Web服务QoS自适应预测方法研究

发布时间：2017-03-25 06:12

  本文关键词：Web服务QoS自适应预测方法研究，由笔耕文化传播整理发布。

【摘要】：由于网络环境的开放性、服务自身负载的波动性、用户需求的不确定性等复杂易变的环境因素,导致Web服务的服务质量(Quality of service,QoS)呈现出高度的动态性,并且QoS是制约服务选择及组合成败的关键性要素,如何准确地预测服务的QoS已成为服务计算与云计算领域亟需解决的关键问题。用户使用服务场景的多样性、Web服务QoS数据丰富程度的差异性以及QoS预测方法自身的局限性等因素的影响,使得实现多种情景下Web服务QoS的高效预测成为当今研究的重点。针对多情景中Web服务QoS高效预测这一问题,本文构建了Web服务QoS自适应预测模型(Web service QoS adaptive prediction model,WS-QoSAPM)。该模型将QoS预测分为即时QoS预测和一段时间之后的QoS预测,分别实现了不同场景中QoS预测方法的研究。本文研究内容如下:1.在即时QoS预测中,提出了基于改进蜂群算法(Improved artificial bee colony,I-ABC)优化的支持向量机(Optimized Support vector machine,O-SVM)和事例推理(Case-based reasoning,CBR)的Web服务QoS预测方法。根据实验结果构建了QoS自适应预测策略:在QoS数据量不充分时,选用CBR策略完成QoS预测;当QoS数据较为丰富时,采用O-SVM对QoS进行预测。2.针对一段时间之后的QoS预测,提出了基于O-SVM+CBR和O-SVM+O-SVM的QoS预测方法。其中,O-SVM+CBR方法使用O-SVM方法实现负载的预测,然后基于CBR方法完成QoS预测;在O-SVM+O-SVM方法中,同样使用O-SVM方法完成负载的预测,然后基于O-SVM方法对QoS进行预测。通过实验分析得到了自适应预测策略:当QoS数据较少时,选择基于O-SVM+CBR算法的QoS预测方法;当QoS数据较为丰富时,选取基于O-SVM+O-SVM策略的QoS预测方法。3.结合上述研究成果,提出了WS-QoSAPM,实现在不同的应用场景中,依据QoS数据量的丰富与否,选取最优的预测方法。本文提出的Web服务QoS自适应预测模型能够针对不同的用户需求和QoS数据特征自适应地采用最为合适的QoS预测方法,有效提升了多情景下Web服务QoS预测的效率,能够为QoS感知的Web服务选择与服务组合提供有效的支持。
【关键词】：Web服务 QoS自适应预测 I-ABC CBR O-SVM
【学位授予单位】：河南理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP393.09
【目录】：

• 致谢4-5
• 摘要5-7
• Abstract7-12
• 1 绪论12-22
• 1.1 课题研究背景及意义12-13
• 1.1.1 研究背景12-13
• 1.1.2 课题研究意义13
• 1.2 国内外研究状况及分析13-18
• 1.2.1 自适应思想研究现状13-15
• 1.2.2 Web服务QoS预测现状15-18
• 1.3 课题主要研究内容及路线18-19
• 1.4 本文组织结构19-20
• 1.5 本章小结20-22
• 2 理论基础与相关方法22-38
• 2.1 Web服务相关概念22-26
• 2.1.1 Web服务的定义22
• 2.1.2 Web服务的技术规范22-24
• 2.1.3 Web服务的体系架构24-25
• 2.1.4 Web服务的QoS25-26
• 2.2 支持向量机26-31
• 2.2.1 支持向量机回归的基本原理27-29
• 2.2.2 核函数29-30
• 2.2.3 参数优化30-31
• 2.3 事例推理技术31-35
• 2.3.1 事例推理的基本原理31-32
• 2.3.2 事例的表示32-33
• 2.3.3 事例的组织与索引33
• 2.3.4 事例的检索33-34
• 2.3.5 事例的修正34
• 2.3.6 事例的学习与更新34-35
• 2.4 人工蜂群算法35-36
• 2.5 本章小结36-38
• 3 Web服务QoS即时预测方法研究38-58
• 3.1 基于O-SVM的Web服务QoS即时预测方法38-45
• 3.1.1 基于I-ABC的支持向量机参数优化39-43
• 3.1.2 基于O-SVM的Web服务QoS即时预测算法43-45
• 3.2 基于CBR的Web服务QoS即时预测方法45-49
• 3.2.1 基于CBR的QoS预测方法构建45-47
• 3.2.2 基于CBR的Web服务QoS即时预测算法47-49
• 3.3 实验及结论49-56
• 3.3.1 实验平台的搭建49-50
• 3.3.2 O-SVM中关键参数对预测结果影响的分析50-54
• 3.3.3 CBR中最佳相似历史事例数目的确定54
• 3.3.4 Web服务QoS即时预测的自适应策略54-56
• 3.4 本章小结56-58
• 4 一段时间之后的Web服务QoS预测方法研究58-68
• 4.1 基于O-SVM+CBR的Web服务QoS预测方法58-61
• 4.1.1 基于O-SVM+CBR的Web服务QoS动态预测模型58-59
• 4.1.2 基于O-SVM的Web服务负载预测算法59-60
• 4.1.3 基于O-SVM+CBR的Web服务QoS预测流程60-61
• 4.2 基于O-SVM+O-SVM的QoS预测方法61-63
• 4.3 实验及结论63-66
• 4.3.1 Web服务负载的预测63-64
• 4.3.2 Web服务QoS的预测64-66
• 4.4 本章小结66-68
• 5 Web服务QoS自适应预测模型68-72
• 5.1 Web服务QoS自适应预测模型68-70
• 5.2 本章小结70-72
• 6 总结与展望72-74
• 6.1 论文总结72
• 6.2 展望72-74
• 参考文献74-80
• 作者简历80-82
• 学位论文数据集82

【相似文献】

中国期刊全文数据库 前4条

1 李力;沈冰;李荣峰;赵长森;;水电站入库径流量的灰色自记忆预测方法研究[J];应用科学学报;2007年02期

2 蒋官澄;张卫行;吴雄军;王晓军;;一种新的油层敏感性预测方法研究[J];计算机仿真;2011年09期

3 胥少卿;罗强一;梁帅;;区间型时间序列数据的点预测方法研究[J];系统仿真学报;2010年03期

4 ;[J];;年期

中国重要会议论文全文数据库 前3条

1 毛国敏;邹其嘉;顾建华;封长华;;地震人员伤亡预测方法研究及其应用[A];中国地震学会第六次学术大会论文摘要集[C];1996年

2 彭晨蕊;高斌;刘星;郭渊明;;城市规划中的需水量预测方法研究[A];规划创新：2010中国城市规划年会论文集[C];2010年

3 胡敏;赵春标;;基于神经网络的工业经济预测方法研究[A];2011下一代自动测试系统学术研讨会论文集[C];2011年

中国硕士学位论文全文数据库 前7条

1 李永耀;基于全矢-AR模型的旋转机械故障趋势预测方法研究[D];郑州大学;2015年

2 杨瑜;Web服务QoS自适应预测方法研究[D];河南理工大学;2015年

3 李永;城市空间动态预测方法研究[D];山东师范大学;2010年

4 彭彪;基于神经网络的汇率预测方法研究[D];南京信息工程大学;2008年

5 汪惠;基于小波的企业管理预测方法研究[D];北京工业大学;2003年

6 贾雪;基于EMD-ESN的智能预测方法研究[D];郑州大学;2013年

7 刘文富;快速响应客户需求的订单交货期预测方法研究[D];浙江大学;2006年

  本文关键词：Web服务QoS自适应预测方法研究，，由笔耕文化传播整理发布。

本文编号：266777