[发明专利]算网融合环境下基于Bi-LSTM的服务QoS预测方法

权利要求书

1.算网融合环境下基于Bi-LSTM的服务QoS预测方法，其特征在于，包括以下步骤：

S1：提取算网融合系统中用户调用服务产生的服务质量日志信息，并提取用户调用算网产生的服务数据，将日志信息和服务数据整合形成数据包，并对数据包进行预处理；

S2：将通过预处理之后的数据生成对应的QoS三维矩阵，并根据在不同的时间序列上的多个三维矩阵做相似度计算准备，并基于所述相似度计算准备计算用户/服务之间的相似度；

S3：基于邻居特征学习获得用户/服务深度特征的矩阵，结合用户/服务的相似度和对应的经纬度信息，通过haversine距离公式筛选出相似度最高的前k个用户/服务的集合，k为预设数值，并基于用户/服务相似邻居信息进行服务QoS预测；

S4：基于S3生成的用户和服务的嵌入式时间特征表示作为输入，使用Bi-LSTM双向长短期记忆网络模型进行训练，并结合注意力机制过滤关键信息构建AtBi-LSTM网络模型，训练得到时间序列的服务QoS预测；

S5：分别为S3和S4的服务QoS的预测结果分配对应的权重系数，组合计算出最终的服务QoS预测值，根据最终的QoS预测值对目标用户进行服务推荐；

步骤S3中结合距离筛选取前k个用户/服务的集合的步骤为：

S301：选取最相似的用户和服务的相似邻居进行预测计算；若相似用户/服务数量小于k，则扩大筛选范围，进入下一步；若相似用户/服务数量大于k，在这个集合内利用Top-k算法筛选出相似用户/服务，并排除相似度小于0的用户/服务；

若筛选完后的用户数量小于k，则扩大筛选范围；若筛选完后的用户数量不小于k，则返回寻找相似用户/服务集合；

通过以下公式寻找基于距离的相似用户的集合：

；

通过以下公式寻找基于距离的相似服务的集合：

；

其中，i表示用户的序号,j表示算网融合中服务的序号，K表示范围内总的用户的数量，B为范围内总的服务的数量；d2(u,u_i)，d2(b,b_j)表示各自的距离；

S302：距离d2基于使用haversine公式计算两经纬度间距离，对此用户以及服务之间的距离由(lon1,lat1),(lon2,lat2)进行计算，公式如下：

；

其中,d2即为haversine距离，R为地球半径，lon代表经度，lat代表纬度；

S303：在基于用户的相似性的情况下，使用下列公式预测用户u的服务QoS值：

；

；

其中，为活动用户u调用不同服务的平均QoS值，表示由相似用户u_i调用的不同服务业务的平均QoS，S是由用户u_i所调用的服务的总数，Sim_u,ui为上述用户之间的相似性；

基于服务的相似性的情况下，使用以下公式预测服务s的服务QoS值：

；

其中，表示服务之间的相似性，表示用户调用的服务的数学期望；

S304：于是基于相似度进行预测的QoS值计算公式为:

；

其中，依据用户相似邻居信息进行预测结果输出为，依据服务相似邻居信息进行预测输出结果为。

2.根据权利要求1所述的算网融合环境下基于Bi-LSTM的服务QoS预测方法,其特征在于，所述服务数据包括算力的能力、吞吐量、响应时间，以及用户和服务的ip地址、经纬度、云边服务器的整体的部署。