[发明专利]移动边缘计算中基于时序正则化张量分解的QoS预测方法

说明书

本发明提供的一种移动边缘计算中基于时序正则化张量分解的QoS预测方法，通过获取用户访问服务的QoS记录；基于QoS记录构建表示用户、服务以及时间关系的三维张量模型；使用CP分解方法对三维张量模型进行分解，在分解过程中引入与用户维、服务维以及时间维的相关的约束正则项分别对三维张量模型的用户、服务以及时间的权重进行分解约束，并且引入时序正则项对三维张量模型的时间维的时序关系进行分解约束，分别得到用户因子矩阵、服务因子矩阵以及时间因子矩阵，预测具体用户在具体时刻调用具体服务的QoS值。本发明将张量分解与时间序列预测相结合来提高移动边缘计算环境中QoS预测的准确度。

技术领域

本发明属于移动边缘技术领域，具体涉及一种移动边缘计算中基于时序正则化张量分解的QoS预测方法。

背景技术

移动边缘计算(MobileEdgeComputing，MEC)技术的快速发展使得移动服务数量急剧增长，不同的服务提供商提供的许多移动服务具有相同或类似的功能。移动中的QoS数据有以下两种特殊的性质：QoS数据的高维高稀疏性以及QoS数据的动态易变性。

高维高稀疏性是指越来越多的移动服务在不同的领域被开发并用于构建复杂的移动应用程序。目前需要处理的用户和移动服务对象在急剧增长，服务调用中的高稀疏问题越严重，并且这样的高维数据往往会带来庞大的计算量。动态易变性是指动态QoS值取决于调用用户、服务提供者以及移动网络环境。但是MEC下服务状态和网络环境频繁变化，QoS数据具有非线性、随时间动态易变的特点，即使相同的移动服务在不同的调用时间也会表现出不一样的QoS值。

现有技术中移动边缘计算针对上述两种性质，提出协同过滤方法预测QoS。协同过滤方法分为基于内存协同过滤方法和基于模型的协同过滤方法，在预测过程中使用时间序列预测技术在用户过去调用过服务的情况预测QoS，但是由于QoS数据的高稀疏性。随着移动服务和用户数量的增多，用户不可能对所有服务都进行调用，也不可能一直保持对某个服务的访问，服务调记录中的高稀疏性问题严重，很难对每对用户和服务都构建一个时间序列模型来进行QoS预测。并且由于服务推荐中需要处理的对象为成百上千个用户和服务，这样的高维数据往往会带来庞大的计算量，然而大多数传统的时间序列技术由于其较高的计算复杂度只能处理较低维的时序数据。在移动边缘计算环境下用户调用得到的QoS数据不仅与本地QoS性能有关，还会受到网络环境、服务状态、链路长度等用户个性化因素的影响。因此现有技术预测QoS的方法并不准确。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种移动边缘计算中基于时序正则化张量分解的QoS预测方法。本发明要解决的技术问题通过以下技术方案实现：

本发明提供的一种移动边缘计算中基于时序正则化张量分解的QoS预测方法包括：

获取用户访问服务的QoS记录；

基于QoS记录构建表示用户、服务以及时间关系的三维张量模型；

使用CP分解方法对所述三维张量模型进行分解，在分解过程中引入与用户维、服务维以及时间维的相关的约束正则项分别对所述三维张量模型的用户、服务以及时间的权重进行分解约束，并且引入时序正则项对三维张量模型的时间维的时序关系进行分解约束，分别得到用户因子矩阵、服务因子矩阵以及时间因子矩阵；

使用所述用户因子矩阵、服务因子矩阵以及时间因子矩阵，预测具体用户在具体时刻调用具体服务的QoS值。

可选的，所述基于QoS记录构建表示用户、服务以及时间关系的三维张量模型包括：

将在时间周期1处的I个用户作为矩阵行，J个服务作为矩阵列，构建二维矩阵；

基于所述QoS记录，将QoS记录中QoS值按照用户与服务的对应关系，填充如所述二维矩阵中；

构建K个时间周期矩阵以及三维张量矩阵；