基于协作过滤的组合服务备选集生成方法

论文摘要

Web服务具有高度的互操作性、跨平台性和松耦合性等特点,使得Web服务在互联网上得到了广泛应用。然而随着研究的不断深入,单个Web服务已经不能满足用户的实际需要。组合Web服务作为一种Web服务的增值服务,按一定的业务逻辑将Web服务组合起来,能够处理较为复杂的业务,从而可以在更大程度上满足用户需求。组合服务中每一个任务都对应着一个Web服务,一旦其中的某个服务出现故障,组合服务被迫重新进行服务选取过程,自适应调整的代价很大。与此同时,互联网出现了大量提供相同或相似功能服务的Web服务,因此,如何为组合服务生成一个符合用户需求的备选服务集合,在备选服务集合中可以推荐性能良好的服务给组合服务,一旦推荐的服务发生问题,则重新推荐备用服务,减少组合服务自适应调整的代价,这已经成为目前研究的热点之一。针对这个问题,本文提出基于协作过滤的备选集生成方法,为组合服务中的每个任务生成备选集。备选集中的服务,首先按照个性化的QoS预测方法预测QoS值,然后依据预测的结果排序,排序靠前的服务优先推荐给组合服务,出现问题则用排序靠后的服务替换。为了加快备选集的生成效率,本文还引入了模式匹配的方法,与个性化的QoS预测方法协作,快速为组合服务生成备选集。本文首先研究了使用信息生成方法,从监测日志和执行日志中,生成服务使用信息,服务使用信息中包含QoS预测过程中使用到的所有必要信息。其次,提出了基于DBSCAN算法的模式提取方法,从服务使用信息中提取出相应的模式,方便用户进行模式匹配。再次,提出一种结合模式匹配的个性化的QoS预测方法,根据模式匹配的结果,综合考虑用户的环境特征、主机特征、输入特征、时间特征,使用协作过滤方法,对服务的QoS值进行预测。在此过程中,使用灰色关联分析方法为用户提取个性化的业务特征,使用传统协作过滤方法对模式QoS特征信息进行补充。最后,给出基于协作过滤的组合服务备选集生成方法的应用并对该方法的应用效果进行实验分析。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景和意义
• 1.2 研究的主要问题及主要研究内容
• 1.3 论文组织与结构
• 第2章 相关研究
• 2.1 Web服务QoS预测方法
• 2.1.1 基于UDDI的Web服务QoS预测方法
• 2.1.2 基于BP神经网络的Web服务QoS预测方法
• 2.1.3 基于事例推理的Web服务QoS预测方法
• 2.1.4 基于协作过滤的Web服务QoS预测方法
• 2.2 协作过滤计算方法
• 2.2.1 基于用户的协作过滤方法
• 2.2.2 基于模型的协作过滤方法
• 2.2.3 基于项目聚类的协作过滤方法
• 2.2.4 基于降维的协作过滤方法
• 2.3 小结
• 第3章 基于协作过滤的组合服务备选集生成机制
• 3.1 研究背景
• 3.2 基于协作过滤的组合服务备选集生成过程
• 3.3 服务使用信息生成方法
• 3.3.1 相关定义
• 3.3.2 执行日志和监测日志
• 3.3.3 服务使用信息生成流程
• 3.4 模式和模式提取过程
• 3.5 业务特征提取过程
• 3.6 服务QoS预测流程
• 3.7 小结
• 第4章 基于DBCASN算法的模式提取算法
• 4.1 研究背景
• 4.1.1 模式的提出
• 4.1.2 DBSCAN算法
• 4.1.3 模式信息库
• 4.2 模式提取的基本过程
• 4.2.1 模式提取的预处理
• 4.2.2 模式提取的流程
• 4.2.3 模式提取的算法
• 4.3 小结
• 第5章 基于灰色关联分析的业务特征提取算法
• 5.1 业务特征提取流程
• 5.2 原子任务的提取
• 5.3 输入特征和时间特征提取
• 5.3.1 输入特征的提取
• 5.3.2 时间特征的提取
• 5.4 环境特征和主机特征的提取
• 5.4.1 灰色关联分析方法
• 5.4.2 环境特征的提取
• 5.4.3 主机特征的提取
• 5.5 小结
• 第6章 基于协作过滤的服务QOS预测算法
• 6.1 基于协作过滤的模式QOS特征信息补充算法
• 6.1.1 模式QoS特征信息补充流程
• 6.1.2 数据预处理和正规化
• 6.1.3 相似度度量方法
• 6.1.4 模式QoS特征信息补充算法
• 6.2 基于协作过滤的服务QoS预测算法
• 6.2.1 Web服务QoS预测流程
• 6.2.2 数据预处理和正规化
• 6.2.3 相似度度量方法
• 6.2.4 基于协作过滤的服务QoS预测算法
• 6.3 小结
• 第7章 组合服务备选集生成系统的设计与实现
• 7.1 生成系统整体设计
• 7.2 生成系统详细设计
• 7.2.1 功能模块设计
• 7.2.2 生成系统执行流程
• 7.2.3 数据库表设计
• 7.2.4 关键模块的设计
• 7.3 实验分析
• 7.4 小结
• 第8章 结论
• 参考文献
• 致谢