
• 5.4 仿真实验45-48
• 5.4.1 收敛时间比较46-47
• 5.4.2 最优服务组合解成功执行率比较47
• 5.4.3 最优服务组合解性能比较47-48
• 5.5 本章小结48-50
• 第六章 基于T-QoS感知的服务组合原型系统实现50-55
• 6.1 原型系统结构图50-51
• 6.2 原型系统流程分析51-52
• 6.3 原型系统实现52-54
• 6.4 本章小结54-55
• 第七章 总结与展望55-57
• 7.1 总结55-56
• 7.2 展望56-57
• 参考文献57-60
• 附录1 攻读硕士学位期间撰写的论文60-61
• 附录2 攻读硕士学位期间参加的科研项目61-62
• 致谢62

【相似文献】

中国期刊全文数据库 前10条

1 林志阳;康耀红;雷景生;;基于Adaboost的车标定位方法[J];计算机工程;2008年11期

2 张磊;;基于AdaBoost的侧面人脸、人耳检测[J];科学大众;2008年08期

3 付忠良;;关于AdaBoost有效性的分析[J];计算机研究与发展;2008年10期

4 张岗亭;杨全;;两种Adaboost方法在人脸检测中的比较研究[J];微计算机信息;2009年24期

5 严超;王元庆;李久雪;张兆扬;;AdaBoost分类问题的理论推导[J];东南大学学报(自然科学版);2011年04期

6 李印;;基于AdaBoost的行人检测研究与实现[J];数字技术与应用;2012年03期

7 苏加强;丁柳云;;基于R的监督式AdaBoost异常值检测应用[J];淮海工学院学报(自然科学版);2013年01期

8 张志勋;张磊;杨凡;;一种改进的Adaboost人脸检测方法[J];自动化与仪器仪表;2013年06期

9 王海川,张立明;一种新的Adaboost快速训练算法[J];复旦学报(自然科学版);2004年01期

10 赵江,徐鲁安;基于AdaBoost算法的目标检测[J];计算机工程;2004年04期

中国重要会议论文全文数据库 前10条

1 Wen Feng;;A Novel Lips Detection Method Combined Adaboost Algorithm and Camshift Algorithm[A];2012年计算机应用与系统建模国际会议论文集[C];2012年

2 张超;苗振江;;基于AdaBoost的面部信息感知[A];第十三届全国信号处理学术年会（CCSP-2007）论文集[C];2007年

3 郭翌;汪源源;;基于Adaboost算法的颈动脉粥样硬化判别方法[A];中国仪器仪表学会第十一届青年学术会议论文集[C];2009年

4 张红梅;高海华;王行愚;;抑制样本噪声的AdaBoost算法及其在入侵检测中的应用[A];2007年中国智能自动化会议论文集[C];2007年

5 陆文聪;钮冰;金雨欢;;基于AdaBoost算法的亚细胞位置预测[A];中国化学会第26届学术年会化学信息学与化学计量学分会场论文集[C];2008年

6 陈宏伟;刘建伟;费向东;;一种半监督环境下的Adaboost算法[A];2008'中国信息技术与应用学术论坛论文集（二）[C];2008年

7 唐晓丹;苗振江;;基于AdaBoost和粒子滤波的目标跟踪[A];第十四届全国图象图形学学术会议论文集[C];2008年

8 张彬;金连文;;基于AdaBoost的手写体汉字相似字符识别[A];第二十六届中国控制会议论文集[C];2007年

9 ;Using Skin Color and HAD-AdaBoost Algorithm for Face Detection in Color Images[A];Information Technology and Computer Science—Proceedings of 2012 National Conference on Information Technology and Computer Science[C];2012年

10 肖磊;李丽;肖佳文;;基于AdaBoost-SVM的上市公司信用风险评估[A];2012管理创新、智能科技与经济发展研讨会论文集[C];2012年

中国博士学位论文全文数据库 前3条

1 刘冲;模拟电路故障诊断AdaBoost集成学习方法研究[D];大连海事大学;2011年

2 张太宁;人眼注视点估计方法的研究[D];南开大学;2013年

3 赵培英;基于智能计算的膜蛋白结构与相互作用预测研究[D];东华大学;2010年

中国硕士学位论文全文数据库 前10条

1 皮丽琴;基于AdaBoost-GASVM算法和LDA主题模型的短文本分类研究[D];华南理工大学;2015年

2 孙斌;一种基于Adaboost的实时行人检测算法[D];华南理工大学;2015年

3 蔡泽彬;基于视频分析的行人检测及统计方法研究[D];华南理工大学;2015年

4 游晴;Adaboost人脸检测算法研究及其在硬件平台上的实现[D];昆明理工大学;2015年

5 宋雨;基于视觉图片的脑—机接口控制研究[D];天津理工大学;2015年

6 林欣;基于改进肤色模型的AdaBoost人脸检测算法研究[D];陕西科技大学;2015年

7 袁浩杰;Adaboost算法的并行化及其在目标分类中的应用[D];华南理工大学;2015年

8 张恒;基于近红外图像的疲劳驾驶检测研究与系统实现[D];长安大学;2015年

9 朱非易;基于不平衡学习的蛋白质—维生素绑定位点预测研究[D];南京理工大学;2015年

10 张元;一种基于AdaBoost的组合分类算法研究[D];四川师范大学;2015年

，

本文编号：565164