基于QoS的个性化云服务推荐方法研究

发布时间：2020-11-09 02:56

　　 云计算是一种新型的基于互联网的计算,即共享资源、软件和信息以服务的方式按照需求提供给用户和其他设备。云环境中,由于服务所处位置和通信链路不同,即使调用同一个服务,不同的用户对服务的Qo S体验有可能不同。而且,随着云计算技术的不断发展,网络上功能相同质量不同的服务数量不断增长,为用户推荐满足其个性化需求的云服务已成为云计算领域最重要的挑战之一。为给用户提供满意的个性化的云服务推荐,建立有效准确的Qo S性能预测方法是十分关键的问题。本文在分析总结已有工作的基础上,做了以下几方面的工作:1)将基于模型和基于内存的方法结合,提出基于混合协同过滤的的个性化云服务Qo S预测方法。基于模型的协同过滤算法能快速产生推荐,预测Qo S值时效率很高,在线性能很好,但新用户或项加入矩阵时要重新执行模型。基于内存的协同过滤算法实现容易,预测精度较高,所需训练成本较小,很容易考虑新用户的评价,但存在数据稀疏性和扩展性问题,在线性能低。针对云计算动态的环境和大量的用户与服务,本文将基于模型和基于内存的方法结合,提出基于聚类模型和基于内存混合的个性化云服务Qo S预测方法,将用户的期望、评分和服务的Qo S信息量化描述,基于主观离散的和客观连续的Qo S数据对云服务质量进行预测。最后采用真实数据的实验展示该方法较已有方法提高了Qo S预测的准确性。2)在预测过程中考虑情境因素,提出个性化情境感知的云服务Qo S预测方法。对于相同服务,由于情境因素的影响,不同用户具有不同的Qo S体验。为此,本文提出一种个性化情境感知的服务预测方法。在基于混合协同过滤的个性化云服务Qo S预测方法的基础上,增加了对服务和用户所处地理位置情境因素的考虑。首先根据用户的地理位置和历史Qo S相似性将他们聚类成几个区域。然后,识别出区域敏感的服务。之后,对于一个活动用户,采用与其所在区域相似的所有用户区域的Qo S数据自动预测候选服务的Qo S值。最后采用真实数据的实验展示考虑情境因素提高了预测的准确性,同时研究了情景因素对服务质量预测的影响。3)分析预测过程中的不确定性,提出云计算中Qo S预测的信心模型。在云计算环境中,由于云服务的分布性和动态性,收集的Qo S数据量和数据值会有波动。根据少量数据或数值变化很大的数据预测Qo S都是不可靠的。而且,数据收集的时间因素也会影响预测的可信度,根据新近数据预测的结果更有说服力。为使预测的结果更准确可信,必须处理预测过程中出现的这些不确定性。所以,本文提出一个概率模型,量化Qo S预测中的信心,对Qo S预测结果附加一个信心值,这样,推荐给用户的服务更可能满足用户的需求。这里的信心模型考虑了三个可靠性度量:○1预测中需要用到的所有Qo S数据项的数量;○2数据项中数据值的变化情况;○3数据随时间的衰减情况。并通过仿真实验验证三个度量值对预测可信性的影响。实验验证在推荐过程中增加信心模型,能够更好的推荐服务给用户,增加了用户的总体效用。4)同时考虑多个Qo S属性,提出基于多Qo S属性预测的云服务推荐方法。本文以实例说明已有预测方法在多属性质量预测时存在的局限性,然后改进预测方法。在选择预测数据时,考虑用户对不同属性的期望需求,选择同时满足多个属性需求的数据进行预测,避免了Qo S属性独立预测再聚合产生的与实际不符的问题。因为监视数据是异步获取的,所以在选择预测数据时要处理这些异步的多属性数据,本文采用k NN方法预测异步获取的数据中缺失的属性值。最后,根据预测结果和预测信心值对服务进行排序,推荐给用户。本文提出的改进混合k NN推荐方法HSIk NN,在预测前对预测数据进行了处理,在排序时考虑了预测的信心,能够根据用户期望处理多服务包。仿真实验验证,HSIk NN方法预测的准确性、计算的有效性、异步数据对预测算法的影响以及k NN方法中k值对预测的影响。该方法提高了云服务推荐的准确性。
【学位单位】：南京航空航天大学
【学位级别】：博士
【学位年份】：2015
【中图分类】：TP393.09;TP391.3
【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 推荐系统的研究现状
        1.2.2 推荐系统的难点问题
    1.3 研究内容
    1.4 论文组织
第二章 相关工作
    2.1 个性化推荐系统综述
        2.1.1 基于内容的推荐系统
        2.1.2 基于协同过滤的推荐系统
        2.1.3 混合推荐系统
    2.2 基于QoS的云服务推荐
        2.2.1 云计算特点
        2.2.2 QoS服务质量模型
        2.2.3 QoS生命周期
        2.2.4 基于QoS的云服务推荐框架
        2.2.5 服务推荐过程
    2.3 本章小结
第三章 基于混合协同过滤的个性化云服务QoS预测
    3.1 问题的提出
    3.2 QoS数据
        3.2.1 质量数据描述
        3.2.2 质量数据存储
    3.3 基于混合协同过滤的QoS预测
        3.3.1 QoS预测过程
        3.3.2 K-means聚类算法
        3.3.3 QoS预测
    3.4 实验
        3.4.1 实验数据与方法
        3.4.2 评价标准
        3.4.3 性能比较
        3.4.4 k的影响
    3.5 本章小结
第四章 个性化情境感知的云服务QoS预测
    4.1 问题的提出
    4.2 面向个性化情境推荐系统的构建
    4.3 个性化情境感知的服务质量预测方法
        4.3.1 符号定义
        4.3.2 区域模型构建
        4.3.3 QoS预测
    4.4 实验
        4.4.1 实验目的
        4.4.2 实验数据
        4.4.3 实验方法
        4.4.4 性能比较
        4.4.5 情境因素的影响
        4.4.6 λ 和 μ 的影响
        4.4.7 数据稀疏性的影响
    4.5 本章小结
第五章 云计算中QoS预测的信心建模
    5.1 问题的提出
    5.2 不确定性处理
    5.3 信心建模
        5.3.1 数据量大小度量
        5.3.2 数据偏差度量
        5.3.3 数据衰减度量
        5.3.4 总体信心值
    5.4 仿真实验
        5.4.1 实验数据
        5.4.2 不确定性的影响
        5.4.3 信心在服务推荐中的作用
        5.4.4 推荐准确性比较
    5.5 本章小结
第六章 基于多QoS属性的云服务推荐方法
    6.1 问题的提出
    6.2 多属性的QoS预测
        6.2.1 相关描述
        6.2.2 全部平均法
        6.2.3 带有期望的预测方法
        6.2.4 改进多属性QoS预测方法
        6.2.5 实验研究
    6.3 异步数据处理
        6.3.1 问题描述
        6.3.2 处理异步QoS数据
    6.4 服务推荐
    6.5 仿真实验
        6.5.1 实验目的
        6.5.2 推荐的准确性
        6.5.3 计算有效性
        6.5.4 异步数据的影响
        6.5.5 k的影响
    6.6 本章小结
第七章 总结与展望
    7.1 总结
    7.2 未来工作
参考文献
致谢
在学期间的研究成果及发表的学术论文

【相似文献】

相关期刊论文 前10条

1 李玉安;;读者需求的预测方法[J];高校图书馆工作;1987年03期

2 ;情报研究中的广义量化预测方法[J];情报杂志;1992年03期

3 ;经济预测方法[J];情报知识;1983年02期

4 Djordje.S.Paunovic;叶毓秀;;地面移动通信系统规划中场强预测方法的选择[J];计算机与网络;1986年01期

5 R.Grosskopf ,胡宇梅;米波段场强各种预测方法的比较[J];广播电视技术专辑;1987年S1期

6 刘淮;完善电话需要量预测方法的刍议[J];电信工程技术与标准化;1991年03期

7 石碰,王洪桥,韩志刚;多模型择优预测方法及其应用[J];信息与控制;1989年05期

8 袁其升;;常用预测方法的模糊综合评判模型[J];河北机电学院学报;1992年01期

9 李峰,刘静延,蒋录全;预测方法的发展及最新动态[J];情报杂志;2005年06期

10 潘尚新;一种新的预测方法——灰色预测[J];现代邮政;1988年02期

相关博士学位论文 前1条

1 张雪洁;基于QoS的个性化云服务推荐方法研究[D];南京航空航天大学;2015年

相关硕士学位论文 前10条

1 李伟花;考虑时空分布特性的区域风电功率预测方法[D];华北电力大学;2015年

2 张克娜;基于拟线性回归的复合预测方法及其应用[D];河北科技大学;2013年

3 冯莉;多种预测方法在我国对外贸易预测中的应用研究[D];武汉理工大学;2007年

4 池可;服装销售预测方法及RBF神经网络模型研究[D];苏州大学;2009年

5 符俊岭;具有主客观信息集成特征的经济预测方法及其应用[D];东北大学;2009年

6 张飞飞;云资源管理中预测方法的研究与实现[D];复旦大学;2013年

7 陈实;货运量预测方法及应用研究[D];武汉理工大学;2008年

8 李梦;基于优化算法的物流预测方法与应用研究[D];北京化工大学;2014年

9 沈旻;港口集装箱吞吐量预测方法若干研究[D];上海海运学院;2001年

10 崔岩;CALYPSO结构预测方法的探索与改进[D];吉林大学;2014年

本文编号：2875773