基于QoS的個(gè)性化云服務(wù)推薦方法研究.pdf

1、云計(jì)算是一種新型的基于互聯(lián)網(wǎng)的計(jì)算，即共享資源、軟件和信息以服務(wù)的方式按照需求提供給用戶(hù)和其他設(shè)備。云環(huán)境中，由于服務(wù)所處位置和通信鏈路不同，即使調(diào)用同一個(gè)服務(wù)，不同的用戶(hù)對(duì)服務(wù)的QoS體驗(yàn)有可能不同。而且，隨著云計(jì)算技術(shù)的不斷發(fā)展，網(wǎng)絡(luò)上功能相同質(zhì)量不同的服務(wù)數(shù)量不斷增長(zhǎng)，為用戶(hù)推薦滿足其個(gè)性化需求的云服務(wù)已成為云計(jì)算領(lǐng)域最重要的挑戰(zhàn)之一。為給用戶(hù)提供滿意的個(gè)性化的云服務(wù)推薦，建立有效準(zhǔn)確的QoS性能預(yù)測(cè)方法是十分關(guān)鍵的問(wèn)題。本文在分

2、析總結(jié)已有工作的基礎(chǔ)上，做了以下幾方面的工作：
　　1)將基于模型和基于內(nèi)存的方法結(jié)合，提出基于混合協(xié)同過(guò)濾的的個(gè)性化云服務(wù)QoS預(yù)測(cè)方法。基于模型的協(xié)同過(guò)濾算法能快速產(chǎn)生推薦，預(yù)測(cè)QoS值時(shí)效率很高，在線性能很好，但新用戶(hù)或項(xiàng)加入矩陣時(shí)要重新執(zhí)行模型?；趦?nèi)存的協(xié)同過(guò)濾算法實(shí)現(xiàn)容易，預(yù)測(cè)精度較高，所需訓(xùn)練成本較小，很容易考慮新用戶(hù)的評(píng)價(jià)，但存在數(shù)據(jù)稀疏性和擴(kuò)展性問(wèn)題，在線性能低。針對(duì)云計(jì)算動(dòng)態(tài)的環(huán)境和大量的用戶(hù)與服務(wù)，本文將基于

3、模型和基于內(nèi)存的方法結(jié)合，提出基于聚類(lèi)模型和基于內(nèi)存混合的個(gè)性化云服務(wù)QoS預(yù)測(cè)方法，將用戶(hù)的期望、評(píng)分和服務(wù)的QoS信息量化描述，基于主觀離散的和客觀連續(xù)的QoS數(shù)據(jù)對(duì)云服務(wù)質(zhì)量進(jìn)行預(yù)測(cè)。最后采用真實(shí)數(shù)據(jù)的實(shí)驗(yàn)展示該方法較已有方法提高了QoS預(yù)測(cè)的準(zhǔn)確性。
　　2)在預(yù)測(cè)過(guò)程中考慮情境因素，提出個(gè)性化情境感知的云服務(wù)QoS預(yù)測(cè)方法。對(duì)于相同服務(wù)，由于情境因素的影響，不同用戶(hù)具有不同的QoS體驗(yàn)。為此，本文提出一種個(gè)性化情境感知的

4、服務(wù)預(yù)測(cè)方法。在基于混合協(xié)同過(guò)濾的個(gè)性化云服務(wù)QoS預(yù)測(cè)方法的基礎(chǔ)上，增加了對(duì)服務(wù)和用戶(hù)所處地理位置情境因素的考慮。首先根據(jù)用戶(hù)的地理位置和歷史Q(chēng)oS相似性將他們聚類(lèi)成幾個(gè)區(qū)域。然后，識(shí)別出區(qū)域敏感的服務(wù)。之后，對(duì)于一個(gè)活動(dòng)用戶(hù)，采用與其所在區(qū)域相似的所有用戶(hù)區(qū)域的QoS數(shù)據(jù)自動(dòng)預(yù)測(cè)候選服務(wù)的QoS值。最后采用真實(shí)數(shù)據(jù)的實(shí)驗(yàn)展示考慮情境因素提高了預(yù)測(cè)的準(zhǔn)確性，同時(shí)研究了情景因素對(duì)服務(wù)質(zhì)量預(yù)測(cè)的影響。
　　3)分析預(yù)測(cè)過(guò)程中的不確定

5、性，提出云計(jì)算中QoS預(yù)測(cè)的信心模型。在云計(jì)算環(huán)境中，由于云服務(wù)的分布性和動(dòng)態(tài)性，收集的QoS數(shù)據(jù)量和數(shù)據(jù)值會(huì)有波動(dòng)。根據(jù)少量數(shù)據(jù)或數(shù)值變化很大的數(shù)據(jù)預(yù)測(cè)QoS都是不可靠的。而且，數(shù)據(jù)收集的時(shí)間因素也會(huì)影響預(yù)測(cè)的可信度，根據(jù)新近數(shù)據(jù)預(yù)測(cè)的結(jié)果更有說(shuō)服力。為使預(yù)測(cè)的結(jié)果更準(zhǔn)確可信，必須處理預(yù)測(cè)過(guò)程中出現(xiàn)的這些不確定性。所以，本文提出一個(gè)概率模型，量化QoS預(yù)測(cè)中的信心，對(duì)QoS預(yù)測(cè)結(jié)果附加一個(gè)信心值，這樣，推薦給用戶(hù)的服務(wù)更可能滿足用戶(hù)的

6、需求。這里的信心模型考慮了三個(gè)可靠性度量：1、預(yù)測(cè)中需要用到的所有QoS數(shù)據(jù)項(xiàng)的數(shù)量；2、數(shù)據(jù)項(xiàng)中數(shù)據(jù)值的變化情況；3、數(shù)據(jù)隨時(shí)間的衰減情況。并通過(guò)仿真實(shí)驗(yàn)驗(yàn)證三個(gè)度量值對(duì)預(yù)測(cè)可信性的影響。實(shí)驗(yàn)驗(yàn)證在推薦過(guò)程中增加信心模型，能夠更好的推薦服務(wù)給用戶(hù)，增加了用戶(hù)的總體效用。
　　4)同時(shí)考慮多個(gè)QoS屬性，提出基于多QoS屬性預(yù)測(cè)的云服務(wù)推薦方法。本文以實(shí)例說(shuō)明已有預(yù)測(cè)方法在多屬性質(zhì)量預(yù)測(cè)時(shí)存在的局限性，然后改進(jìn)預(yù)測(cè)方法。在選擇預(yù)測(cè)

7、數(shù)據(jù)時(shí)，考慮用戶(hù)對(duì)不同屬性的期望需求，選擇同時(shí)滿足多個(gè)屬性需求的數(shù)據(jù)進(jìn)行預(yù)測(cè)，避免了QoS屬性獨(dú)立預(yù)測(cè)再聚合產(chǎn)生的與實(shí)際不符的問(wèn)題。因?yàn)楸O(jiān)視數(shù)據(jù)是異步獲取的，所以在選擇預(yù)測(cè)數(shù)據(jù)時(shí)要處理這些異步的多屬性數(shù)據(jù)，本文采用kNN方法預(yù)測(cè)異步獲取的數(shù)據(jù)中缺失的屬性值。最后，根據(jù)預(yù)測(cè)結(jié)果和預(yù)測(cè)信心值對(duì)服務(wù)進(jìn)行排序，推薦給用戶(hù)。本文提出的改進(jìn)混合kNN推薦方法 HSIkNN，在預(yù)測(cè)前對(duì)預(yù)測(cè)數(shù)據(jù)進(jìn)行了處理，在排序時(shí)考慮了預(yù)測(cè)的信心，能夠根據(jù)用戶(hù)期望處理