基于服务调用特征模式的个性化Web服务QoS预测方法

随着网络上完成相同功能的Web服务数量不断增长,服务使用者在选择服务之前,通常需要根据服务的历史使用信息对未使用过的服务质量进行预测.考虑到调用时刻用户输入、网络环境及服务运行环境的差异,提出了一种基于服务调用特征模式的个性化QoS预测方法.该方法通过对服务的历史使用信息进行分析,抽取出服务的常用调用特征模式,当用户调用某服务时,根据用户调用服务时特征,找到其对应的调用模式,若在该模式下有使用信息则直接返回给用户;若没有则根据模式的相似度,采用协作过滤算法为其进行预测.实验结果表明该方法可以显著提高Web服务质量预测的准确性,并且效率较高.     

基于事例推理的Web服务QoS动态预测研究

随着面向服务计算技术的发展,网络上出现了大量功能相同而服务质量(QoS)有很大差别的Wcb服务,QoS逐渐成为评价和选择Web服务的重要依据。目前常用Web服务历史QoS的算术平均值来近似服务的QoS,这种度量方法没有考虑Wcb服务QoS的动态性,不能准确地度量Wcb服务的QoS,从而造成被选择的Wcb服务以较大概率不能满足用户的QoS需求。针对这一问题,提出了一种基于事例推理(C13R)的QoS动态预测方法,该方法将Web服务的QoS与服务的外界环境、所处理的任务类型、任务大小关联起来,利用事例推理技术预测Web服务处理新任务时的QoS。实验结果表明,该预测方法能有效地提高Wcb服务QoS的准确度。     

基于云模型的Web服务QoS预测

随着近年来Web服务数量的快速增长,用户-服务QoS(Quality of Service)记录矩阵变得日益稀疏。为了解决传统协同过滤算法在稀疏数据集上预测精确性不高的问题,利用欧几里得距离对数值敏感的特点,将云模型特征向量的欧几里得距离转换成云模型的相似度。对基于云模型的协同过滤算法改进,并将改进算法用于Web服务QoS的动态预测。考虑用户调用同一服务提供商的不同服务有相似体验,再结合云模型的相似度对QoS记录矩阵进行填充,在预测用户调用某服务的QoS时使用填充后的QoS记录矩阵进行计算,从而有利于解决稀疏矩阵下预测准确度难以提高的问题。实验表明,使用该算法的预测结果相较于传统的协同过滤算法有更低的平均绝对误差(MAE),能获得更高的推荐质量。     

用户位置感知的Web服务QoS预测方法

随着互联网上Web服务数量的增多,服务的QoS开始成为用户在选择服务时关注的焦点.为了有效获取服务的QoS信息以便向用户推荐高质量的服务,提出一种用户位置感知的Web服务QoS预测方法--UL-WSRec.利用一些QoS属性受用户位置影响的事实和同一个自治系统中的用户在位置上邻近的特点,根据自治系统来计算用户位置和划分相似用户.在传统的协同过滤算法基础上,利用用户位置信息提出了改进的算法,以提高服务QoS预测的效率和精度.基于真实Web服务数据的实验表明了该方法的有效性.     

基于QoS监控的Web服务选择方法

传统的Web服务框架不支持基于QoS的查询,不能满足用户对服务性能的要求。在传统的SOA框架上增加了QoS代理中心,并提出了两阶段的服务匹配算法。为了克服QoS动态变化的特点,通过QoS代理监控并记录以往运行的服务反馈的QoS值,来综合计算服务的QoS值。给出QoS记录权重随时间衰减因子,并描述了算法。实验表明该方法具有一定的可行性。     

一种支持QoS预测的语义Web服务发现模型

针对不同用户对语义Web服务需要的偏好及发现的准确性和高效性的问题,提出了一种支持QoS预测的语义Web服务发现方法。首先,对历史用户按照用户情境进行聚类预处理,然后在每个簇中采用BP神经网络算法为当前用户预测其所需的QoS,匹配了服务的功能性需求后,在候选服务中,按照预测的QoS,为用户推荐相应服务。最后通过实验验证了该方法的可行性和有效性。     

基于不确定QoS的Web服务选择

服务质量(QoS)是Web服务选择的一个重要考虑因素。目前基于QoS的Web服务选择研究多针对确定的QoS数据,此类方法不适合处理不确定的QoS属性。而已有的针对不确定QoS属性的研究方法基于离散的QoS属性,无法处理QoS属性连续时的情形。因此,提出针对不确定的连续QoS属性的查询方法,并提出QoS属性值在一定分布下的优化方法。实验表明,该方法能有效解决Web服务QoS属性连续条件下的查询,具备一定的可行性。     

基于动态QoS的Web服务组合

在Web服务组合中,现行的几种QoS衡量标准都将重点放在单个Web服务本身的质量上,而忽视了Web服务动态特性、组合特性以及服务组合中的网络特性。另外,在诸多服务组合的算法中,都只是强调组合服务的总体质量,却忽略了用户对某些质量属性的约束条件,从而导致服务重计算问题经常发生。为此,考虑了服务动态特性以及服务间的协作关系对组合服务质量的影响,提出了动态QoS模型;同时,综合了用户的质量约束以及组合服务的整体质量,将用户的质量约束引入服务组合流程中。最后通过实验证实了所提出的动态QoS模型能够根据服务实体的实时情况计算服务质量,同时将用户的质量约束引入服务组合流程中,有效地避免了服务重计算问题。     

基于QoS本体的语义Web服务组合策略

随着Web服务技术的快速发展和广泛应用,传统的Web体系结构肯定已经不能满足日益众多的新需求, Web服务和语义Web成为Web发展的两个新兴方向。在他们相互融合下逐步发展成为语义Web服务这一新的技术。本文设计实现一个基于QoS本体的语义Web服务组合原型系统,以服务请求者的QoS需求为主体,再结合QoS语义匹配和QoS数值匹配进行个性化的服务组合,从而能为服务请求者提供能满足请求者个性化需求的Web服务。     

基于QoS的语义Web服务组合研究

Web服务技术与语义网技术的发展,产生了一个新的研究领域——语义网服务。语义网服务利用本体技术增强了Web服务的语义表达能力,使服务的发现与执行,组合与交互更加自动智能化。关注Web服务的非功能属性,即服务的QoS属性,研究分析了基于QoS的语义网服务组合工作,提出了一个Web服务的QoS本体模型,并讨论了该模型在语义网服务组合工作中的应用。     

一种Web Service的服务质量预测方法

服务消费者在选择服务之前,通常需要基于其他消费者的经验对未使用过的服务的质量进行预测.考虑到不同服务消费者对同一服务的服务质量的感受之间可能存在较大的差别,提出了一种QoS(quality of service)预测方法.该方法以消费者的历史经验为基础,计算消费者之间以及服务之间的相似程度,并以此相似度为基础对消费者并未使用过的服务的QoS进行预测.实验结果表明,这种方法可以显著提高Web服务质量预测的准确性.     

基于协同过滤的自适应Web服务QoS预测方法

随着Web服务越来越多,服务质量QoS作为描述Web服务的非功能性属性变得越来越重要。通常,一种服务的QoS对用户来说是未知的,因此对于基于Web服务的应用,精确预测其未知的QoS对于成功部署该服务具有重要的价值。基于协同过滤的WSRec算法是一种高精度的QoS预测方法,为进一步提升QoS的预测精度,提出了一种协同过滤的自适应Web服务QoS预测方法。该方法通过客户端首先发出QoS-Web服务请求;服务端接到请求后,根据已有数据,计算两两用户或服务间的相似度;并根据相似性找到对于目标用户的K个最接近用户或服务,生成该QoS值预测值A;同时在计算相似性时,采用改进皮尔逊相关系数得到预测值B;最后将预测值A和B以权值相结合得到目标用户或服务的QoS值。该算法改进了单一的协同过滤在数据稀疏的情况下,对相似性给予过高估计的不足,使得QoS预测值精度得以提高,取得了更好的实验结果。实验表明该方法预测精度优于WSRec算法。     

一种轻量级的Web服务QoS预测机制

服务质量（Quality of Service, QoS）作为Web服务非功能属性的代表,已被广泛作为重要的服务选择依据。然而现有QoS预测方法存在着难以兼顾运行效率与预测准确度的问题,且普遍忽略了服务器端的QoS预测。针对该问题,提出一种适用于服务器端环境的轻量级QoS预测机制（LPM）。LPM基于卡尔曼滤波算法构建QoS状态转换模型实现来QoS预测,并借助预测准确度优化预测周期。实验结果显示,在存在显著量测噪声的应用环境中,LPM的预测准确度明显优于常规方法。LPM的QoS预测结果可为用户选择Web服务提供首要的客观依据。     

一种基于服务质量预测的Web服务选择方法

服务质量评估是基于QoS服务选择的前提和基础。然而,目前的Web服务发现方法在服务质量评估过程中没有充分考虑服务质量的动态变化,不能对服务的表现进行准确的预测。在分析现有相关研究的基础上,提出了一种基于服务质量预测的Web服务选择方法,并详细介绍了该服务选择方法的实现和服务质量预测模型的结构。     

一种基于服务质量预测的Web服务选择方法

服务质量评估是基于QoS服务选择的前提和基础。然而,目前的Web服务发现方法在服务质量评估过程中没有充分考虑服务质量的动态变化,不能对服务的表现进行准确的预测。在分析现有相关研究的基础上,提出了一种基于服务质量预测的Web服务选择方法,并详细介绍了该服务选择方法的实现和服务质量预测模型的结构。     

基于UDDI扩展的Web服务QoS模型

在现有UDDI规范中增设QoS认证组件,提出一个Web服务QoS评估模型。定义一组描述Web服务QoS属性分类的tModel,在引入QoS量化概念的基础上,结合QoS认证中心主动监视和服务消费者QoS反馈机制,对UDDI中注册的Web服务QoS进行动态评估和调整,保证了Web服务QoS信息的公平性、可信性和实时性。