摘要
为提高服务运行质量,需要主动预防服务失效和服务性能波动,而不是在服务发生错误时触发处理程序。高效地预测与分析大规模服务的性能是有效可行的主动预防工具。然而传统的服务性能预测模型多采用完全批量训练模式,难以满足大规模服务计算的实时性要求。在综合权衡完全批量学习法和随机梯度下降法的基础上,建立了基于在线学习的大规模服务性能预测模型,提出了一种基于小批量在线学习的服务性能预测方法,通过合理地设置预测模型的批量参数,一次迭代仅需训练批量规模较小的样本数据,从而改善大规模服务性能预测的时间效率;详细分析了在线服务预测模型的收敛性。实验表明,提出的在线学习算法有效地解决了大规模服务预测算法的时效性问题。
To improve the quality of cloud services, service performance violations need to be proactively prevented instead of recovery triggered by the occurrence of failures. The performance predicting model is a promising tool for evaluating the status of Web services in cloud computing. However, traditional batch machine learning techniques could not satisfy the requirement of real-time predicting in large-scale service-oriented applications. To deal with the challenges, this paper proposes a mini-batch online learning approach to predict the performance of largescale services. Through properly setting the batch parameters, the proposed approach uses a small fixed size of samples to train the prediction model in each iteration. This strategy efficiently reduces the computations per iteration.Furthermore, detailed theoretical analysis is conducted for online learning models and their algorithm convergence.The experimental results indicate that the proposed approach is feasible and effective.
出处
《计算机科学与探索》
CSCD
北大核心
2017年第12期1922-1930,共9页
Journal of Frontiers of Computer Science and Technology
基金
国家自然科学基金Nos.61672022
61272036
安徽省高等学校自然科学基金No.KJ2017A414~~
关键词
大规模服务计算
在线学习
小批量在线学习
随机梯度下降法
large-scale service computing
online learning
mini-batch online learning
stochastic gradient descent
作者简介
孙勇（1977-）,男,湖北咸宁人,2016年于南京航空航天大学获得博士学位,现为滁州学院讲师,CCF会员,主要研究领域为协同计算,社会工作流,软件工程,智能信息系统等.谭文安（1965-）,男,湖北荆州人,2001年于北京航空航天大学获得博士学位,现为南京航空航天大学教授、博士生导师,CCF会员,主要研究领域为软件工程,企业动态建模与优化,可信计算,智能信息系统等.谢娜（1982-）,女,江苏徐州人,南京航空航天大学博士研究生,主要研究领域为协同计算,业务过程挖掘,服务计算等.蒋文明（1976-）,男,江苏常州人,2010年于南京师范大学获得博士学位,现为滁州学院讲师,主要研究领域为智慧城市,地理信息检索等.
