本文關鍵詞：基于貝葉斯模型的云服務服務質(zhì)量預測　出處：《計算機應用》2016年04期 　論文類型：期刊論文

  更多相關文章： 云服務 服務質(zhì)量 貝葉斯模型 預測

【摘要】：針對如何分配一個未來一段時間內(nèi)滿足QoS要求的云服務和感知可能將要發(fā)生的QoS違規(guī)的問題,提出一種基于時間序列預測方法的云服務QoS預測方法。該預測方法利用改進的貝葉斯常均值(IBCM)模型,能夠準確地預測云服務未來一段時間內(nèi)的QoS狀態(tài)。實驗通過搭建Hadoop集群模擬云平臺并收集了響應時間和吞吐量兩種QoS屬性的數(shù)據(jù)作為預測對象,實驗結(jié)果表明:相比自回歸積分滑動平均(ARIMA)模型和貝葉斯常均值折扣模型等時間序列預測方法,基于改進的貝葉斯常均值模型的云服務QoS預測方法的平方和誤差(SSE)、平均絕對誤差(MAE)、均方誤差(MSE)和和平均絕對百分比誤差(MAPE)均比前兩者小一個數(shù)量級,因此具有更高的預測精度;同時預測結(jié)果對比圖說明提出的預測方法具有更好的擬合效果。
[Abstract]:Aiming at the problem of how to allocate a QoS service violation that may happen in the future to meet the QoS requirements and perceive the problem of QoS violation, a prediction method of cloud service based on time series prediction method is proposed. This prediction method uses an improved Bayesian constant mean value (IBCM) model to accurately predict the QoS state in the future period of cloud services. Through the experiment of building a Hadoop cluster simulation of cloud platform and collect the response time and throughput of two QoS attribute data as forecasting object. The experimental results show that compared with the autoregressive integrated moving average (ARIMA) model and Bayesian constant mean time discount model series prediction method, improved BCM model of cloud service QoS based on the method of prediction error sum of squares (SSE), the mean absolute error (MAE), mean square error (MSE) and the mean absolute percentage error (MAPE) than the former two one order, so it has higher prediction accuracy; and prediction results illustrated the fitting effect of the proposed method has better.
【作者單位】： 江蘇大學計算機科學與通信工程學院;
【分類號】：TP393.09;TP18
【正文快照】： 0引言近年來,隨著云計算的發(fā)展和成熟,用戶對云服務的服務質(zhì)量(Quality of Service,Qo S)越來越重視,并且希望云服務提供商能夠保證分配給他們的云服務滿足云任務的Qo S要求。云計算主要有三種服務模式[1],它們都是通過動態(tài)的Internet網(wǎng)來提供服務的,因而服務質(zhì)量會隨著時間的

【相似文獻】

相關期刊論文 前10條

1 伍杰華;;基于樹狀樸素貝葉斯模型的社會網(wǎng)絡關系預測[J];計算機應用;2013年11期

2 程嵐嵐,何丕廉,孫越恒;基于樸素貝葉斯模型的中文關鍵詞提取算法研究[J];計算機應用;2005年12期

3 吳陳;王萬川;;基于原型的EM樸素貝葉斯模型在直接營銷中的應用[J];計算機應用與軟件;2012年09期

4 周s踽，

本文編號：1346402