论文部分内容阅读
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。