掌桥专利:专业的专利平台
掌桥专利
首页

一种自适应的云服务质量动态预测方法及装置

文献发布时间:2023-06-19 18:37:28


一种自适应的云服务质量动态预测方法及装置

技术领域

本发明属于服务计算领域,设计服务质量预测问题,特别涉及一种自适应的云服务质量动态预测方法及装置。

背景技术

云计算是一种新兴的分布式计算方法,将共享的软硬件资源和信息按需求提供给各种终端,将互联网基础架构转变为一种实用程序,企业可以通过互联网部署自己的基础架构,并使用网络的计算资源和存储资源。其中,云计算的三个主要服务模型是SaaS(软件即服务),PaaS(平台即服务),IaaS(基础设施即服务)。SaaS也称为基于云的软件或云应用,实在云端托管的应用软件。借助SaaS,企业能够降低管理自己内部基础架构而引发的大部分成本,移动用户能够便捷地利用各种网络服务。SaaS是当今大多数商业软件的主要交付模式,目前已有大量的SaaS解决方案可用,从行业和部门应用到企业软件数据库和AI软件应有尽有。

云计算的弹性服务模式造就了云服务市场的繁荣。日积月累,云服务市场充斥这海量功能相似的云服务。然而提供软件服务的设备通常是资源受限或移动的,这可能导致服务质量降级或服务无响应。中间件可用于处理这些挑战,并在设计时选择最佳服务,并在服务质量开始下降时及逆行动态服务适应。许多提供商提供具有相同功能的云服务。通过用候选服务替换当前工作服务以响应意外的服务质量变化(例如不可接受的响应时间),可以将此类冗余服务用于服务适配。为实现这一点,需要了解服务的服务质量值以做出及时准确的适应决策,例如何时触发适应动作、要替换哪些工作服务以及选择哪些候选服务。通过实时调用云服务并记录服务质量值来进行推荐的方法会耗费大量的网络资源。本专利提出的方法和装置能够动态地预测云服务的服务质量。

发明内容

本发明的目的是提供一种自适应的云服务质量动态预测方法,该方法能够服现有技术在动态环境下模型表征能力不足,预测效果不准确的问题,从而准确进行动态云服务质量的预测。

本发明公开一种自适应的云服务质量动态预测方法,包括:

获取云服务的历史服务质量数据构建初始表征矩阵;

对初始表征矩阵进行更新得到隐向量表征矩阵并生成维度相同的个性化表征矩阵;

基于生成的隐向量表征矩阵和个性化表征矩阵获取当前时刻的云服务,用户以及时间片的表征向量;

基于所得的各表征向量计算基于张量表征的服务质量预测值;

将自注意力表征学习方法输出的编码向量输入多层全连接层捕获高阶特征交互关系,输出云服务的自注意力机制服务质量预测值;

将基于张量表征和自注意力机制计算的服务质量预测值按权重相加获得最终的服务质量预测值。

获取云服务的历史服务质量数据构建初始表征矩阵包括:

获取已知云服务的历史服务质量记录,包括用户编号,云服务编号,调用时间,服务质量值,构建根据用户数量,云服务数量,时间片划分数量构建所有云服务的初始隐向量表征矩阵S

对初始表征矩阵进行更新得到隐向量表征矩阵并生成维度相同的个性化表征矩阵包括:

根据所有历史记录,使用非负张量分解算法对初始表征矩阵进行更新,此时的目标函数为:

其中,i表示用户编号,j表示云服务编号,k表示时间片所处时刻,具体更新公式为:

其中,u

Λ(·)表示所有的历史服务质量记录,|Λ(i)|历史记录中用户为i的个数,|Λ(j)|为历史记录中云服务为j的个数,|Λ(k)|表示历史记录中时间片为k的记录个数,根据已更新的隐向量表征矩阵生成维度相同的个性化表征矩阵,包括用户个性化表征矩阵UR

基于生成的隐向量表征矩阵和个性化表征矩阵获取当前时刻的云服务,用户以及时间片的表征向量包括:

输入当前用户的身份信息,候选服务的信息,基于生成的隐向量表征矩阵和个性化表征矩阵获取当前时刻的云服务,用户以及时间片的表征向量,将用户编号,云服务编号进行One-hot编码,再将编码向量与表征矩阵相乘筛选出所需表征向量,包括用户表征向量u

基于所得的各表征向量计算基于张量表征的服务质量预测值:

具体计算公式为:

QoS

将自注意力表征学习方法输出的编码向量输入多层全连接层捕获高阶特征交互关系,输出云服务的自注意力机制服务质量预测值之前,还可以包括将所得的各表征向量拼接获得E,E={u

K表示表征向量个数,e

将自注意力表征学习方法输出的编码向量输入多层全连接层捕获高阶特征交互关系,输出云服务的自注意力机制服务质量预测值具体包括:

计算公式如下:

a

QoS

其中,a

将基于张量表征和自注意力机制计算的服务质量预测值按权重相加获得最终的服务质量预测值具体包括:

具体公式为:

QoS=QoS

QoS表示基于当前网络环境预测的用户i调用云服务j时的服务质量预测值。

本发明考虑用户在动态变化的网络环境中如何准确的获取各云服务的服务质量值,可以在长时间内自适应的更新用户,云服务,当前时刻网络环境的表征向量且采用多头自注意力机制从多个子空间考虑不同表征向量间的关联性,并协同编码向量,具有更强的表达能力。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分,标示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。

图1为本发明提出的一种自适应的云服务质量动态预测方法的流程图;

图2为本发明提出的一种自适应的云服务质量动态预测方法的程序框图;

图3为本发明提出的一种自适应的云服务质量动态预测方法的云服务软件调用环境的示例图;

具体实施方式

下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。

需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。

另外,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一种该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。

本发明公开一种自适应的云服务质量动态预测方法,包括:

步骤100,获取云服务的历史服务质量数据构建初始表征矩阵;

步骤200,对初始表征矩阵进行更新得到隐向量表征矩阵并生成维度相同的个性化表征矩阵;

步骤300,基于生成的隐向量表征矩阵和个性化表征矩阵获取当前时刻的云服务,用户以及时间片的表征向量;

步骤400,基于所得的各表征向量计算基于张量表征的服务质量预测值;

步骤500,将自注意力表征学习方法输出的编码向量输入多层全连接层捕获高阶特征交互关系,输出云服务的自注意力机制服务质量预测值;

步骤600,将基于张量表征和自注意力机制计算的服务质量预测值按权重相加获得最终的服务质量预测值。

本发明考虑用户在动态变化的网络环境中如何准确的获取各云服务的服务质量值,可以在长时间内自适应的更新用户,云服务,当前时刻网络环境的表征向量且采用多头自注意力机制从多个子空间考虑不同表征向量间的关联性,并协同编码向量,具有更强的表达能力。

步骤100获取云服务的历史服务质量数据构建初始表征矩阵包括:

获取已知云服务的历史服务质量记录,包括用户编号,云服务编号,调用时间,服务质量值,构建根据用户数量,云服务数量,时间片划分数量构建所有云服务的初始隐向量表征矩阵S

本实施案例中,从应用注册中心获取可用的候选云服务,并获取服务器中当前的云服务历史调用的服务质量记录,离线构建上述初始表征矩阵,按正态分布随机初始化。

步骤200对初始表征矩阵进行更新得到隐向量表征矩阵并生成维度相同的个性化表征矩阵包括:

根据所有历史记录,使用非负张量分解算法对初始表征矩阵进行更新,此时的目标函数为:

其中,i表示用户编号,j表示云服务编号,k表示时间片所处时刻,具体更新公式为:

其中,u

Λ(·)表示所有的历史服务质量记录,|Λ(i)|历史记录中用户为i的个数,|Λ(j)|为历史记录中云服务为j的个数,|Λ(k)|表示历史记录中时间片为k的记录个数,根据已更新的隐向量表征矩阵生成维度相同的个性化表征矩阵,包括用户个性化表征矩阵UR

步骤300基于生成的隐向量表征矩阵和个性化表征矩阵获取当前时刻的云服务,用户以及时间片的表征向量包括:

输入当前用户的身份信息,候选服务的信息,基于生成的隐向量表征矩阵和个性化表征矩阵获取当前时刻的云服务,用户以及时间片的表征向量,将用户编号,云服务编号进行One-hot编码,再将编码向量与表征矩阵相乘筛选出所需表征向量,包括用户表征向量u

当系统接收到用户发送的云服务调用请求,获取发送请求的用户编号,可用候选云服务编号,请求发生的时刻,进行One-hot编码,再将编码向量与动态预测系统中的隐向量表征矩阵相乘筛选出所需表征向量。其中包括用户表征向量u

u

s

t

ur

sr

tr

步骤400基于所得的各表征向量计算基于张量表征的服务质量预测值:

具体计算公式为:

QoS

将自注意力表征学习方法输出的编码向量输入多层全连接层捕获高阶特征交互关系,输出云服务的自注意力机制服务质量预测值之前,还可以包括将所得的各表征向量拼接获得E,E={u

K表示表征向量个数,e

步骤500将自注意力表征学习方法输出的编码向量输入多层全连接层捕获高阶特征交互关系,输出云服务的自注意力机制服务质量预测值具体包括:

计算公式如下:

a

QoS

其中,a

步骤600将基于张量表征和自注意力机制计算的服务质量预测值按权重相加获得最终的服务质量预测值具体包括:

具体公式为:

QoS=QoS

QoS表示基于当前网络环境预测的用户i调用云服务j时的服务质量预测值。

以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

技术分类

06120115632327