合理的服务质量(Quality of Service,QoS)预测是W eb服务承诺的重要依据,在很大程度上关系到服务提供者的信誉。为了有效解决服务质量的预测问题,受到免疫系统多信号机制的启发,提出一种服务提供者主动的实时QoS预测模型。在多Agent仿...合理的服务质量(Quality of Service,QoS)预测是W eb服务承诺的重要依据,在很大程度上关系到服务提供者的信誉。为了有效解决服务质量的预测问题,受到免疫系统多信号机制的启发,提出一种服务提供者主动的实时QoS预测模型。在多Agent仿真平台上的模拟实验和分析表明,该模型能够很好地解决实时QoS预测问题,服务提供者能够根据预测结果动态地调整Web服务的QoS承诺,从而有效提高其信誉。展开更多
目前对Web服务QoS(Quality of Service)的预测研究,通常预测QoS的静态值,很少预测QoS值的置信区间.本文借助非参数统计学的Bootstrap技术,提出估计Web服务QoS值置信区间的方法;然后利用与当前Web用户相似的其他Web用户调用待预测Web服务...目前对Web服务QoS(Quality of Service)的预测研究,通常预测QoS的静态值,很少预测QoS值的置信区间.本文借助非参数统计学的Bootstrap技术,提出估计Web服务QoS值置信区间的方法;然后利用与当前Web用户相似的其他Web用户调用待预测Web服务的QoS历史数据,预测当前Web用户调用待预测Web服务的QoS值的置信区间.本文估计了WSDream数据集1中每个用户调用每个Web服务的QoS值的置信区间,实验发现这些置信区间的上下限近似服从重尾分布.通过随机选择WSDream数据集1中60%到90%的用户和Web服务作为训练集,预测另外10%到40%的用户和Web服务的QoS值,实验结果表明预测的QoS置信区间与估计的QoS置信区间的平均覆盖率超过70%,最高达76%.在服务选择或服务推荐时给用户提供一个估计的或预测的QoS置信区间,可以更好地满足用户的个性化需求.展开更多
移动边缘计算通过在终端设备和云之间部署边缘设备,能够在移动用户的近端提供服务,可降低网络时延、减缓网络带宽的压力.然而在移动服务计算环境中,用户的移动性导致其所访问的边缘服务器经常切换,导致传统的QoS(quality of service)预...移动边缘计算通过在终端设备和云之间部署边缘设备,能够在移动用户的近端提供服务,可降低网络时延、减缓网络带宽的压力.然而在移动服务计算环境中,用户的移动性导致其所访问的边缘服务器经常切换,导致传统的QoS(quality of service)预测方法在移动边缘服务环境下会出现较大的偏差.本文提出一种移动边缘计算环境下的服务QoS预测方法EQoSP,通过聚类分析自然地为不同用户/边缘服务器确定各自的相似用户/边缘服务器,在用户所访问的边缘服务器发生切换后,利用相似用户/边缘服务器提供的数据,对用户在新位置使用目标服务的QoS进行预测,从而更真实地反映用户位置发生改变后可能得到的QoS值.与现有方法的对比实验表明,本文所提出的方法对移动边缘环境中未知QoS的预测更为准确.展开更多
文摘合理的服务质量(Quality of Service,QoS)预测是W eb服务承诺的重要依据,在很大程度上关系到服务提供者的信誉。为了有效解决服务质量的预测问题,受到免疫系统多信号机制的启发,提出一种服务提供者主动的实时QoS预测模型。在多Agent仿真平台上的模拟实验和分析表明,该模型能够很好地解决实时QoS预测问题,服务提供者能够根据预测结果动态地调整Web服务的QoS承诺,从而有效提高其信誉。
文摘目前对Web服务QoS(Quality of Service)的预测研究,通常预测QoS的静态值,很少预测QoS值的置信区间.本文借助非参数统计学的Bootstrap技术,提出估计Web服务QoS值置信区间的方法;然后利用与当前Web用户相似的其他Web用户调用待预测Web服务的QoS历史数据,预测当前Web用户调用待预测Web服务的QoS值的置信区间.本文估计了WSDream数据集1中每个用户调用每个Web服务的QoS值的置信区间,实验发现这些置信区间的上下限近似服从重尾分布.通过随机选择WSDream数据集1中60%到90%的用户和Web服务作为训练集,预测另外10%到40%的用户和Web服务的QoS值,实验结果表明预测的QoS置信区间与估计的QoS置信区间的平均覆盖率超过70%,最高达76%.在服务选择或服务推荐时给用户提供一个估计的或预测的QoS置信区间,可以更好地满足用户的个性化需求.
文摘移动边缘计算通过在终端设备和云之间部署边缘设备,能够在移动用户的近端提供服务,可降低网络时延、减缓网络带宽的压力.然而在移动服务计算环境中,用户的移动性导致其所访问的边缘服务器经常切换,导致传统的QoS(quality of service)预测方法在移动边缘服务环境下会出现较大的偏差.本文提出一种移动边缘计算环境下的服务QoS预测方法EQoSP,通过聚类分析自然地为不同用户/边缘服务器确定各自的相似用户/边缘服务器,在用户所访问的边缘服务器发生切换后,利用相似用户/边缘服务器提供的数据,对用户在新位置使用目标服务的QoS进行预测,从而更真实地反映用户位置发生改变后可能得到的QoS值.与现有方法的对比实验表明,本文所提出的方法对移动边缘环境中未知QoS的预测更为准确.
