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。