[发明专利]一种基于贝叶斯网络迁移的虚拟机服务质量动态预测方法

权利要求书

1.一种基于贝叶斯网络迁移的虚拟机服务质量动态预测方法，其特征在于：

首先获取动态改变的虚拟机QoS数据集，并基于前向采样法获取一组辅助迁移数据集；再利用当前贝叶斯网络预测上述两个数据集中各实例的QoS，并根据预测结果对各实例权重进行更新，从而得到两个带权数据集；然后，基于带权数据集和当前贝叶斯网络结构，计算贝叶斯网络的参数值，并根据参数值来评估动态改变的虚拟机QoS数据是否与当前贝叶斯网络的结构拟合；若是，则仅需根据贝叶斯网络的参数值来对网络进行更新；若否，则通过爬山法来更新贝叶斯网的结构，并计算其相应参数值；最后，根据迁移后的贝叶斯网络来实现虚拟机服务质量的动态预测；

具体步骤为：

Step1：首先利用贝叶斯网络的前向采样法，模拟得到一组拟合原有贝叶斯网络的结构和参数的辅助数据集T_a，其包含n条数据实例；再利用随机采样法从新增数据集中得到一组包含多条数据实例的数据集T_b，其包含m条数据实例，将辅助数据集T_a与数据集T_b合并，得到数据集T；

Step2：基于贝叶斯网络，预测数据集T中各数据实例对应的QoS值，并将预测准确率记为Acc；

Step3：根据QoS的预测结果，更新数据集T中数据实例的权重，得到带权数据集T^new；

Step4：根据带权数据集T^new计算得到当前贝叶斯网络的参数值θ^new，再根据参数值θ^new求得当前贝叶斯网络结构的贝叶斯信息准则评分，然后通过贝叶斯信息准则评分判断数据集T^new是否能够与贝叶斯网络的结构进行拟合；

若能够拟合，则贝叶斯网络的结构无需更改，仅需将其参数更改为θ^new；

若不能拟合，则更新贝叶斯网络的结构和参数，根据更新后的贝叶斯网络来重复执行Step2，直至准确率Acc大于阈值α；

所述Step3具体为：

Step3.1：为数据集T中的每一条数据实例赋予一个初始的权重值w_i，如式(3)所示：

数据集T中共有(n+m)条数据实例，其中第1至n条数据实例来自数据集Ta，第(n+1)至(n+m)条数据实例来自数据集T_b；

式(3)中，为数据集T中前n条数据实例的初始权重值，为数据集T中第n至(n+m)条数据实例的权重值；

Step3.2：根据QoS的预测结果，分别更新T_a和T_b中每一条数据实例的权重；

若辅助数据集T_a中数据实例真实的QoS值被贝叶斯网络预测错误，则降低该条数据实例在整个数据集中的权重值，降低权重的方式如式(4)所示：

式中，i∈{1，2，...，n}，为数据实例权重的更新值，为数据实例的原有权重值；当第一次迭代时，为符号函数，且当q_BN＞q_i时，该函数的结果为1；当q_BN＝q_i时，该函数结果为0；当q_BN＜q_i时，该函数的结果为-1；β为一个常数，其中R为贝叶斯网络结构和参数更新的次数，且β≤1，q_BN为该条数据实例真实的QoS值；

若数据集T_b中数据实例真实的QoS值被贝叶斯网络预测错误，则增加其权重值，增加权重的方式如式(5)所示：

式中，i∈{n+1，n+2，...，n+m}，E表示QoS被贝叶斯网络预测错误的错误率，且E的计算方式如式(6)所示：

Step3.3：重复执行Step3.2，直至数据集T中的所有数据实例的权重都被更新，得到带权数据集T^new。