一種基于貝葉斯組合的Web服務(wù)QoS預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于貝葉斯組合的Web服務(wù)QoS預(yù)測方法，使用幾種組合模型對 時間序列進行預(yù)測，通過模型評估標(biāo)準(zhǔn)對結(jié)果進行評估，并及時調(diào)整模型權(quán)重，以優(yōu)化測試 結(jié)果。
【背景技術(shù)】
[0002] 面向服務(wù)系統(tǒng)越來越多地通過互聯(lián)網(wǎng)訪問第三方Web服務(wù)，質(zhì)量保證和軟件維護 由第三方控制，軟件本身執(zhí)行和管理也取決于第三方。面向服務(wù)系統(tǒng)的執(zhí)行能力以及服務(wù) 質(zhì)量越來越依賴于第三方提供的服務(wù)，然而在復(fù)雜多變的Internet環(huán)境中，這種對于第三 方服務(wù)的依賴會帶來不確定的問題，使得服務(wù)無法滿足QoS (Quality of Service，服務(wù)質(zhì) 量）需求。因此，需要對服務(wù)質(zhì)量進行預(yù)測，通過預(yù)測判斷是否可能發(fā)生服務(wù)失效，提前采 取行動消除或減輕對系統(tǒng)質(zhì)量的負面影響，避免威脅發(fā)生。近年來，Web服務(wù)QoS預(yù)測技術(shù) 受到越來越多的關(guān)注，很多模型被提出并用于運行時QoS的預(yù)測，如神經(jīng)網(wǎng)絡(luò)模型、時間序 列分析等。
[0003] 目前針對原子Web服務(wù)，主要采用機器學(xué)習(xí)、數(shù)據(jù)挖掘的方法來預(yù)測QoS值，可以 歸納劃分為以下幾類：（1)基于相似度的QoS預(yù)測方法。（2)基于神經(jīng)網(wǎng)絡(luò)的QoS預(yù)測方 法。（3)基于時間序列預(yù)測的QoS預(yù)測方法。（4)其他QoS預(yù)測方法。單一的模型通常會 在某一時段有良好的預(yù)測精度，但各種預(yù)測方法有特殊的信息特征和適用場合，目前還沒 有一種算法能在不同狀況下、不同時刻都保持絕對優(yōu)良的預(yù)測性能。Web服務(wù)在動態(tài)環(huán)境 下，服務(wù)質(zhì)量具有動態(tài)性和易變性，單一模型難以保持較好的預(yù)測性能，需要將預(yù)測方法組 合起來，利用各種預(yù)測方法的長處，提高精度并擴大適用范圍。因此提出了貝葉斯組合預(yù)測 模型，根據(jù)QoS屬性時間序列的特征，選取不同的基本預(yù)測模型進行組合，預(yù)測過程中通過 已選取的基本預(yù)測模型的預(yù)測表現(xiàn)，更新各個基本模型的權(quán)重，使得模型預(yù)測結(jié)果能夠逼 近最優(yōu)模型，從而具有穩(wěn)定良好的預(yù)測精度。

【發(fā)明內(nèi)容】

[0004] 發(fā)明目的：針對現(xiàn)有技術(shù)中存在的問題，本發(fā)明提供一種Web服務(wù)QoS貝葉斯組 合預(yù)測的方法，根據(jù)QoS歷史數(shù)據(jù)不同的特征形態(tài)組合不同的基本模型進行預(yù)測，并給出 預(yù)測模型評估標(biāo)準(zhǔn)，對響應(yīng)時間、吞吐量及可靠性進行了預(yù)測實驗。以提前發(fā)現(xiàn)軟件的異常 和一些QoS狀況，為軟件系統(tǒng)的動態(tài)自適應(yīng)調(diào)整和演化等活動提供決策依據(jù)，從而保證軟 件系統(tǒng)的安全可靠運行。
[0005] 技術(shù)方案：一種基于貝葉斯組合的Web服務(wù)QoS預(yù)測方法，包括以下步驟：
[0006] 步驟1 :識別時間序列特征，采用自相關(guān)分析法，時間序列的自相關(guān)系數(shù)計算公式
rk表示i期屬性值X ;與i+k期屬 性值x1+k的相關(guān)程度。根據(jù)公式判別時間序列是平穩(wěn)模式、趨勢模式、周期模式還是隨機模 式。
[0007] 步驟2 :對各個基本模型分別進行訓(xùn)練建模。
[0008] 步驟3 :用訓(xùn)練好的基本預(yù)測模型對時間序列進行預(yù)測。
[0009] 步驟4 :由貝葉斯組合模型對各個基本模型的預(yù)測結(jié)果進行組合。擬采用基于小 波分析的ARIMA預(yù)測模型（WARIMA)、小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型（WNN)以及ARIMAGARCH預(yù)測模 型3種基本預(yù)測模型對QoS進行預(yù)測，來驗證貝葉斯組合模型的有效性。針對平穩(wěn)型、趨勢 型、周期型QoS屬性，可以采用某個函數(shù)或者方程擬合，即采用RBF神經(jīng)網(wǎng)絡(luò)，多元自回歸模 型，K-近鄰模型作為基本預(yù)測模型進行貝葉斯組合，通過實驗及結(jié)果分析來驗證貝葉斯組 合模型的有效性。
[0010] 步驟5 :預(yù)測模型精度評估及有效性評估
[0011] 精度評估：
[0012] 1、相對誤差均值
其中N為預(yù)測時段中預(yù)測量的個數(shù)，yi 表示第i個實際觀測值，V i為第i個預(yù)測值。MSPE反映預(yù)測值偏離實際值的程度。
[0013] 2、均方根誤差：
，其中N為預(yù)測時段中預(yù)測量的個數(shù)， Y1表示第i個實際觀測值，太i為第i個預(yù)測值。RMSE不僅反映相對誤差的大小，還反映 預(yù)測結(jié)果的穩(wěn)定性。
[0014] 3、相對誤差概率分布： 其中N為預(yù)測時段中預(yù)測 量的個數(shù)，
為相對誤差小于P值的預(yù)測量個數(shù)，Y1表示第i個實際觀測值，V i 為第i個預(yù)測值。其中誤差概率分布表示預(yù)測結(jié)果的可信度。以上誤差值越小，意味著模 型預(yù)測越準(zhǔn)確。
[0015] 有效性評估：
[0016] 引入"二進制"預(yù)測評估指標(biāo)，QoS屬性是否違反約束，服務(wù)是否發(fā)生失效，這個 問題本身要么為肯定，要么為否定，實例要么屬于肯定類，要么屬于否定類，因而QoS失 效預(yù)測屬于二分問題。二分問題會出現(xiàn)四種情況，如果一個實例是肯定類且被預(yù)測為肯 定類，則稱為真肯定（True positive, TP)，如果實例是肯定類被預(yù)測為否定類，則稱為 假否定（False positive, FP)，如果實例是否定類被預(yù)測為否定類，則稱為真否定（True negative, TN)，如果實例是否定類被預(yù)測為肯定類，則稱為假肯定（False negative, FN)。 列聯(lián)表表示為：
[0017]
[0018] 根據(jù)聯(lián)表，引入尺度評價：
[0019] 真肯定率（r)描述實際失效的樣本被預(yù)測為真肯定的概率：
精度（P)描 述預(yù)測真肯定占肯定的比率：
假肯定率（fpr)描述被預(yù)測為假肯定的實例占所有 否定類的比例
正確率（a)描述正確預(yù)測的概率：
。？值（Ffi)描述 P和r的調(diào)和均值：
> 對于失效預(yù)測來說，P值用來評估正確自適應(yīng)行為在所有自 適應(yīng)中的比率，P值越大，誤報的可能性越低。r值用來評估正確預(yù)報失效的的概率，r值越 大，漏報概率越低。P和r都要高，才能取得較高的F值。因此F值越高，預(yù)測越準(zhǔn)確。
[0020] 步驟6 :修正組合模型參數(shù)。第t+Ι時刻，組合模型預(yù)測的結(jié)果為：
式中q t+1為t+Ι時刻貝葉斯組合模型預(yù)測值；Pf為t+Ι時刻第 m個基本預(yù)測模型在組合模型中的權(quán)值；C^1為t+Ι時刻第m個基本預(yù)測模型預(yù)測值。
[0021] 步驟7 :根據(jù)各個模型與真實值的誤差比較判斷模型預(yù)測表現(xiàn)是否較好；
[0022] 步驟8 :若表現(xiàn)較好，就賦予較高的期望并繼續(xù)預(yù)測。否則，重復(fù)步驟2-6。
【附圖說明】
[0023] 圖1為ARIMA模型的建模流程圖；
[0024] 圖2為BP神經(jīng)網(wǎng)絡(luò)的算法流程圖；
[0025] 圖3為ARIMAGARCH模型預(yù)測流程圖；
[0026] 圖4為RBF神經(jīng)網(wǎng)絡(luò)模型K-均值聚類算法流程圖；
[0027] 圖5為多元回歸分析模型預(yù)測流程圖；
[0028] 圖6為本發(fā)明實施例的整體框架圖；
[0029] 圖7為各模型及貝葉斯組合模型對響應(yīng)時間的預(yù)測結(jié)果；
[0030] 圖8為各模型及貝葉斯組合模型對可靠性的預(yù)測結(jié)果；
[0031] 圖9為各模型及貝葉斯組合模型對吞吐量的預(yù)測結(jié)果。
[0032] 圖10為誤差分布箱線圖；
[0033] 圖11為F值分布箱線圖。
【具體實施方式】
[0034] 下面結(jié)合具體實施例，進一步闡明本發(fā)明，應(yīng)理解這些實施例僅用于說明本發(fā)明 而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對本發(fā)明的各種等價 形式的修改均落于本申請所附權(quán)利要求所限定的范圍。
[0035] 本實施例提供的Web服務(wù)QoS貝葉斯組合預(yù)測的方法包含了兩個主要部分：對隨 機型QoS屬性，采用神經(jīng)網(wǎng)絡(luò)模型（WNN)、基于小波分析的ARIMA (WARIMA)、ARIMAGARCA進 行組合預(yù)測、對平穩(wěn)型、趨勢型、和周期型QoS屬性，采用K-近鄰預(yù)測模型、RBF神經(jīng)網(wǎng)絡(luò)模 型、多元回歸分析模型進行組合預(yù)測。
[0036] 識別時間序列特征，采用自相關(guān)分析法，時間序列的自相關(guān)系數(shù)計算公式如下：
良示i期屬性值X i與i+k期屬性值X i+k 的相關(guān)程度。
[0037] 如圖1所示：ARIMAGARCH模型在已建立ARIMA(p，q)模型的基礎(chǔ)上，對模型殘差方 差使用GARCH(r，s)模型建模，ARIMA (p，q)模型與GARCH (r，s)模型分別表示序列的均值 和條件方差。基于小波分析的ARIMA模型建模步驟如下：
[0038] 步驟101 :判斷時間序列是否是白噪聲時間序列，即是否是平穩(wěn)序列。
[0039] 步驟102 :如果是白噪聲序列，就表示序列不存在相關(guān)性，則不必要再進行預(yù)測。 如果是非平穩(wěn)則需要對數(shù)據(jù)差分，直到平穩(wěn)。
[0040] 步驟103 :初步判斷p，q，識別時間序列模型。
[0041] 步驟104 :根據(jù)p，q，對小于p，q的模型進行分析，一般以取得AIC值最小的模型 作為最優(yōu)模型。
[0042] 小波神經(jīng)網(wǎng)絡(luò)以BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)為基礎(chǔ)，采用小波函數(shù)作為激勵函數(shù)。BP神 經(jīng)網(wǎng)絡(luò)相應(yīng)的算法如下：
[0043] 步驟201 :初始化。在區(qū)間（_1，1)對各層的連接權(quán)值以及闕值設(shè)置一個非零隨機 數(shù)，對學(xué)習(xí)速率，目標(biāo)誤差ε，最大學(xué)習(xí)次數(shù)M進行初始化。
[0044] 步驟202 :導(dǎo)入N個學(xué)習(xí)樣本X及其相應(yīng)的期望輸出Υ，對第η個樣本進行歸一化 處理。
[0045] 步驟203 :依次對各層實際輸出以及誤差計算：分別將輸入層數(shù)據(jù)導(dǎo)入隱藏層第 一、第二個神經(jīng)節(jié)點內(nèi)進行計算，再將隱藏層數(shù)據(jù)導(dǎo)入輸入層神經(jīng)節(jié)點計算。得到最終的輸 出值。
，是權(quán)重，Θ ,是偏倚