基于机器学习的Web服务质量预测

服务质量预测是服务计算的一个重要研究分支，是支撑服务发现和服务管理的有力技术工具。经过多年发展，服务质量预测已聚焦到如何利用机器学习技术解决情境感知的应用需求问题。本书围绕此议题，针对静态、动态、多属性、拓扑感知、虚拟机等场景下服务质量预测问题，分别阐述基于近邻效应、矩阵分解、非负多矩阵分解、贝叶斯鲁棒张量分解、深度神经网络、贝叶斯网络等机器学习技术的解决方案，集中体现该领域**的研究成果与发展动态。

第1章 绪论 1
1.1 服务计算与面向服务的架构 1
1.1.1 面向服务的架构与Web服务 1
1.1.2 服务计算、云计算和边缘计算的关系 2
1.1.3 服务质量 3
1.2 Web服务质量预测的发展现状 4
1.2.1 Web服务质量预测 4
1.2.2 基于记忆的端到端服务质量预测方法 6
1.2.3 基于模型的端到端服务质量预测方法 7
1.2.4 端到端情境信息的应用 7
1.2.5 服务端服务质量预测模型及方法 8
1.3 本书主要内容 10
第2章 服务质量预测的相关技术基础 12
2.1 服务质量预测的机器学习技术 12
2.1.1 概率图模型与贝叶斯网络建模 12
2.1.2 矩阵分解 16
2.1.3 非负矩阵分解 18
2.1.4 深度学习 19
2.1.5 集成学习技术 21
2.2 服务质量预测的评估 23
2.2.1 数据基础 23
2.2.2 评估度量 25
2.3 本章小结 25
第3章 基于近邻效应的静态服务质量预测 26
3.1 引言 26
3.2 基于离差的近邻模型 26
3.2.1 模型框架 26
3.2.2 用于基线估计的组件 27
3.2.3 情境感知的近邻组件 29
3.2.4 参数学习 30
3.3 实验评估 31
3.3.1 数据集 31
3.3.2 评估指标 31
3.3.3 实验对比 32
3.3.4 Top-K近邻数影响分析 33
3.3.5 位置信息影响分析 35
3.3.6 计算复杂度分析 36
3.4 本章小结 37
第4章 基于矩阵分解的静态服务质量预测 38
4.1 引言 38
4.2 情境感知矩阵分解 38
4.2.1 问题形式化 38
4.2.2 模型及参数学习 39
4.3 CSMF实验评估 41
4.3.1 数据集 41
4.3.2 评估指标 42
4.3.3 实验对比 42
4.3.4 隐含特征维度影响分析 44
4.3.5 情境因素影响分析 46
4.4 位置感知的非负多矩阵分解 47
4.4.1 非负多矩阵分解模型 48
4.4.2 基于位置信息的辅助矩阵构造 50
4.5 LNMMF实验评估 53
4.5.1 数据集 53
4.5.2 评价指标 53
4.5.3 实验对比 54
4.5.4 参数*和*影响分析 55
4.5.5 隐含特征维度影响分析 56
4.6 本章小结 57
第5章 基于贝叶斯鲁棒张量分解的动态服务质量预测 58
5.1 引言 58
5.2 基于贝叶斯鲁棒张量分解的模型 58
5.2.1 问题定义 58
5.2.2 模型设定 59
5.2.3 预测分布与服务质量预测表达式 61
5.2.4 算法复杂度 62
5.3 基于贝叶斯推理的模型学习 63
5.3.1 因子矩阵的后验分布 63
5.3.2 超参数*的后验分布 64
5.3.3 稀疏张量*的后验分布 65
5.3.4 超参数*的后验分布 66
5.3.5 超参数*的后验分布 66
5.3.6 模型证据因子的下界 67
5.3.7 模型推理的初始化 67
5.4 实验评估 68
5.4.1 数据集 68
5.4.2 对比方法 68
5.4.3 不同张量密度下的性能对比 69
5.5 本章小结 71
第6章 基于深度神经网络的动态服务质量预测 72
6.1 引言 72
6.2 STCA模型 72
6.3 参数学习 78
6.4 实验评估 79
6.4.1 数据集 79
6.4.2 实验对比 80
6.4.3 自注意力机制可视化分析 85
6.4.4 参数影响分析 87
6.5 本章小结 90
第7章 基于深度神经网络的多属性服务质量预测 91
7.1 引言 91
7.2 深度神经网络模型 91
7.3 模型训练 95
7.3.1 目标函数 95
7.3.2 参数学习 96
7.3.3 利用服务文档 97
7.4 实验 97
7.4.1 数据集 97
7.4.2 评估指标 98
7.4.3 评估方法 99
7.4.4 参数设置 99
7.4.5 性能对比 100
7.4.6 参数分析 102
7.4.7 计算复杂度分析 107
7.5 本章小结 108
第8章 网络拓扑感知的服务质量预测模型 109
8.1 引言 109
8.2 拓扑感知的神经网络模型 110
8.2.1 输入层 112
8.2.2 隐式端交叉建模层 112
8.2.3 显式路径建模层 114
8.2.4 门控层 115
8.2.5 预测层 116
8.2.6 利用旁侧信息 116
8.3 模型学习 117
8.4 实验 118
8.4.1 数据集 118
8.4.2 评估指标 119
8.4.3 评估方法 120
8.4.4 参数设置 121
8.4.5 性能对比 121
8.4.6 消融研究 125
8.4.7 参数分析 126
8.4.8 效率分析 129
8.5 本章小结 131
第9章 面向虚拟机服务质量预测的带分类参数的增广贝叶斯网络 132
9.1 引言 132
9.2 问题描述与背景知识 133
9.2.1 问题描述 133
9.2.2 预备知识 135
9.3 CBN类参数增广贝叶斯网络的构造 138
9.3.1 CBN构建过程中的约束 138
9.3.2 CBN的结构构建及其参数计算 140
9.4 基于CBN的虚拟机服务质量预测 142
9.4.1 基于XGboost的虚拟机特征配置分类 142
9.4.2 基于变量消元法的虚拟机服务质量预测 143
9.5 实验结果与性能分析 145
9.5.1 实验设置 145
9.5.2 服务质量预测的性能 147
9.5.3 基于CBN预测服务质量值的概率分布 151
9.5.4 基于XGboost对虚拟机特征配置分类的有效性 153
9.5.5 结果讨论 154
9.6 本章小结 155
第10章 总结 156
10.1 全书回顾 156
10.2 未来工作 157
参考文献 159