服务推荐的多维QoS预测

摘要：

移动互联网技术的进步使得Web服务的客户能够在移动时保持其服务会话的活跃性。由于移动客户端消费的服务可能由于客户端位置变化而随时间不同，因此分析服务消费关系需要多维时空模型。此外，用于移动客户端的竞争性Web服务推荐器必须能够通过考虑目标客户端的服务请求时间和位置来很好地预测未知的服务质量（QoS）值，例如，通过一组多个来执行预测。维度QoS措施。大多数现代QoS预测方法利用一个特定维度的QoS特征，例如时间或位置，并且不利用多维QoS数据之间的结构关系。本文提出了一种集成的QoS预测方法，该方法通过基于多线性代数的张量概念统一了多维QoS数据的建模，并通过张量分解和重构优化算法为移动客户端提供高效的Web服务推荐。鉴于公共领域中测量的多维QoS数据集不可用，本文还提出了一种转换方法，用于从包含高维时间和空间信息的测量出租车使用数据集创建可靠的多维QoS数据集。

介绍：

Web服务定义：是API定义的软件组件

功能：可以通过网络按需组合和交付给客户端。当有许多候选服务要评估能力传递请求时，服务建议对于有效选择最佳服务至关重要。大多数服务推荐方法都考虑了服务质量（QoS）特性。

客户在移动时保持其服务会话的活跃性。由于客户端位置变化导致移动客户端消费的服务可能随时间而不同，因此分析服务消费关系需要多维时空模型。为了获得最佳服务建议，在预测必要的未知QoS值时，必须尽可能地利用历史多维QoS数据。

数据集的结构：用户（或客户端），服务和时间段的三维QoS：

有m个用户和n个 Web服务。u i和s j分别表示第i个用户和第j个服务。Ti表示第k个时间段。如果在特定时间段内调用服务，则在该时间段内记录调用的QoS值（例如，响应时间）。

仅示出了一个QoS属性。实际上，可以在一个QoS数据集中捕获多个QoS属性，并将每个属性建模为单独的维度。此外，当需要考虑服务请求位置时，可以通过另一维度对位置数据进行建模。因此，所有这些QoS数据可以形成五维空间，下图所示（其中每个长方体是图1的三维QoS数据）。

现有研究：尽管许多先前的研究已经认识到需要利用多维QoS数据，但是数据没有以集成的方式使用。最常见的方法是分别预测每个QoS属性，而不考虑时间，位置和其他因素更具体地说，大多数相关的工作集中在时间特征或位置，但没有考虑从用户（或服务）的角度来看所有QoS数据之间的依赖关系客户）。

现有研究的缺点:

1）多维QoS数据的整体结构被忽略用于QoS预测，这会损害更准确的预测结果;

2）使用特定于一维的特征的QoS预测方法难以扩展到其他维度，这需要合适的预测方法来考虑所有QoS维度的特征是复杂的;

3）当需要额外的维度时（例如，由于新的网络计算技术的部署），将需要设计新的预测方法。

本文提出的新方法：

一种集成的QoS预测方法（称为HDOP），该方法利用面向Web服务推荐的面向高维的QoS预测方法。

优点：

（1）通过基于多线性代数的张量概念统一了多维QoS数据的建模，该概念整体地考虑了多维QoS数据的挛缩;

（2）采用有效的优化算法进行张量分解和重构;

（3）实现准确的QoS预测。

方法设计原理：

• HDOP旨在通过统一地并以集成方式考虑所有QoS维度，从而能够容易且有效地准确预测任何维度中的未知QoS值。为了实现目标，我们需要决定（1）如何建模多维QoS数据和（2）如何使用QoS数据模型进行预测。

基础知识：

1. 张量性质
2. 张良分解

使用张量模型的QoS预测

1.建立QOS张量

2.计算组件矩阵

3.制定预测

4.计算复杂性分析

用于QOS预测的新的数据集：

1. 数据集基本原理
2. 数据集的转换
3. 数据集的开发

数据集的局限性：

尽管HDOP非常有效和准确，但它在实践中具有以下局限性：

1. HDOP将整个QoS数据建模为张量，因此并行实现是不容易的。传统的矩阵分解方法可以将多维QoS建模为多个矩阵，并同时处理每个矩阵。
2. 当QoS数据非常稀疏时，QoS张量可能需要比多个QoS矩阵更多的存储或存储空间。

结论和未来的工作:

我们利用张量来预测高维时空空间中的未知QoS值，以集成的方式考虑所有QoS维度，以准确且容易地预测多维QoS。我们提出的方法首先将多维QoS数据建模为张量，然后通过分解该QoS张量来找出其组件矩阵。这些组件矩阵允许我们准确地重建QoS张量。最后，重构张量告诉我们对QoS数据的未知值的预测。与相关工作不同，我们提出的方法充分利用了多维QoS数据的整体结构，可以方便，准确地预测任何维度的QoS数据。