[發明專利]一種WebServiceQoS組合預測方法

有效

• 申請號: 201410447471.7
• 申請日: 2014-09-03
• 公開（公告）號: CN104270281B
• 公開（公告）日: 2017-09-19
• 發明（設計）人: 張鵬程;劉宗磊;朱躍龍;馮鈞;萬定生;莊媛;周宇鵬;肖艷
• 申請（專利權）人: 河海大學
• 主分類號: H04L12/26
• 分類號: H04L12/26;H04L29/08;G06N3/02
• 代理公司: 南京蘇高專利商標事務所(普通合伙)32204
• 代理人: 李玉平

技術領域

本發明涉及一種Web Service QoS組合預測方法，特別是一種基于遞階遺傳算法(hierarchical genetic algorithm,HGA)和徑向基(Radial Basis Function,RBF)神經網絡的Web Service QoS組合預測方法，使用時間序列模型與GM(1，1)模型進行數據預處理，以遺傳算法優化RBF神經網絡。

背景技術

隨著互聯網的發展，網絡中出現了越來越多可以被利用的Web Service。然而Web Service是通過動態的Internet網絡提供服務，因此Web Service的服務質量必能很好地保持穩定，會隨著網絡環境、服務器負載等因素的變化而變化，從而會出現周期性，短暫性的服務質量變化的情況。預測QoS服務屬性值可以幫助軟件密集型系統在QoS違反發生前預防發生。

目前，許多方法傾向于使用差分自回歸移動平均模型(Autoregressive Integrated Moving Average,ARIMA)預測QoS屬性值，然而傳統的預測方法在預測精度上有著比較大的差異。

發明內容

發明目的：針對現有技術中存在的問題，本發明提供一種以遞階遺傳算法優化徑向基神經網絡，結合時間序列模型與灰色預測模型的預測Web Service QoS屬性值(以響應時間為例)的組合方法。不同的模型又有不同的建模機制和出發點，通過同一問題使用不同的預測方法，則提取不同的有用信息。將不同預測模型進行適當地組合，形成所謂的組合預測方法，有利于綜合各種方法提供的有用信息，提高預測的精度。

技術方案：一種基于遞階遺傳算法和徑向基神經網絡的Web Service QoS組合預測方法，包括：

確定時間序列預測模型：通過統計學方法對Web Service的響應時間(Response Time，RT)數據進行特征分析，確定使用線性模型ARIMA或者非線性自激勵門限回歸模型(Self-ExcitingThresholdAuto-Regressive，SETAR)。

構建灰色預測模型：通過使用GM(1，1)模型將某些有缺失的響應時間數據看做灰色量，對原始數據進行處理變換為生成數，從而形成一個可信的預測過程。

基于遞階遺傳算法的徑向基預測方法：以時間序列模型和GM(1，1)的輸出作為模型輸入源，用遞階遺傳算法訓練RBF網絡，同時實現網絡參數和隱節點的優化。

所述確定時間序列預測模型中，根據原始數據的線性非線性特征選擇不同的時間序列模型進行預測。具體步驟包括：

數據預處理：白噪聲檢驗，若為純隨機序列則無意義；檢驗數據是否正太分布，當非正太分布式進行近似轉換；穩定性檢測，對于非平穩序列，可以逐次作差分直至轉換為平穩序列；可逆性檢測；

模型識別：通過序列的自相關系數(Autocorrelation function,ACF)和偏自相關系數(Partial Autocorrelation Function,PACF)確定參數p(過去平穩觀測值數)和q(過去的錯誤數)；

非線性檢測；使用Hansen test來檢測數據的非線性。以模式識別步驟的參數p和延遲參數d_p作為輸入，根據Hansen test的輸出結果選擇時間序列模型；Hansentest是B.Hansen在Testing for linearity中提到的方法；

延遲參數與閾值的識別：在Hansen test的輸出結果中，選擇一組最大的統計值的延遲參數和閾值；

指定模型；

模型估計：分別以最大可能性估量(MLE)和條件最小二乘法(CLS)評估ARIMA和SETAR模型；

模型檢驗與選擇最佳模型：顯著性檢驗；檢驗可逆性與平穩性是否滿足；殘差隨機性檢驗。當以上檢驗不滿足時，重新返回指定模型步驟，建立新的模型；

模型預測。

所述灰色預測模型中，即使某些數據信息缺失，依然可以采用GM(1，1)模型構建可信的預測過程，具體步驟包括：

數據的檢驗與處理；建立模型；檢驗預測值，其中又分殘差檢驗與級比偏差值檢驗兩步；模型預測。

所述基于遞階遺傳算法的徑向基預測方法中，以時間序列模型與GM(1，1)模型預測值為輸入源，用遞階遺傳算法處理對參數集進行編碼的個體，通過對染色體解碼，求得RBF神經網絡的隱節點數、隱含層中心值、基寬和輸出的線性權值，構建RBF神經網絡。模型預測并通過新的數據及時修正模型。