本文關(guān)鍵詞：基于T-QoS感知的服務(wù)組合優(yōu)化研究

  更多相關(guān)文章： 可信度 風(fēng)險預(yù)測 AdaBoost算法 服務(wù)組合 蟻群算法

【摘要】：隨著用戶要求的日益增多,單一的服務(wù)已經(jīng)無法滿足用戶的復(fù)雜要求,服務(wù)組合技術(shù)將現(xiàn)有的分布式的服務(wù),組合成滿足用戶要求的復(fù)合服務(wù)。然而如何從大量功能相同而質(zhì)量不同的服務(wù)中構(gòu)造出既滿足用戶要求又具有全局最優(yōu)質(zhì)量的復(fù)合服務(wù),是一個亟待解決的問題。但是,現(xiàn)有的研究成果仍存在以下不足:1)針對服務(wù)組合中每個原子服務(wù)的選取,只考慮服務(wù)的質(zhì)量,卻沒有考慮服務(wù)的可信度,導(dǎo)致在實際執(zhí)行時因為惡意服務(wù)實體的存在,使得復(fù)合服務(wù)執(zhí)行失敗。2)現(xiàn)有研究大多以用戶角度出發(fā),研究服務(wù)的可信度并根據(jù)可信度決定是否選擇此服務(wù),從而保護(hù)用戶的利益。但是,卻忽略了用戶對服務(wù)存在的威脅。3)傳統(tǒng)服務(wù)組合算法未能深入解決陷入局部最優(yōu)這一問題,致使最終服務(wù)組合路徑不是最優(yōu)期望值。針對以上不足,本文提出基于T-QoS感知的服務(wù)組合優(yōu)化算法。所做工作和創(chuàng)新點(diǎn)如下:首先,提出一種基于評價可信度的動態(tài)信任評估模型。該模型將服務(wù)提供商的服務(wù)能力和用戶所需求的服務(wù)能力分別劃分等級,有效解決了服務(wù)提供商服務(wù)能力動態(tài)變化對模型存在的潛在破壞問題。建立了信任度隨時間窗變化的動態(tài)信任機(jī)制,在計算信譽(yù)度時,將用戶的評價可信度作為其評價證據(jù)的可信權(quán)重,通過引入評價可信度和評價相似度提高了計算推薦行為可信度的準(zhǔn)確率。仿真結(jié)果表明,該模型的評估結(jié)果更加貼近服務(wù)提供商的真實信任度,同時能有效抵御惡意用戶的攻擊。其次,提出一種基于改進(jìn)AdaBoost算法的用戶風(fēng)險預(yù)測模型。本文將用戶風(fēng)險預(yù)測看作一個兩類分類的問題,通過歷史用戶的屬性信息預(yù)測出新用戶有無風(fēng)險性。為了進(jìn)行精確的分類,本文采用Adaboost集成算法,此算法通過上一次訓(xùn)練的錯誤率來調(diào)整下一次訓(xùn)練的樣本分布,使得下一次訓(xùn)練對于這些錯分的樣本有更強(qiáng)的鑒別能力,并且給定每個弱分類器一個權(quán)值.最后,通過加權(quán)投票的方式得到最后的強(qiáng)分類器,從而提高整體的分類效果。考慮到錯分代價的存在,對AdaBoost算法進(jìn)行改進(jìn),引入代價敏感方法,將代價敏感矩陣考慮到分類器的構(gòu)造當(dāng)中從而產(chǎn)生最小代價的分類器。實驗結(jié)果表明,本文提出的基于代價敏感的AdaBoost方法比傳統(tǒng)分類器有更好的效果,從而有效預(yù)測一個新增用戶是否存在風(fēng)險,有效保障服務(wù)的安全。最后,提出一種基于T-QoS感知的并行蟻群算法,將服務(wù)的可信度作為服務(wù)質(zhì)量的權(quán)重,得到每個服務(wù)的可信質(zhì)量T-QoS,使得服務(wù)組合能夠在可信的環(huán)境中進(jìn)行。通過建立基于每個服務(wù)的T-QoS初始化信息素矩陣,從而減少了蟻群的初始搜索時間。通過修改信息素的更新規(guī)則,并引入兩個群體從不同角度并行搜索,避免陷入局部最優(yōu)組合解,從而快速找到全局最優(yōu)組合解。實驗表明,該算法在尋得高質(zhì)量服務(wù)組合的同時提高了服務(wù)運(yùn)行成功率,并且收斂速度及最優(yōu)組合解的精確度都有所提高。
【關(guān)鍵詞】：可信度 風(fēng)險預(yù)測 AdaBoost算法 服務(wù)組合 蟻群算法
【學(xué)位授予單位】：南京郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP393.09
【目錄】：

• 摘要4-6
• Abstract6-10
• 第一章 緒論10-16
• 1.1 研究背景10-11
• 1.2 研究現(xiàn)狀11-13
• 1.2.1 信任機(jī)制研究現(xiàn)狀11-12
• 1.2.2 服務(wù)組合研究現(xiàn)狀12-13
• 1.3 研究意義13-14
• 1.4 課題來源14
• 1.5 研究內(nèi)容及章節(jié)安排14-16
• 第二章 背景知識介紹16-20
• 2.1 信任模型16-17
• 2.2 蟻群算法17-18
• 2.3 基于代價敏感的AdaBoost算法18-19
• 2.4 本章小結(jié)19-20
• 第三章 基于評價可信度的動態(tài)信任評估模型20-32
• 3.1 問題分析20
• 3.2 基于評價可信度的信任評估模型20-27
• 3.2.1 模型的相關(guān)定義20-22
• 3.2.2 模型的架構(gòu)圖22-24
• 3.2.3 直接交易信任度計算模塊24-26
• 3.2.4 信譽(yù)度計算模塊26-27
• 3.2.5 推薦信任度計算模塊27
• 3.3 仿真實驗分析27-30
• 3.3.1 針對是否劃分能力等級的仿真實驗28-29
• 3.3.2 針對用戶實體SC評價可信度的仿真實驗29-30
• 3.3.3 針對抵御惡意用戶攻擊能力的仿真實驗30
• 3.4 本章小結(jié)30-32
• 第四章 基于改進(jìn)AdaBoost算法的云用戶風(fēng)險預(yù)測模型32-40
• 4.1 問題分析32
• 4.2 模型的架構(gòu)圖32-34
• 4.3 基于代價敏感的AdaBoost算法34-37
• 4.3.1 AdaBoost算法34-35
• 4.3.2 代價敏感35-37
• 4.4 仿真實驗37-39
• 4.4.1 數(shù)據(jù)集37
• 4.4.2 度量方法37-38
• 4.4.3 實驗設(shè)置38
• 4.4.4 結(jié)果分析38-39
• 4.5 本章小結(jié)39-40
• 第五章 基于T-QoS感知的并行蟻群算法服務(wù)組合40-50
• 5.1 問題分析40-41
• 5.2 問題描述41-42
• 5.3 基于T-QoS感知的并行蟻群算法42-45
• 5.3.1 初始信息素的分布規(guī)則42-43
• 5.3.2 狀態(tài)轉(zhuǎn)移概率規(guī)則43
• 5.3.3 信息素更新規(guī)則43-44
• 5.3.4 并行的搜索規(guī)則44-45
• 5.4 仿真實驗45-48
• 5.4.1 收斂時間比較46-47
• 5.4.2 最優(yōu)服務(wù)組合解成功執(zhí)行率比較47
• 5.4.3 最優(yōu)服務(wù)組合解性能比較47-48
• 5.5 本章小結(jié)48-50
• 第六章 基于T-QoS感知的服務(wù)組合原型系統(tǒng)實現(xiàn)50-55
• 6.1 原型系統(tǒng)結(jié)構(gòu)圖50-51
• 6.2 原型系統(tǒng)流程分析51-52
• 6.3 原型系統(tǒng)實現(xiàn)52-54
• 6.4 本章小結(jié)54-55
• 第七章 總結(jié)與展望55-57
• 7.1 總結(jié)55-56
• 7.2 展望56-57
• 參考文獻(xiàn)57-60
• 附錄1 攻讀碩士學(xué)位期間撰寫的論文60-61
• 附錄2 攻讀碩士學(xué)位期間參加的科研項目61-62
• 致謝62

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 林志陽;康耀紅;雷景生;;基于Adaboost的車標(biāo)定位方法[J];計算機(jī)工程;2008年11期

2 張磊;;基于AdaBoost的側(cè)面人臉、人耳檢測[J];科學(xué)大眾;2008年08期

3 付忠良;;關(guān)于AdaBoost有效性的分析[J];計算機(jī)研究與發(fā)展;2008年10期

4 張崗?fù)?楊全;;兩種Adaboost方法在人臉檢測中的比較研究[J];微計算機(jī)信息;2009年24期

5 嚴(yán)超;王元慶;李久雪;張兆揚(yáng);;AdaBoost分類問題的理論推導(dǎo)[J];東南大學(xué)學(xué)報(自然科學(xué)版);2011年04期

6 李印;;基于AdaBoost的行人檢測研究與實現(xiàn)[J];數(shù)字技術(shù)與應(yīng)用;2012年03期

7 蘇加強(qiáng);丁柳云;;基于R的監(jiān)督式AdaBoost異常值檢測應(yīng)用[J];淮海工學(xué)院學(xué)報(自然科學(xué)版);2013年01期

8 張志勛;張磊;楊凡;;一種改進(jìn)的Adaboost人臉檢測方法[J];自動化與儀器儀表;2013年06期

9 王海川,張立明;一種新的Adaboost快速訓(xùn)練算法[J];復(fù)旦學(xué)報(自然科學(xué)版);2004年01期

10 趙江,徐魯安;基于AdaBoost算法的目標(biāo)檢測[J];計算機(jī)工程;2004年04期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 Wen Feng;;A Novel Lips Detection Method Combined Adaboost Algorithm and Camshift Algorithm[A];2012年計算機(jī)應(yīng)用與系統(tǒng)建模國際會議論文集[C];2012年

2 張超;苗振江;;基于AdaBoost的面部信息感知[A];第十三屆全國信號處理學(xué)術(shù)年會（CCSP-2007）論文集[C];2007年

3 郭翌;汪源源;;基于Adaboost算法的頸動脈粥樣硬化判別方法[A];中國儀器儀表學(xué)會第十一屆青年學(xué)術(shù)會議論文集[C];2009年

4 張紅梅;高海華;王行愚;;抑制樣本噪聲的AdaBoost算法及其在入侵檢測中的應(yīng)用[A];2007年中國智能自動化會議論文集[C];2007年

5 陸文聰;鈕冰;金雨歡;;基于AdaBoost算法的亞細(xì)胞位置預(yù)測[A];中國化學(xué)會第26屆學(xué)術(shù)年會化學(xué)信息學(xué)與化學(xué)計量學(xué)分會場論文集[C];2008年

6 陳宏偉;劉建偉;費(fèi)向東;;一種半監(jiān)督環(huán)境下的Adaboost算法[A];2008'中國信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（二）[C];2008年

7 唐曉丹;苗振江;;基于AdaBoost和粒子濾波的目標(biāo)跟蹤[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2008年

8 張彬;金連文;;基于AdaBoost的手寫體漢字相似字符識別[A];第二十六屆中國控制會議論文集[C];2007年

9 ;Using Skin Color and HAD-AdaBoost Algorithm for Face Detection in Color Images[A];Information Technology and Computer Science—Proceedings of 2012 National Conference on Information Technology and Computer Science[C];2012年

10 肖磊;李麗;肖佳文;;基于AdaBoost-SVM的上市公司信用風(fēng)險評估[A];2012管理創(chuàng)新、智能科技與經(jīng)濟(jì)發(fā)展研討會論文集[C];2012年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 劉沖;模擬電路故障診斷AdaBoost集成學(xué)習(xí)方法研究[D];大連海事大學(xué);2011年

2 張?zhí)珜?人眼注視點(diǎn)估計方法的研究[D];南開大學(xué);2013年

3 趙培英;基于智能計算的膜蛋白結(jié)構(gòu)與相互作用預(yù)測研究[D];東華大學(xué);2010年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 皮麗琴;基于AdaBoost-GASVM算法和LDA主題模型的短文本分類研究[D];華南理工大學(xué);2015年

2 孫斌;一種基于Adaboost的實時行人檢測算法[D];華南理工大學(xué);2015年

3 蔡澤彬;基于視頻分析的行人檢測及統(tǒng)計方法研究[D];華南理工大學(xué);2015年

4 游晴;Adaboost人臉檢測算法研究及其在硬件平臺上的實現(xiàn)[D];昆明理工大學(xué);2015年

5 宋雨;基于視覺圖片的腦—機(jī)接口控制研究[D];天津理工大學(xué);2015年

6 林欣;基于改進(jìn)膚色模型的AdaBoost人臉檢測算法研究[D];陜西科技大學(xué);2015年

7 袁浩杰;Adaboost算法的并行化及其在目標(biāo)分類中的應(yīng)用[D];華南理工大學(xué);2015年

8 張恒;基于近紅外圖像的疲勞駕駛檢測研究與系統(tǒng)實現(xiàn)[D];長安大學(xué);2015年

9 朱非易;基于不平衡學(xué)習(xí)的蛋白質(zhì)—維生素綁定位點(diǎn)預(yù)測研究[D];南京理工大學(xué);2015年

10 張元;一種基于AdaBoost的組合分類算法研究[D];四川師范大學(xué);2015年

，

本文編號：565164