[发明专利]一种基于位置聚类的协同式Web服务性能预测方法

说明书

本发明公开了一种基于位置聚类的协同式Web服务性能预测方法：根据用户和服务的位置信息，对自治系统(Autonomous System)相同的用户和服务分别进行聚类；计算基于质心的相似性；利用快速排序算法对相似聚类进行降序排序，找到前K个近邻集群作为候选集群，从而完成邻居预选择；计算活动用户和每个用户候选集群中用户的相似性，以及活动服务和每个服务候选集群的相似性；分别利用前K个最相似的用户来为活动用户预测未知服务的性能值和前K个最相似的服务来为活动服务预测未知服务的性能值；综合所有性能值计算源用户相对目标服务的质量预测值。本发明能解决Web服务推荐中的数据稀疏、冷启动等问题，达到提高Web服务性能预测和Web服务推荐的精度和覆盖率。

技术领域

本发明涉及Web服务质量预测技术，具体涉及一种用于Web服务选择或推荐的基于位置聚类的协同式Web服务性能预测方法。

背景技术

Web服务是自描述、自包含的可用网络模块，用来帮助实现通过远程调用来完成不同机器之间的交互操作，并成为了构造分布式系统、模块化应用程序和面向服务应用集成的主要技术，如电子商务、车载系统、多媒体服务等。随着网络上Web服务数量的快速增长，为用户推荐最优的服务变得更具有挑战性。为了能在大量的可供选择的功能相同的Web服务集中找到最优的服务，Web服务的质量，即性能被广泛用来描述和评价Web服务的非功能属性。Web服务的性能参数包括响应时间(RTT，Round-Trip Time)、吞吐量(TP，Through-put)、可靠性(Availability)等。由于性能在成功建立面向服务的应用中的至关重要性，基于性能预测的Web服务选择和推荐方法成为近几年的一个研究热点。

传统的基于性能的Web服务选择的研究都有一个通用的假设，即所有Web服务的性能值都是可用且准确的。然而，在现实中，这个前提不一定是真实的，用户想要总能获取到服务的性能值是不切实际的。这是由于Web服务的性能值容易受到不可预测的网络环境和用户环境(例如：用户位置，用户网络条件等)的影响，从而使得不同的用户在相同的Web服务上所观察到的性能值不同。换而言之，用户在进行服务选择时，不能直接使用另一个用户对服务的性能评价值。并且，由于现实中Web服务的调用既耗时间又耗资源，因此用户想要通过自己调用Web服务来评价所有候选服务以获取性能信息是不实际的。此外由于服务用户需要评价的候选服务过多，且还有一些合适的Web服务未被发现，使得服务的性能信息大量缺失。针对这些未知的性能进行预测是基于性能的Web服务选择和推荐的重要依据。

现有技术中，最常用的预测性能缺失值的方法存在以下缺陷：1)通过计算用户或服务的相似度来进行预测的方法无法为冷启动用户提供准确的性能预测，并且有可能因为数据稀疏而导致性能预测失败。2)以往的方法可能遭遇数据稀疏、冷启动问题，降低了预测精度，并且在面对大量用户和服务时，可扩展性欠佳。此外，有一些研究提出了基于性能相似度对用户或者服务进行聚类，然后用聚类的中心性能值来对用户-服务性能矩阵进行预填充，可以解决上述问题，但是计算代价比较高，并且当数据非常稀疏时，相似度难以准确度量，从而导致性能预测精度降低。

发明内容

本发明要解决的技术问题是：针对现有技术的上述问题，提供一种能在覆盖率和预测精度和可扩展性之间得到最好的平衡，预测成功率高、通用性好、性能高的基于位置聚类的协同式Web服务性能预测方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于位置聚类的协同式Web服务性能预测方法，包括以下步骤：

1)根据用户和服务的位置信息，对自治系统号即AS号相同的用户和服务分别进行聚类；

2)随机挑选用户来作为活跃用户，同时随机挑选服务来作为活跃服务，根据活跃用户的历史性能记录和聚类信息，利用用户聚类和服务聚类的结果分别对用户-服务矩阵中空缺的性能值进行数据平滑填充，其中历史性能记录包括响应时间、吞吐量、可靠性、价格和可用性记录，且用户-服务矩阵记录着每个用户调用Web服务的历史性能。