基于QoS的個性化云服務(wù)推薦方法研究.pdf

1、云計算是一種新型的基于互聯(lián)網(wǎng)的計算，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)用同一個服務(wù)，不同的用戶對服務(wù)的QoS體驗有可能不同。而且，隨著云計算技術(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，為用戶推薦滿足其個性化需求的云服務(wù)已成為云計算領(lǐng)域最重要的挑戰(zhàn)之一。為給用戶提供滿意的個性化的云服務(wù)推薦，建立有效準(zhǔn)確的QoS性能預(yù)測方法是十分關(guān)鍵的問題。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)同過濾的的個性化云服務(wù)QoS預(yù)測方法?；谀Ｐ偷膮f(xié)同過濾算法能快速產(chǎn)生推薦，預(yù)測QoS值時效率很高，在線性能很好，但新用戶或項加入矩陣時要重新執(zhí)行模型?；趦?nèi)存的協(xié)同過濾算法實現(xiàn)容易，預(yù)測精度較高，所需訓(xùn)練成本較小，很容易考慮新用戶的評價，但存在數(shù)據(jù)稀疏性和擴展性問題，在線性能低。針對云計算動態(tài)的環(huán)境和大量的用戶與服務(wù)，本文將基于

3、模型和基于內(nèi)存的方法結(jié)合，提出基于聚類模型和基于內(nèi)存混合的個性化云服務(wù)QoS預(yù)測方法，將用戶的期望、評分和服務(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)對云服務(wù)質(zhì)量進行預(yù)測。最后采用真實數(shù)據(jù)的實驗展示該方法較已有方法提高了QoS預(yù)測的準(zhǔn)確性。
　　2)在預(yù)測過程中考慮情境因素，提出個性化情境感知的云服務(wù)QoS預(yù)測方法。對于相同服務(wù)，由于情境因素的影響，不同用戶具有不同的QoS體驗。為此，本文提出一種個性化情境感知的

4、服務(wù)預(yù)測方法。在基于混合協(xié)同過濾的個性化云服務(wù)QoS預(yù)測方法的基礎(chǔ)上，增加了對服務(wù)和用戶所處地理位置情境因素的考慮。首先根據(jù)用戶的地理位置和歷史QoS相似性將他們聚類成幾個區(qū)域。然后，識別出區(qū)域敏感的服務(wù)。之后，對于一個活動用戶，采用與其所在區(qū)域相似的所有用戶區(qū)域的QoS數(shù)據(jù)自動預(yù)測候選服務(wù)的QoS值。最后采用真實數(shù)據(jù)的實驗展示考慮情境因素提高了預(yù)測的準(zhǔn)確性，同時研究了情景因素對服務(wù)質(zhì)量預(yù)測的影響。
　　3)分析預(yù)測過程中的不確定

5、性，提出云計算中QoS預(yù)測的信心模型。在云計算環(huán)境中，由于云服務(wù)的分布性和動態(tài)性，收集的QoS數(shù)據(jù)量和數(shù)據(jù)值會有波動。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QoS都是不可靠的。而且，數(shù)據(jù)收集的時間因素也會影響預(yù)測的可信度，根據(jù)新近數(shù)據(jù)預(yù)測的結(jié)果更有說服力。為使預(yù)測的結(jié)果更準(zhǔn)確可信，必須處理預(yù)測過程中出現(xiàn)的這些不確定性。所以，本文提出一個概率模型，量化QoS預(yù)測中的信心，對QoS預(yù)測結(jié)果附加一個信心值，這樣，推薦給用戶的服務(wù)更可能滿足用戶的

6、需求。這里的信心模型考慮了三個可靠性度量：1、預(yù)測中需要用到的所有QoS數(shù)據(jù)項的數(shù)量；2、數(shù)據(jù)項中數(shù)據(jù)值的變化情況；3、數(shù)據(jù)隨時間的衰減情況。并通過仿真實驗驗證三個度量值對預(yù)測可信性的影響。實驗驗證在推薦過程中增加信心模型，能夠更好的推薦服務(wù)給用戶，增加了用戶的總體效用。
　　4)同時考慮多個QoS屬性，提出基于多QoS屬性預(yù)測的云服務(wù)推薦方法。本文以實例說明已有預(yù)測方法在多屬性質(zhì)量預(yù)測時存在的局限性，然后改進預(yù)測方法。在選擇預(yù)測

7、數(shù)據(jù)時，考慮用戶對不同屬性的期望需求，選擇同時滿足多個屬性需求的數(shù)據(jù)進行預(yù)測，避免了QoS屬性獨立預(yù)測再聚合產(chǎn)生的與實際不符的問題。因為監(jiān)視數(shù)據(jù)是異步獲取的，所以在選擇預(yù)測數(shù)據(jù)時要處理這些異步的多屬性數(shù)據(jù)，本文采用kNN方法預(yù)測異步獲取的數(shù)據(jù)中缺失的屬性值。最后，根據(jù)預(yù)測結(jié)果和預(yù)測信心值對服務(wù)進行排序，推薦給用戶。本文提出的改進混合kNN推薦方法 HSIkNN，在預(yù)測前對預(yù)測數(shù)據(jù)進行了處理，在排序時考慮了預(yù)測的信心，能夠根據(jù)用戶期望處理