隨著互聯(lián)網(wǎng)與相關(guān)網(wǎng)絡(luò)技術(shù)的不斷發(fā)展,越來(lái)越多的企業(yè)選擇將自己的產(chǎn)品以服務(wù)的形式發(fā)布到網(wǎng)絡(luò)上供用戶使用。然而由于用戶的需求越來(lái)越復(fù)雜,單一功能的服務(wù)并不能完全解決用戶的問題�；赟OA架構(gòu)的服務(wù)系統(tǒng)將多個(gè)服務(wù)進(jìn)行組合滿足用戶的復(fù)雜需求。但是由于網(wǎng)絡(luò)環(huán)境始終是動(dòng)態(tài)變化的,這給服務(wù)的穩(wěn)定運(yùn)行帶來(lái)了巨大的威脅,并且單個(gè)服務(wù)的變化會(huì)帶來(lái)級(jí)聯(lián)效應(yīng)進(jìn)而影響到整個(gè)系統(tǒng)。因此開展服務(wù)可靠性預(yù)測(cè)研究具有很強(qiáng)的現(xiàn)實(shí)意義。可靠性預(yù)測(cè)主要是針對(duì)服務(wù)在未來(lái)某段時(shí)間內(nèi)服務(wù)可靠性開展預(yù)測(cè)以保證服務(wù)系統(tǒng)的穩(wěn)定運(yùn)行。然而由于網(wǎng)絡(luò)環(huán)境的不確定性,同時(shí)用于開展服務(wù)可靠性預(yù)測(cè)的參數(shù)難以獲取,這些因素導(dǎo)致服務(wù)可靠性預(yù)測(cè)面臨較大困難。本文利用時(shí)間序列對(duì)有限的服務(wù)運(yùn)行參數(shù)與可靠性進(jìn)行劃分,并用深度信念網(wǎng)絡(luò)發(fā)現(xiàn)其中的內(nèi)在關(guān)聯(lián)。限制玻爾茲曼機(jī)作為一個(gè)兩層神經(jīng)網(wǎng)絡(luò)在特征提取,分類等方面具有良好的性能,深度信念網(wǎng)絡(luò)可以定義為由多個(gè)限制玻爾茲曼機(jī)堆疊而成可以發(fā)揮更好的性能。極限學(xué)習(xí)機(jī)作為一種單隱層前饋神經(jīng)網(wǎng)絡(luò)依據(jù)概率分布隨機(jī)選取隱藏層輸出,避免了參數(shù)的迭代微調(diào),因此具有較快的學(xué)習(xí)速度。從以上問題出發(fā),本文進(jìn)行了以下工作:（1）利用深度信念網(wǎng)絡(luò)... 

【文章來(lái)源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：54 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖３．６?ＤＢＮ模型網(wǎng)絡(luò)預(yù)測(cè)流程??的兩個(gè)評(píng)價(jià)標(biāo)準(zhǔn)評(píng)價(jià)不同方法預(yù)測(cè)結(jié)果的準(zhǔn)確率，分別為平均絕對(duì)誤差（Ｍｅａｎ?Ａｂｓｏｌｕｔｅ??

ｎｕｍｂｅｒ?ｏｆ?ｔｉｍｅ?ｓｅｒｉｅｓ?ｆｏｒ?ｔｒａｉｎｉｎｇ?ｎｕｍｂｅｒ?ｏｆ?ｔｉｍｅ?ｓｅｒｉｅｓ?ｆｏｒ?ｔｒａｉｎｉｎｇ??圖３．８訓(xùn)練數(shù)據(jù)規(guī)模對(duì)預(yù)測(cè)結(jié)果準(zhǔn)確性的影響基于１Ｍ數(shù)據(jù)集??最終的預(yù)測(cè)結(jié)果準(zhǔn)確的明顯低于其他方法，基于貝葉斯規(guī)則的方法與回歸分析方法表現(xiàn)??較為接近，我們的方法與ＣＬ＿ＲＯＰ方法的性能表現(xiàn)較為接近，但最終表現(xiàn)還是有所超越，??在預(yù)測(cè)精度方面更勝一籌。??通過結(jié)合圖３．７與３．８可以看出訓(xùn)練集的規(guī)模對(duì)最終的預(yù)測(cè)精度具有顯著的影響，訓(xùn)??練集的增加使得預(yù)測(cè)效果得到明顯改善＞?酒此如果想要得ＳＩ—個(gè)較為準(zhǔn)確的預(yù)測(cè)結(jié)果，??同時(shí)時(shí)間限制較為寬松，則可以盡，量增大訓(xùn)練數(shù)據(jù)集的規(guī)模。??３Ａ．２．２預(yù)測(cè)時(shí)間長(zhǎng)度對(duì)可靠性預(yù)測(cè)結(jié)果的影響??在實(shí)際應(yīng)用中，每個(gè)服務(wù)被調(diào)用的時(shí)間長(zhǎng)度也不能確定，因此我們需要預(yù)測(cè)在動(dòng)態(tài)??變化的時(shí)間中的可靠性序列。在本章節(jié)中，我們通過實(shí)驗(yàn)分析有效預(yù)測(cè)時(shí)間長(zhǎng)度與可靠??性預(yù)測(cè)結(jié)果的關(guān)系。在實(shí)驗(yàn)中

ｎｕｍｂｅｒ?ｏｆ?ｔｉｍｅ?ｓｅｒｉｅｓ?ｉｎ?ｔｒａｉｎｉｎｇ?ｄａｔａ?ｓｅｔ?ｎｕｍｂｅｒ?ｏｆ?ｔｉｍｅ?ｓｅｒｉｅｓ?ｉｎ?ｔｒａｉｎｉｎｇ?ｄａｔａ?ｓｅｔ??圖３．７訓(xùn)練數(shù)據(jù)規(guī)模對(duì)預(yù)測(cè)結(jié)果準(zhǔn)確性的影響棊于２４Ｈ數(shù)據(jù)集??０．１２?ｉ?ｉ?ｉ?ｉ?０－３?ｉ?ｉ?ｉ?ｉ??ＢＲ?ＢＲ??〇１?＿?Ｒｅｇ?—ｓ—?＿?〇?２５?－?Ｒｅｇ?—ｈ—?＿??■?ＡＶＨＲ?…ｉ－－?ＡＶＨＲ?…ｉ－－??００８?＿?十〇?ｌｉ?０２?＂?ＤＢＮ１１??＜?０．０６?＾?０．１５?－?－??＿?七?＇＿?。１?５?卜－??０．０２?－?〇．〇５?－?｜??〇??１?１?１?１?Ｊ?〇??１?１?１?１???５ｄ?１０ｄ?１５ｄ?２０ｄ?２５ｄ?３０ｄ?５ｄ?１０ｄ?１５ｄ?２０ｄ?２５ｄ?３０ｄ??ｎｕｍｂｅｒ?ｏｆ?ｔｉｍｅ?ｓｅｒｉｅｓ?ｆｏｒ?ｔｒａｉｎｉｎｇ?ｎｕｍｂｅｒ?ｏｆ?ｔｉｍｅ?ｓｅｒｉｅｓ?ｆｏｒ?ｔｒａｉｎｉｎｇ??圖３．８訓(xùn)練數(shù)據(jù)規(guī)模對(duì)預(yù)測(cè)結(jié)果準(zhǔn)確性的影響基于１Ｍ數(shù)據(jù)集??最終的預(yù)測(cè)結(jié)果準(zhǔn)確的明顯低于其他方法，基于貝葉斯規(guī)則的方法與回歸分析方法表現(xiàn)??較為接近，我們的方法與ＣＬ＿ＲＯＰ方法的性能表現(xiàn)較為接近，但最終表現(xiàn)還是有所超越，??在預(yù)測(cè)精度方面更勝一籌。??通過結(jié)合圖３．７與３．８可以看出訓(xùn)練集的規(guī)模對(duì)最終的預(yù)測(cè)精度具有顯著的影響，訓(xùn)??練集的增加使得預(yù)測(cè)效果得到明顯改善＞?酒此如果想要得ＳＩ—個(gè)較為準(zhǔn)確的預(yù)測(cè)結(jié)果，??同時(shí)時(shí)間限制較為寬松

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)Real AdaBoost算法的軟件可靠性預(yù)測(cè)[J]. 杜瑞超,華繼學(xué),翟夕陽(yáng),李志鵬.  空軍工程大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(01)
[2]基于Web Services的服務(wù)合成技術(shù)研究綜述[J]. 饒?jiān)?馮博琴,李尊朝.  系統(tǒng)工程與電子技術(shù). 2005(08)

博士論文
[1]Web服務(wù)組合的可靠性預(yù)測(cè)研究[D]. 鐘讀杭.國(guó)防科學(xué)技術(shù)大學(xué) 2007



本文編號(hào)：3010397