[发明专利]基于深度神经网络的服务质量预测方法及其系统有效
申请号: | 201910671422.4 | 申请日: | 2019-07-24 |
公开(公告)号: | CN110460463B | 公开(公告)日: | 2021-12-14 |
发明(设计)人: | 李秉卓;叶春杨;周辉 | 申请(专利权)人: | 海南大学 |
主分类号: | H04L12/24 | 分类号: | H04L12/24;G06N3/08;G06N3/04 |
代理公司: | 北京科亿知识产权代理事务所(普通合伙) 11350 | 代理人: | 赵蕊红 |
地址: | 570228 海*** | 国省代码: | 海南;46 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 深度 神经网络 服务质量 预测 方法 及其 系统 | ||
1.一种基于深度神经网络的服务质量预测方法,其特征在于,包括以下步骤:
输入请求上下文变量信息,并通过实体表达矩阵在编码模块进行编码,以得到嵌入式请求矩阵;
将经过编码的所述上下文变量信息进行压缩并进行特征提取,以得到所述请求上下文变量信息的按照时序的嵌入式请求矢量;
根据所述时序依次输入所述嵌入式请求矢量至LSTM网络模块,以输出所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息;
对所述预测数据信息进行感知,以得到解码后的所述预测数据信息,将所述解码后的所述预测数据信息还原为服务质量数据并输出;
所述上下文变量信息包括上下文及其对应的服务质量数据信息;所述嵌入式请求矩阵为G=concat(G1,G2),G1运算定义如下:
s.t→len(N1)=n,其中符号表示从矩阵M中选择出所有行Mi,当且仅当(X1)i=1,n为所有实体的个数;N1=(010011100101);M矩阵为实体表达矩阵,表达式为:Mn×k,其中Mi代表第i个实体的向量化表达,k代表该表达向量的维度;
G2运算定义如下:
s.t→len(N2)=max(ResponseTime)*100
s.t→len(N3)=max(ThroughOutput)*10,其中max(ResponseTime)max(ThroughOutput)分别表示所有数据中响应时间和吞吐量的最大值,N2和N3分别为八元组第7维和第八维对应的矩阵;
其中,所述上下文变量信息包括非数值型数据,所述非线数值型数据包括八元组,八元组是指具有八维数据的矩阵,X1表示所述八元组的前六元,X1=(x1,x2,x3,x4,x5,x6),(X1)i=1是指将X1对应的N1的第xi位置编码为1;
R为Rrs×k,是指数值型数据的响应时间的表达矩阵,T为Tts×k是指数值型数据的吞吐量的表达矩阵;rs、ts分别为响应时间和吞吐量表达向量的个数。
2.根据权利要求1所述的基于深度神经网络的服务质量预测方法,其特征在于,所述上下文变量信息包括响应时间信息和网络吞吐量信息;还原后的所述服务质量数据包括响应时间信息和网络吞吐量信息。
3.根据权利要求2所述的基于深度神经网络的服务质量预测方法,其特征在于,所述步骤将经过编码的所述上下文变量信息进行维度压缩并进行特征提取还包括:
将经过编码的所述上下文变量信息进行压缩后,输入至多层全连接网络组成的特征提取器进行特征提取。
4.根据权利要求3所述的基于深度神经网络的服务质量预测方法,其特征在于,根据所述时序依次输入所述嵌入式请求矢量至LSTM网络模块,以输出所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息还包括:
根据所述时序依次输入的所述嵌入式请求矢量通过计算依次得到对应的计算结果,将所述计算结果中最后一个计算结果作为所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息。
5.根据权利要求4所述的基于深度神经网络的服务质量预测方法,其特征在于,所述将所述解码后的所述预测数据信息还原为服务质量数据并输出还包括:
将所述预测数据信息分别输入两个全连接网络所构成的还原模块中分别进行计算,以得到包括响应时间信息和网络吞吐量信息的服务质量数据。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于海南大学,未经海南大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910671422.4/1.html,转载请声明来源钻瓜专利网。