基于核心组件辨识的服务系统可靠性预测研究
发布时间：2021-06-11 03:34
基于SOA架构的服务系统能够将服务集成起来满足用户需要。但服务系统是松散耦合的软件应用,它运行在动态变化的网络环境中,其可靠性会因为位置、通信链路等外部原因以及服务自身内部原因发生波动。预测服务系统的可靠性能提前了解系统可靠性状态,从而预防突发情况发生,确保服务系统稳定运行。因此,在服务计算领域,服务系统的可靠性预测已成为研究热点。目前服务系统可靠性预测方法大都研究如何提高预测的准确性,但忽略了可靠性预测具有较强的时效性。本文对服务系统可靠性预测进行深入研究,目的是在提高服务系统可靠性预测准确性同时能提高预测效率,从而保证服务系统稳定性。本文在对服务系统可靠性预测方法进行分析总结的基础上,提出了一个基于核心组件辨识的服务系统可靠性预测框架。重点研究了服务系统核心组件辨识方法和服务系统可靠性预测方法。提出了基于改进加权LeaderRank算法的核心组件辨识方法,该方法通过综合考虑服务依赖关系、服务热度和服务传播能力等因素,依据服务系统组件的重要性辨识出核心组件,提高了组件辨识的准确性。在服务系统可靠性预测过程中,首先提出了基于Attention-LSTM神经网络的服务系统组件可靠性预测模...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
图２．１中，服务注册中心是服务请求者与服务提供者的中介，服务提供者可以使??用ＷＳＤＬ描述Ｗｅｂ服务的功能，将服务根据ＵＤＤＩ规范在注册中心里注册，注册中心??
中具有记忆性，它形成记忆的原因在于网络的隐藏层节点之间是连接??的，其隐藏层不是仅对当前输入的数据进行计算，而是将上一时刻隐藏层的输出和当前??的输入共同作为该时刻隐藏层的输入。利用记忆特性，循神经网络能更好挖掘并利用??时序数据特征。循环神经网络隐藏层展开图如下所示。??〇??？?〇Ｍ?〇ｔ?０ｔ＋丨??Ａ?个个个??ｙ?Ｖ?Ｖ?Ｖ??ｈＣ〇?＾?＾〇－￣￣＂〇－＂Ｏ－－??ｗ?ｗ?ｗ?ｗ??ｕ??ｕ?ｕ?ｕ??ｘ?Ｘｔ－１?ｘｔ?Ｘｔ＋ｌ??图２．?２循环神经网络结构展幵图??Ｆｉｇ．?２．２?ＲＮＮ?ｓｔｒｕｃｔｕｒｅ?ｅｘｐａｎｓｉｏｎ?ｄｉａｇｒａｍ??如图２．２所示的循环神经网络展开结构中，／－Ａ?＋?／为时间序列，ｘ为当前时刻??的输入信息，Ｆ为上一时刻隐藏层输入的权重，Ｖ为当前时刻输入样本的权甫，＾为输??出信息的权重。根据展开图可以看出当前时刻隐含层的输入为丨：时刻隐禽Ｕ的输出和??１１??
?基于核心组件辨识的服务系统可靠性预测研究???魯＃魯豢？攀鲁參參??？?’螓?縿鏺＇■麟??？?’?．?：５?＿?？＇馨＃??？＊，Ｖ??图４．?５出行服务系统服务依赖图??Ｆｉｇ．?４．５?ＳＤＧＳ?ｏｆ?ｔｒａｖｅｌ?ｓｅｎｄｅｅ－ｏｒｉｅｎｔｅｄ?ｓｙｓｔｅｍｓ??４．?５．?２实验对比与分析??（１）出行服务系统组件结构、功能重要性度量分析??出行服务系统ＳＤＧＳ节点的结构重要性能说明该组件与其他组件间依赖关系，结构??重要性是影响组件重要性排名的一个重要因素［４７］。本节使用度中心性［４８］、中介中心性［４９］、??紧密中心性［５Ｑ］三个指标度量出行服务系统ＳＤＧＳ节点结构重要性。其中度值分布如图??４．６所示，中介中心性值分布如图４．７所示，紧密中心性值分布如图４．８所示。??０．５?■??０?「ｗ．—ｔ?「■?—?．．ｉ?１?ｒ￣—｜?１?１?［?］?１?１—ｉ?１?１?１；—｜?ｊ?１?１?１?ｊ?１?１?：?１?，??１?２?３?４?５?６?７?８?９?１０?１１?１２?１３?１４?１５?１６?１７?１８?１９?２０?２１?２２?２３?２４?２５?２６?２７?２８??服务节点编号??图４．?６出行服务系统节点度值分布图??Ｆｉｇ．?４．６?Ｎｏｄｅ?ｄｅｇｒｅｅ?ｖａｌｕｅ?ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ?ｔｒａｖｅｌ?ｓｅｍｃｅ－ｏｒｉｅｎｔｅｄ?ｓｙｓｔｅｍｓ??－３２－??
【参考文献】：
期刊论文
[1]基于双记忆注意力的方面级别情感分类模型[J]. 曾义夫,蓝天,吴祖峰,刘峤. 计算机学报. 2019(08)
[2]基于加权LeaderRank的用户社交网络排序算法[J]. 孙连,李书琴,刘斌. 计算机工程. 2019(10)
[3]融合注意力机制和CNN-GRNN模型的读者情绪预测[J]. 张琦,彭志平. 计算机工程与应用. 2018(13)
[4]数据服务依赖图模型及自动组合方法研究[J]. 张元鸣,叶成龙,黄浪游,陆佳炜,徐俊,肖刚. 小型微型计算机系统. 2018(03)
[5]一种基于h指数变体的软件网络节点重要性度量方法[J]. 丁沂,李兵,程璨,赵玉琦. 工程科学与技术. 2017(04)
[6]基于软件节点重要性的集成测试序列生成方法[J]. 王莹,于海,朱志良. 计算机研究与发展. 2016(03)
[7]一种面向度中心性及重叠网络社区的发现算法[J]. 刘井莲,王大玲,赵卫绩,冯时,张一飞. 计算机科学. 2016(03)
[8]一种基于Sketch的Top-k紧密中心性快速搜索算法[J]. 邵蓥侠,崔斌,马林,阴红志. 计算机学报. 2016(10)
[9]基于服务关系图的Web服务组合算法[J]. 袁玉倩,杨洁,薛桂香,于洋,阎刚. 计算机应用与软件. 2015(06)
[10]基于ARIMA与WASDN加权组合的时间序列预测[J]. 张雨浓,劳稳超,丁玮翔,王英,叶成绪. 计算机应用研究. 2015(09)
博士论文
[1]Web服务组合的可靠性预测研究[D]. 钟读杭.国防科学技术大学 2007
硕士论文
[1]基于深度信念网络的服务可靠性预测方法研究[D]. 邱志国.东南大学 2018
[2]基于深度学习的自然场景图像文本检测[D]. 黄家冕.西安电子科技大学 2018
[3]基于微博互连的高校知识网络结构及影响力研究[D]. 王旭.华中师范大学 2018
[4]基于网络模型的复杂机电系统关键部件辨识方法[D]. 王淑君.北京交通大学 2017
[5]复杂软件系统中类影响力排序方法[D]. 李晓春.大连海事大学 2016
[6]CA-CCML语言描述的Web服务组合模型执行研究[D]. 孙柏东.大连海事大学 2016
[7]Web服务可靠性预测研究[D]. 钱珺.南京邮电大学 2015
[8]服务组件依赖关系求解与应用的研究[D]. 赵大香.山东大学 2014
[9]Web服务可靠性若干关键问题研究[D]. 赵实.南京大学 2011
本文编号：3223724
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
图２．１中，服务注册中心是服务请求者与服务提供者的中介，服务提供者可以使??用ＷＳＤＬ描述Ｗｅｂ服务的功能，将服务根据ＵＤＤＩ规范在注册中心里注册，注册中心??
中具有记忆性，它形成记忆的原因在于网络的隐藏层节点之间是连接??的，其隐藏层不是仅对当前输入的数据进行计算，而是将上一时刻隐藏层的输出和当前??的输入共同作为该时刻隐藏层的输入。利用记忆特性，循神经网络能更好挖掘并利用??时序数据特征。循环神经网络隐藏层展开图如下所示。??〇??？?〇Ｍ?〇ｔ?０ｔ＋丨??Ａ?个个个??ｙ?Ｖ?Ｖ?Ｖ??ｈＣ〇?＾?＾〇－￣￣＂〇－＂Ｏ－－??ｗ?ｗ?ｗ?ｗ??ｕ??ｕ?ｕ?ｕ??ｘ?Ｘｔ－１?ｘｔ?Ｘｔ＋ｌ??图２．?２循环神经网络结构展幵图??Ｆｉｇ．?２．２?ＲＮＮ?ｓｔｒｕｃｔｕｒｅ?ｅｘｐａｎｓｉｏｎ?ｄｉａｇｒａｍ??如图２．２所示的循环神经网络展开结构中，／－Ａ?＋?／为时间序列，ｘ为当前时刻??的输入信息，Ｆ为上一时刻隐藏层输入的权重，Ｖ为当前时刻输入样本的权甫，＾为输??出信息的权重。根据展开图可以看出当前时刻隐含层的输入为丨：时刻隐禽Ｕ的输出和??１１??
?基于核心组件辨识的服务系统可靠性预测研究???魯＃魯豢？攀鲁參參??？?’螓?縿鏺＇■麟??？?’?．?：５?＿?？＇馨＃??？＊，Ｖ??图４．?５出行服务系统服务依赖图??Ｆｉｇ．?４．５?ＳＤＧＳ?ｏｆ?ｔｒａｖｅｌ?ｓｅｎｄｅｅ－ｏｒｉｅｎｔｅｄ?ｓｙｓｔｅｍｓ??４．?５．?２实验对比与分析??（１）出行服务系统组件结构、功能重要性度量分析??出行服务系统ＳＤＧＳ节点的结构重要性能说明该组件与其他组件间依赖关系，结构??重要性是影响组件重要性排名的一个重要因素［４７］。本节使用度中心性［４８］、中介中心性［４９］、??紧密中心性［５Ｑ］三个指标度量出行服务系统ＳＤＧＳ节点结构重要性。其中度值分布如图??４．６所示，中介中心性值分布如图４．７所示，紧密中心性值分布如图４．８所示。??０．５?■??０?「ｗ．—ｔ?「■?—?．．ｉ?１?ｒ￣—｜?１?１?［?］?１?１—ｉ?１?１?１；—｜?ｊ?１?１?１?ｊ?１?１?：?１?，??１?２?３?４?５?６?７?８?９?１０?１１?１２?１３?１４?１５?１６?１７?１８?１９?２０?２１?２２?２３?２４?２５?２６?２７?２８??服务节点编号??图４．?６出行服务系统节点度值分布图??Ｆｉｇ．?４．６?Ｎｏｄｅ?ｄｅｇｒｅｅ?ｖａｌｕｅ?ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ?ｔｒａｖｅｌ?ｓｅｍｃｅ－ｏｒｉｅｎｔｅｄ?ｓｙｓｔｅｍｓ??－３２－??
【参考文献】：
期刊论文
[1]基于双记忆注意力的方面级别情感分类模型[J]. 曾义夫,蓝天,吴祖峰,刘峤. 计算机学报. 2019(08)
[2]基于加权LeaderRank的用户社交网络排序算法[J]. 孙连,李书琴,刘斌. 计算机工程. 2019(10)
[3]融合注意力机制和CNN-GRNN模型的读者情绪预测[J]. 张琦,彭志平. 计算机工程与应用. 2018(13)
[4]数据服务依赖图模型及自动组合方法研究[J]. 张元鸣,叶成龙,黄浪游,陆佳炜,徐俊,肖刚. 小型微型计算机系统. 2018(03)
[5]一种基于h指数变体的软件网络节点重要性度量方法[J]. 丁沂,李兵,程璨,赵玉琦. 工程科学与技术. 2017(04)
[6]基于软件节点重要性的集成测试序列生成方法[J]. 王莹,于海,朱志良. 计算机研究与发展. 2016(03)
[7]一种面向度中心性及重叠网络社区的发现算法[J]. 刘井莲,王大玲,赵卫绩,冯时,张一飞. 计算机科学. 2016(03)
[8]一种基于Sketch的Top-k紧密中心性快速搜索算法[J]. 邵蓥侠,崔斌,马林,阴红志. 计算机学报. 2016(10)
[9]基于服务关系图的Web服务组合算法[J]. 袁玉倩,杨洁,薛桂香,于洋,阎刚. 计算机应用与软件. 2015(06)
[10]基于ARIMA与WASDN加权组合的时间序列预测[J]. 张雨浓,劳稳超,丁玮翔,王英,叶成绪. 计算机应用研究. 2015(09)
博士论文
[1]Web服务组合的可靠性预测研究[D]. 钟读杭.国防科学技术大学 2007
硕士论文
[1]基于深度信念网络的服务可靠性预测方法研究[D]. 邱志国.东南大学 2018
[2]基于深度学习的自然场景图像文本检测[D]. 黄家冕.西安电子科技大学 2018
[3]基于微博互连的高校知识网络结构及影响力研究[D]. 王旭.华中师范大学 2018
[4]基于网络模型的复杂机电系统关键部件辨识方法[D]. 王淑君.北京交通大学 2017
[5]复杂软件系统中类影响力排序方法[D]. 李晓春.大连海事大学 2016
[6]CA-CCML语言描述的Web服务组合模型执行研究[D]. 孙柏东.大连海事大学 2016
[7]Web服务可靠性预测研究[D]. 钱珺.南京邮电大学 2015
[8]服务组件依赖关系求解与应用的研究[D]. 赵大香.山东大学 2014
[9]Web服务可靠性若干关键问题研究[D]. 赵实.南京大学 2011
本文编号：3223724
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3223724.html
