本文關鍵詞：Web服務QoS自適應預測方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：由于網絡環(huán)境的開放性、服務自身負載的波動性、用戶需求的不確定性等復雜易變的環(huán)境因素,導致Web服務的服務質量(Quality of service,QoS)呈現出高度的動態(tài)性,并且QoS是制約服務選擇及組合成敗的關鍵性要素,如何準確地預測服務的QoS已成為服務計算與云計算領域亟需解決的關鍵問題。用戶使用服務場景的多樣性、Web服務QoS數據豐富程度的差異性以及QoS預測方法自身的局限性等因素的影響,使得實現多種情景下Web服務QoS的高效預測成為當今研究的重點。針對多情景中Web服務QoS高效預測這一問題,本文構建了Web服務QoS自適應預測模型(Web service QoS adaptive prediction model,WS-QoSAPM)。該模型將QoS預測分為即時QoS預測和一段時間之后的QoS預測,分別實現了不同場景中QoS預測方法的研究。本文研究內容如下:1.在即時QoS預測中,提出了基于改進蜂群算法(Improved artificial bee colony,I-ABC)優(yōu)化的支持向量機(Optimized Support vector machine,O-SVM)和事例推理(Case-based reasoning,CBR)的Web服務QoS預測方法。根據實驗結果構建了QoS自適應預測策略:在QoS數據量不充分時,選用CBR策略完成QoS預測;當QoS數據較為豐富時,采用O-SVM對QoS進行預測。2.針對一段時間之后的QoS預測,提出了基于O-SVM+CBR和O-SVM+O-SVM的QoS預測方法。其中,O-SVM+CBR方法使用O-SVM方法實現負載的預測,然后基于CBR方法完成QoS預測;在O-SVM+O-SVM方法中,同樣使用O-SVM方法完成負載的預測,然后基于O-SVM方法對QoS進行預測。通過實驗分析得到了自適應預測策略:當QoS數據較少時,選擇基于O-SVM+CBR算法的QoS預測方法;當QoS數據較為豐富時,選取基于O-SVM+O-SVM策略的QoS預測方法。3.結合上述研究成果,提出了WS-QoSAPM,實現在不同的應用場景中,依據QoS數據量的豐富與否,選取最優(yōu)的預測方法。本文提出的Web服務QoS自適應預測模型能夠針對不同的用戶需求和QoS數據特征自適應地采用最為合適的QoS預測方法,有效提升了多情景下Web服務QoS預測的效率,能夠為QoS感知的Web服務選擇與服務組合提供有效的支持。
【關鍵詞】：Web服務 QoS自適應預測 I-ABC CBR O-SVM
【學位授予單位】：河南理工大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP393.09
【目錄】：

• 致謝4-5
• 摘要5-7
• Abstract7-12
• 1 緒論12-22
• 1.1 課題研究背景及意義12-13
• 1.1.1 研究背景12-13
• 1.1.2 課題研究意義13
• 1.2 國內外研究狀況及分析13-18
• 1.2.1 自適應思想研究現狀13-15
• 1.2.2 Web服務QoS預測現狀15-18
• 1.3 課題主要研究內容及路線18-19
• 1.4 本文組織結構19-20
• 1.5 本章小結20-22
• 2 理論基礎與相關方法22-38
• 2.1 Web服務相關概念22-26
• 2.1.1 Web服務的定義22
• 2.1.2 Web服務的技術規(guī)范22-24
• 2.1.3 Web服務的體系架構24-25
• 2.1.4 Web服務的QoS25-26
• 2.2 支持向量機26-31
• 2.2.1 支持向量機回歸的基本原理27-29
• 2.2.2 核函數29-30
• 2.2.3 參數優(yōu)化30-31
• 2.3 事例推理技術31-35
• 2.3.1 事例推理的基本原理31-32
• 2.3.2 事例的表示32-33
• 2.3.3 事例的組織與索引33
• 2.3.4 事例的檢索33-34
• 2.3.5 事例的修正34
• 2.3.6 事例的學習與更新34-35
• 2.4 人工蜂群算法35-36
• 2.5 本章小結36-38
• 3 Web服務QoS即時預測方法研究38-58
• 3.1 基于O-SVM的Web服務QoS即時預測方法38-45
• 3.1.1 基于I-ABC的支持向量機參數優(yōu)化39-43
• 3.1.2 基于O-SVM的Web服務QoS即時預測算法43-45
• 3.2 基于CBR的Web服務QoS即時預測方法45-49
• 3.2.1 基于CBR的QoS預測方法構建45-47
• 3.2.2 基于CBR的Web服務QoS即時預測算法47-49
• 3.3 實驗及結論49-56
• 3.3.1 實驗平臺的搭建49-50
• 3.3.2 O-SVM中關鍵參數對預測結果影響的分析50-54
• 3.3.3 CBR中最佳相似歷史事例數目的確定54
• 3.3.4 Web服務QoS即時預測的自適應策略54-56
• 3.4 本章小結56-58
• 4 一段時間之后的Web服務QoS預測方法研究58-68
• 4.1 基于O-SVM+CBR的Web服務QoS預測方法58-61
• 4.1.1 基于O-SVM+CBR的Web服務QoS動態(tài)預測模型58-59
• 4.1.2 基于O-SVM的Web服務負載預測算法59-60
• 4.1.3 基于O-SVM+CBR的Web服務QoS預測流程60-61
• 4.2 基于O-SVM+O-SVM的QoS預測方法61-63
• 4.3 實驗及結論63-66
• 4.3.1 Web服務負載的預測63-64
• 4.3.2 Web服務QoS的預測64-66
• 4.4 本章小結66-68
• 5 Web服務QoS自適應預測模型68-72
• 5.1 Web服務QoS自適應預測模型68-70
• 5.2 本章小結70-72
• 6 總結與展望72-74
• 6.1 論文總結72
• 6.2 展望72-74
• 參考文獻74-80
• 作者簡歷80-82
• 學位論文數據集82

【相似文獻】

中國期刊全文數據庫 前4條

1 李力;沈冰;李榮峰;趙長森;;水電站入庫徑流量的灰色自記憶預測方法研究[J];應用科學學報;2007年02期

2 蔣官澄;張衛(wèi)行;吳雄軍;王曉軍;;一種新的油層敏感性預測方法研究[J];計算機仿真;2011年09期

3 胥少卿;羅強一;梁帥;;區(qū)間型時間序列數據的點預測方法研究[J];系統(tǒng)仿真學報;2010年03期

4 ;[J];;年期

中國重要會議論文全文數據庫 前3條

1 毛國敏;鄒其嘉;顧建華;封長華;;地震人員傷亡預測方法研究及其應用[A];中國地震學會第六次學術大會論文摘要集[C];1996年

2 彭晨蕊;高斌;劉星;郭淵明;;城市規(guī)劃中的需水量預測方法研究[A];規(guī)劃創(chuàng)新：2010中國城市規(guī)劃年會論文集[C];2010年

3 胡敏;趙春標;;基于神經網絡的工業(yè)經濟預測方法研究[A];2011下一代自動測試系統(tǒng)學術研討會論文集[C];2011年

中國碩士學位論文全文數據庫 前7條

1 李永耀;基于全矢-AR模型的旋轉機械故障趨勢預測方法研究[D];鄭州大學;2015年

2 楊瑜;Web服務QoS自適應預測方法研究[D];河南理工大學;2015年

3 李永;城市空間動態(tài)預測方法研究[D];山東師范大學;2010年

4 彭彪;基于神經網絡的匯率預測方法研究[D];南京信息工程大學;2008年

5 汪惠;基于小波的企業(yè)管理預測方法研究[D];北京工業(yè)大學;2003年

6 賈雪;基于EMD-ESN的智能預測方法研究[D];鄭州大學;2013年

7 劉文富;快速響應客戶需求的訂單交貨期預測方法研究[D];浙江大學;2006年

  本文關鍵詞：Web服務QoS自適應預測方法研究，，由筆耕文化傳播整理發(fā)布。

本文編號：266777