錢(qián)雙洋 陳 喆 劉原序

(解放軍信息工程大學(xué) 河南 鄭州 450001)

基于改進(jìn)貝葉斯算法的云服務(wù)可靠性預(yù)測(cè)方法研究

錢(qián)雙洋 陳 喆 劉原序

(解放軍信息工程大學(xué) 河南 鄭州 450001)

目前服務(wù)消費(fèi)者業(yè)務(wù)的不斷發(fā)展，業(yè)務(wù)邏輯的不斷復(fù)雜，對(duì)云服務(wù)組合的可靠性性能需求不斷增加。通過(guò)對(duì)服務(wù)組合可靠性進(jìn)行預(yù)測(cè)，根據(jù)預(yù)測(cè)結(jié)果向服務(wù)消費(fèi)者推薦滿足其可靠性需求的組合服務(wù)，以提高服務(wù)使用質(zhì)量?；趥鹘y(tǒng)的貝葉斯預(yù)測(cè)模型提出一種改進(jìn)貝葉斯預(yù)測(cè)算法(IDLM)。通過(guò)采用指數(shù)加權(quán)回歸方法對(duì)算法中的狀態(tài)誤差方差項(xiàng)進(jìn)行估算，有效解決了傳統(tǒng)貝葉斯模型中狀態(tài)誤差方差參數(shù)確定困難等問(wèn)題，并且具有較高的預(yù)測(cè)效率和預(yù)測(cè)準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的貝葉斯預(yù)測(cè)算法(IDLM)較其他傳統(tǒng)的時(shí)間序列預(yù)測(cè)算法具有較高的準(zhǔn)確性。

服務(wù)組合 可靠性 貝葉斯模型 預(yù)測(cè)

0 引 言

面向服務(wù)[1]計(jì)算是在面向?qū)ο?、面向?gòu)件及分布式計(jì)算等軟件工程技術(shù)的基礎(chǔ)上產(chǎn)生的一種新的計(jì)算范式。隨著云計(jì)算服務(wù)資源的不斷豐富，云計(jì)算環(huán)境中不可避免地涌現(xiàn)出大量功能相同但服務(wù)質(zhì)量QoS不同的服務(wù)資源。通過(guò)一定的組合邏輯和業(yè)務(wù)流程，將功能單一的原子服務(wù)組合成具有增值功能的組合服務(wù)，來(lái)滿足用戶QoS偏好，這一過(guò)程稱之為服務(wù)組合。通常服務(wù)提供者和服務(wù)請(qǐng)求者之間協(xié)商出服務(wù)等級(jí)協(xié)定(SLA)來(lái)規(guī)約服務(wù)組合過(guò)程中的一系列非功能性指標(biāo)。服務(wù)提供者的目標(biāo)是滿足SLA的前提下，以盡可能小的成本來(lái)提供用戶所需的服務(wù)。服務(wù)請(qǐng)求者希望花費(fèi)最小的費(fèi)用來(lái)獲得QoS指標(biāo)最高的服務(wù)。

云服務(wù)的評(píng)價(jià)指標(biāo)主要是根據(jù)Web服務(wù)的評(píng)價(jià)指標(biāo)和云服務(wù)自身的特點(diǎn)，目前，云服務(wù)QoS指標(biāo)主要包括性能、可用性、可靠性和安全性?？煽啃宰鳛樵u(píng)價(jià)軟件質(zhì)量指標(biāo)的重要屬性之一，也是云服務(wù)QoS質(zhì)量指標(biāo)中重要的屬性之一。在保障功能需求的前提下，現(xiàn)今用戶更加注重云服務(wù)于的QoS屬性。提高云服務(wù)的可靠性，對(duì)可靠性進(jìn)行預(yù)測(cè)，在故障發(fā)生之前采取相應(yīng)的措施，能有效地保障服務(wù)消費(fèi)者的權(quán)益，同時(shí)也能夠降低服務(wù)提供者的成本。

目前現(xiàn)有的可靠性預(yù)測(cè)方法都是通過(guò)預(yù)測(cè)技術(shù)對(duì)云服務(wù)的可靠性指標(biāo)進(jìn)行預(yù)測(cè)，從而根據(jù)預(yù)測(cè)結(jié)果進(jìn)行服務(wù)推薦。云服務(wù)以及云服務(wù)組合的可靠性研究已經(jīng)受到廣大學(xué)者的廣泛關(guān)注，但是目前還沒(méi)有很好的解決方法，服務(wù)組合的可靠性預(yù)測(cè)也已成為面向服務(wù)計(jì)算和軟件可靠性領(lǐng)域亟需解決的問(wèn)題。文獻(xiàn)[2]為了解決測(cè)量服務(wù)可靠性矩陣無(wú)法準(zhǔn)確測(cè)量的問(wèn)題，利用微積分幾何工具將可靠性秩約束矩陣演化為沒(méi)有約束的幾何優(yōu)化，為服務(wù)預(yù)測(cè)和推薦提供了參考。Ma等[3]使用概率分布函數(shù)和概率密度函數(shù)提出云服務(wù)可靠性預(yù)測(cè)的概率模型。文獻(xiàn)[4]采用貝葉斯算法來(lái)分析可靠性預(yù)測(cè)過(guò)程中可能出現(xiàn)的服務(wù)違規(guī)和可靠性缺失問(wèn)題。文獻(xiàn)[5]提出了基于貝葉斯算法的網(wǎng)格計(jì)算服務(wù)組合可靠性預(yù)測(cè)模型。文獻(xiàn)[6]提出案例推理的方法來(lái)對(duì)Web服務(wù)組合的可靠性進(jìn)行預(yù)測(cè)。梁?jiǎn)T寧等[7]針對(duì)云服務(wù)的冗余特性和可靠性保障需求，設(shè)計(jì)了基于信任冗余的云服務(wù)可靠性增強(qiáng)總體框架。鐘旭航等[8]通過(guò)軟件容錯(cuò)技術(shù)來(lái)提高組合服務(wù)的可靠性，其首先建立服務(wù)組合的可靠性預(yù)測(cè)模型，然后提出了一種建立基于冗余的Web服務(wù)組合的可靠性優(yōu)化模型的方法。鄭子彬等[9]將協(xié)同過(guò)濾技術(shù)、鄰居矩陣分解策略、服務(wù)調(diào)用者的歷史信息和鄰居用戶的信息結(jié)合起來(lái)，從而對(duì)服務(wù)可靠性進(jìn)行預(yù)測(cè)，繼而提出基于可靠性感知的Web服務(wù)推薦系統(tǒng)。Geebelen 等[10]提出了一種基于在線支持向量機(jī)的組合Web 服務(wù) QoS 預(yù)測(cè)方法。該預(yù)測(cè)方法首先采用在線支持向量機(jī)預(yù)測(cè)組件服務(wù)的 QoS， 然后基于組件服務(wù)的 QoS 預(yù)測(cè)值預(yù)測(cè)組合 Web 服務(wù)的 QoS，并依據(jù)預(yù)測(cè)的組合 Web 服務(wù)的 QoS計(jì)算質(zhì)量協(xié)議的概率。

綜上所述，在進(jìn)行服務(wù)可靠性預(yù)測(cè)過(guò)程中，現(xiàn)有的部分預(yù)測(cè)方案和預(yù)測(cè)方法的準(zhǔn)確性不高。并且有的算法在預(yù)測(cè)過(guò)程中需要消耗大量的系統(tǒng)資源和歷史數(shù)據(jù)，導(dǎo)致算法復(fù)雜度高，預(yù)測(cè)開(kāi)銷大，最終導(dǎo)致無(wú)法對(duì)云服務(wù)進(jìn)行實(shí)時(shí)的預(yù)測(cè)，更不能對(duì)整個(gè)服務(wù)的使用流程進(jìn)行實(shí)時(shí)預(yù)測(cè)。因此本文提出一種基于改進(jìn)貝葉斯預(yù)測(cè)模型的可靠性預(yù)測(cè)算法，提出的算法不僅具有較高的預(yù)測(cè)準(zhǔn)確度，并且在算法復(fù)雜度和消耗系統(tǒng)資源方面也有很好的表現(xiàn)。

1 云服務(wù)組合流程及其可靠性計(jì)算

通過(guò)服務(wù)組合將功能單一的原子服務(wù)組合成具有增值功能的組合服務(wù)來(lái)滿足用戶的QoS需求，云服務(wù)組合的基本順序結(jié)構(gòu)包括順序、迭代、并行和選擇。通過(guò)隨機(jī)Petri網(wǎng)對(duì)上述四種模型進(jìn)行形式化描述，得到如圖1所示的服務(wù)組合模型圖。

圖1 服務(wù)組合隨機(jī)Petri流程圖

迭代結(jié)構(gòu)是當(dāng)邏輯條件滿足規(guī)定條件的時(shí)候，就循環(huán)執(zhí)行循環(huán)體內(nèi)的原子服務(wù)，如圖1(b)所示，假設(shè)循環(huán)體內(nèi)的服務(wù)被執(zhí)行N次，那么迭代結(jié)構(gòu)的可靠性計(jì)算公式為：RL=R(si)N。其中R(si)是循環(huán)體內(nèi)的原子服務(wù)的可靠性值。

選擇結(jié)構(gòu)和并列結(jié)構(gòu)類似，也是具有多分支結(jié)構(gòu)，但是執(zhí)行下一個(gè)原子服務(wù)的條件是任意分支上的原子服務(wù)執(zhí)行完畢。因此選擇結(jié)構(gòu)是在眾多分支中選擇一個(gè)分支執(zhí)行，假設(shè)選擇結(jié)構(gòu)的分支數(shù)目為N，選擇分支Si的概率為pi，那么選擇結(jié)構(gòu)的可靠性計(jì)算公式為：

上述四種組合結(jié)構(gòu)是服務(wù)組合中基本的四種結(jié)構(gòu)，通常情況下實(shí)際中的組合不會(huì)這么簡(jiǎn)單，通常是上述一種或者幾種基本組合結(jié)構(gòu)的再組合。下面通過(guò)一個(gè)實(shí)例來(lái)詳細(xì)介紹實(shí)際中一個(gè)云服務(wù)組合的可靠性。如圖2所示。

圖2 服務(wù)組合可靠性計(jì)算示例

圖2中的服務(wù)組合中包含了S1-S7七個(gè)原子服務(wù)。從總體上看整個(gè)服務(wù)組合分為三個(gè)部分，S1、并列結(jié)構(gòu)和S7組成了整個(gè)服務(wù)組合，其中并列結(jié)構(gòu)中包括兩個(gè)分支，分支一包含S2、選擇結(jié)構(gòu)，選擇結(jié)構(gòu)中包含兩個(gè)分支，分別為S6和S5，分支二包含S3、循環(huán)結(jié)構(gòu)，循環(huán)結(jié)構(gòu)中包含S4循環(huán)k次。綜上所述，假設(shè)單個(gè)原子服務(wù)Si的可靠性為R(si)，那么上述整個(gè)服務(wù)組合的可靠性為：

Rs=R(s1)×R(s2)×[p1×R(s4)+p2×R(s5)]×

R(s3)×Rk(s6)×R(s7)

服務(wù)提供者在向服務(wù)注冊(cè)中心發(fā)布原子服務(wù)的同時(shí)會(huì)提供原子服務(wù)的可靠性參數(shù)值，通過(guò)上述服務(wù)組合的可靠性計(jì)算公式可計(jì)算出組合服務(wù)的可靠性。相同的服務(wù)由于服務(wù)請(qǐng)求者的地理信息環(huán)境與網(wǎng)絡(luò)環(huán)境不同，其可靠性值也會(huì)不同。服務(wù)的可靠性的值的變化是相對(duì)有規(guī)律的，通過(guò)對(duì)云服務(wù)的可靠性值進(jìn)行實(shí)時(shí)預(yù)測(cè)，分配一個(gè)未來(lái)時(shí)間段內(nèi)滿足服務(wù)請(qǐng)求者可靠性需求的云服務(wù)。同時(shí)對(duì)一些即將發(fā)生可靠性違規(guī)的云服務(wù)采取一定的措施，這對(duì)進(jìn)一步提高云服務(wù)的服務(wù)質(zhì)量具有重要的意義。因此下一節(jié)將提出改進(jìn)的貝葉斯算法(IDLM)來(lái)進(jìn)行服務(wù)可靠性的預(yù)測(cè)。

2 改進(jìn)貝葉斯算法的設(shè)計(jì)與實(shí)現(xiàn)

通過(guò)貝葉斯統(tǒng)計(jì)對(duì)預(yù)測(cè)歷史數(shù)據(jù)進(jìn)行分析和演變，從而建立預(yù)測(cè)模型稱之為貝葉斯預(yù)測(cè)模型。貝葉斯預(yù)測(cè)模型充分利用先驗(yàn)信息，結(jié)合歷史數(shù)據(jù)信息和預(yù)測(cè)模型，從而可以對(duì)即將到來(lái)的數(shù)據(jù)進(jìn)行預(yù)測(cè)和判斷。貝葉斯預(yù)測(cè)模型按照其狀態(tài)方程和預(yù)測(cè)方程中參數(shù)的不同確定方法，可以將貝葉斯模型分為常均值模型、常均值折扣模型。上述兩種模型的基礎(chǔ)是正態(tài)動(dòng)態(tài)線性模型，本節(jié)將詳細(xì)介紹正態(tài)動(dòng)態(tài)線性模型、常均值模型、常均值折扣模型以及本文提出的改進(jìn)貝葉斯算法(IDLM)。

2.1 正態(tài)動(dòng)態(tài)線性模型

貝葉斯模型的基礎(chǔ)是正態(tài)動(dòng)態(tài)線性模型DLM(Dynamic Linear Models)，其先驗(yàn)概率隨著時(shí)間的變化而變化。DLM是由觀測(cè)方程和預(yù)測(cè)方程確定的預(yù)測(cè)系統(tǒng)，通過(guò)狀態(tài)回歸矩陣和狀態(tài)轉(zhuǎn)移矩陣來(lái)反映預(yù)測(cè)數(shù)值如何以系統(tǒng)狀態(tài)在系統(tǒng)內(nèi)部之間轉(zhuǎn)化。DLM可以表示為{F,G,V,W}t={Ft,Gt,Vt,Wt}，對(duì)于任意時(shí)刻t，一般存在：

(1)

將上述正態(tài)動(dòng)態(tài)線性模型DLM{F,G,V,W}表示成方程，如下所示：

μt=Gtμt-1+ωtωt～N[0,Wt]

(2)

yt=Ftμt+vtvt～N[0,Vt]

(3)

其中:式(2)為狀態(tài)方程，式(3)為觀測(cè)方程，F(xiàn)t是n×r維動(dòng)態(tài)回歸矩陣，Gt是n×n維狀態(tài)轉(zhuǎn)移矩陣，vt和ωt是r維和n維的觀測(cè)誤差項(xiàng)和狀態(tài)誤差項(xiàng)，觀測(cè)誤差項(xiàng)和狀態(tài)誤差項(xiàng)都服從正態(tài)分布，且相互獨(dú)立，其方差為Vt、Wt。

從式(2)-式(3)可以看出，如果知道t時(shí)刻云服務(wù)可靠性的值，并且能夠得到狀態(tài)轉(zhuǎn)移矩陣、動(dòng)態(tài)回歸矩陣、觀測(cè)誤差項(xiàng)和狀態(tài)誤差項(xiàng)，可以通過(guò)式(2)-式(3)預(yù)測(cè)出下一時(shí)刻云服務(wù)可靠性的預(yù)測(cè)值。觀察式(2)-式(3)可得，正態(tài)線性模型就是觀測(cè)向量、狀態(tài)向量、觀測(cè)誤差向量和狀態(tài)誤差向量都服從正態(tài)分布的動(dòng)態(tài)模型，只要知道{Ft,Gt,Vt,Wt}就可以確定正態(tài)動(dòng)態(tài)線性模型DLM。

2.2 常均值模型

常均值模型是在上述正態(tài)動(dòng)態(tài)線性模型的基礎(chǔ)上演變而來(lái)，通過(guò)將上述正態(tài)線性模型中的觀測(cè)向量和狀態(tài)向量Ft、Gt均設(shè)為1，則得到常均值模型DLM{1,1,Vt,Wt}。方程表示如下：

μt=μt-1+ωtωt～N[0,Wt]

(4)

yt=μt+vtvt～N[0,Vt]

(5)

式(4)為常均值模型狀態(tài)方程，式(5)為常均值觀測(cè)方程。

證明：由于狀態(tài)方程和vt、ωt、μt都服從于正態(tài)分布，并且相互獨(dú)立，由正態(tài)分布的可加性可得：

2.3 常均值折扣模型

μt=μt-1+ωtωt～N[0,Wt]

(6)

Wt=Ct-1(γ-1-1)

(7)

yt=μt+vtvt～N[0,Vt]

(8)

式(6)為常均值折扣模型的狀態(tài)方程，式(7)為常均值折扣模型的狀態(tài)誤差方差約束條件，式(8)為常均值折扣模型的觀測(cè)方程。

2.4 改進(jìn)貝葉斯算法(IDLM)

雖然常均值折扣模型引入折扣因子γ來(lái)解決常均值模型中狀態(tài)誤差方差很難求解的問(wèn)題，但是其處理方法過(guò)于簡(jiǎn)單，對(duì)于預(yù)測(cè)的準(zhǔn)確度還有待提高。本節(jié)針對(duì)常均值折扣模型預(yù)測(cè)精度不高的問(wèn)題，提出了另外一種改進(jìn)的貝葉斯預(yù)測(cè)算法(IDLM)。通過(guò)對(duì)歷史數(shù)據(jù)進(jìn)行處理，按照時(shí)間序列對(duì)其進(jìn)行排序，通過(guò)指數(shù)加權(quán)回歸方法對(duì)其處理，按照指數(shù)分布規(guī)律對(duì)歷史數(shù)據(jù)賦予不同的權(quán)重值。然后結(jié)合先驗(yàn)分布對(duì)未來(lái)數(shù)據(jù)進(jìn)行預(yù)測(cè)，進(jìn)而提高預(yù)測(cè)算法的準(zhǔn)確性和穩(wěn)定性。

通過(guò)狀態(tài)方程和觀測(cè)方程可知，如果對(duì)狀態(tài)誤差方差Wt進(jìn)行指數(shù)加權(quán)回歸方法處理，可得：

Wt=(λ2-β)(1-β)Vt/β

(9)

式(9)中令λ=1，可得：

Wt=(1-β2)Vt/β

(10)

證明：對(duì)于方程

根據(jù)指數(shù)加權(quán)回歸的方法，狀態(tài)誤差方差Wt可表示成如下形式：

Wt=(λ2-β)(1-β)Vt/β

由觀測(cè)方程可得：

(1-λB)μt=ωt

(11)

由狀態(tài)方程可得：

(1-λB)yt=(1-λB)μt+(1-λB)vt

(12)

再根據(jù)式子Wt=(λ2-β)(1-β)Vt/β，令λt=λ，n=1，p=0，q=0，并且令：

xt=(1-λB)yt=(1-βB/λ)et=(ωt+vt)+λBvt

這里記c1=ωt+vt,c2=-λv，則xt的自協(xié)方差函數(shù)可描述為下式：

γx=E((c1+Bc2)(c1+B-1c2))

又因?yàn)棣胟=γ-k，其中k=0或者1，因此γk的自回歸系數(shù)為：

γ1=E(c1c2)=-λv

γ0=E(c12+c22) = (1 +λ2)v+ω

由公式xt=(1-λB)yt=(1-βB/λ)et=(ωt+vt)+λBvt可知：

γx=E{(1-βB/λ)(1-βB-1/λ)}et2

由公式γx=E{(1-βB/λ)(1-βB-1/λ)}et2可得到的自回歸系數(shù)為：

如果令t趨于無(wú)窮大，那么有：

再比較各自的回歸系數(shù)，可得到式(9)如下：

Wt=(λ2-β)(1-β)Vt/β

令λ=1可得式(10)：

酒。酒精能使胃黏膜分泌過(guò)量的胃酸，大量飲酒后，胃黏膜上皮細(xì)胞受損，誘發(fā)黏膜水腫、出血，甚至潰瘍、糜爛，再嚴(yán)重就會(huì)出現(xiàn)胃出血。

Wt=(1-β2)Vt/β

得證。

基于改進(jìn)的貝葉斯算法的云服務(wù)可靠性預(yù)測(cè)算法如算法1所示。

算法1：

Input：Vrel.t.

Output：Prel.t+1.

Begin procedure

Initialize1： β=0.8,m0=Vrel.0,C0=72

1:yt←Vrel.t;

3:Qt←Rt+Vt;

4:At←Rt/Qt;

5:ft←mt-1;

6:et←yt-ft;

7:Ct←AtVt;

8:mt←mt-1-Atet;

9:Prel.t+1←mt;

Endproceduce

Output:Prel.t+1.

3 實(shí)驗(yàn)仿真分析

3.1 實(shí)驗(yàn)環(huán)境設(shè)計(jì)

本文采用實(shí)驗(yàn)室搭建的基于openstack的云平臺(tái)實(shí)驗(yàn)環(huán)境，分析和驗(yàn)證提出的服務(wù)組合可靠性模型，并采用現(xiàn)代數(shù)學(xué)計(jì)算工具M(jìn)ATLAB來(lái)分析求解。實(shí)驗(yàn)證明本文提出的基于改進(jìn)貝葉斯模型的云服務(wù)可靠性預(yù)測(cè)算法在實(shí)際運(yùn)行環(huán)境中具有較好的性能。

為了實(shí)驗(yàn)對(duì)比，將本文提出的算法和常用的時(shí)間序列算法進(jìn)行對(duì)比。實(shí)驗(yàn)對(duì)象為改進(jìn)的貝葉斯常均值(IDLM)、貝葉斯常均值折扣(BCMD)、一次移動(dòng)平均法(MAM)、一次指數(shù)平滑法(SES)。

3.2 結(jié)果評(píng)價(jià)指標(biāo)

為了對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析和對(duì)比，設(shè)計(jì)如下四種評(píng)價(jià)指標(biāo)：

平方和誤差(SSE):

平均絕對(duì)誤差(MAE):

均方誤差(MSE)：

平均絕對(duì)百分比誤差(MAPE)：

式中：Vrel.t表示的t時(shí)刻云服務(wù)可靠性的實(shí)時(shí)檢測(cè)值，Prel.t+1表示的是t+1時(shí)刻云服務(wù)可靠性的預(yù)測(cè)值。

3.3 實(shí)驗(yàn)結(jié)果分析

在基于openstack的云平臺(tái)上創(chuàng)建40臺(tái)虛擬機(jī)表示云平臺(tái)可以向服務(wù)請(qǐng)求者提供的40個(gè)云服務(wù)。同時(shí)設(shè)置了1 000個(gè)應(yīng)用任務(wù)表示服務(wù)請(qǐng)求者的任務(wù)在上面運(yùn)行。在虛擬機(jī)的執(zhí)行過(guò)程中檢測(cè)服務(wù)可靠性值和預(yù)測(cè)算法來(lái)預(yù)測(cè)下一時(shí)刻服務(wù)可靠性值，計(jì)算上述提到的四種評(píng)價(jià)指標(biāo)，來(lái)表示預(yù)測(cè)算法的準(zhǔn)確性和穩(wěn)定性。通過(guò)對(duì)本文提出的改進(jìn)的貝葉斯算法(IDLM)與貝葉斯常均值折扣(BCMD)、一次移動(dòng)平均法(MAM)、一次指數(shù)平滑法(SES)進(jìn)行實(shí)驗(yàn)對(duì)比分析。得到實(shí)驗(yàn)數(shù)據(jù)如表1所示。

表1 實(shí)驗(yàn)數(shù)據(jù)分析

表1中第一行為實(shí)驗(yàn)的四種預(yù)測(cè)算法(IDLM、BCMD、MAM、SES)，第一列為四種評(píng)價(jià)指標(biāo)(SSE、MAE、MSE、MAPE)。從表1中第二行可以得到IDLM預(yù)測(cè)算法的SSE值為0.005 625，在四種預(yù)測(cè)算法中為最小，表明了IDLM通過(guò)Vrel.t來(lái)預(yù)測(cè)Prel.t+1時(shí)預(yù)測(cè)的穩(wěn)定性最好，即預(yù)測(cè)的準(zhǔn)確性最高。同理，比較其他三種評(píng)價(jià)指標(biāo)均可以得到IDLM的預(yù)測(cè)準(zhǔn)確性最高。

通過(guò)上述實(shí)驗(yàn)可知，通過(guò)本文提出的改進(jìn)的貝葉斯預(yù)測(cè)算法來(lái)進(jìn)行云服務(wù)可靠性預(yù)測(cè)時(shí)，預(yù)測(cè)數(shù)據(jù)具有較低的方差值。即通過(guò)t時(shí)刻的云服務(wù)可靠性值Vrel.t能夠預(yù)測(cè)出最滿足用戶可靠性需求的組合服務(wù)，來(lái)推薦給服務(wù)請(qǐng)求者。

4 結(jié) 語(yǔ)

隨著云服務(wù)的發(fā)展和成熟，用戶已經(jīng)從滿足服務(wù)的功能需求逐漸轉(zhuǎn)變?yōu)閷?duì)服務(wù)的非功能性需求提出更高的要求?？煽啃宰鳛榉?wù)非功能屬性中的重要屬性之一，可靠性的高低直接影響著服務(wù)質(zhì)量的高低。對(duì)云服務(wù)可靠性進(jìn)行預(yù)測(cè)進(jìn)行研究來(lái)對(duì)服務(wù)可靠性保障具有重要的研究意義。本文在傳統(tǒng)的貝葉斯預(yù)測(cè)模型的基礎(chǔ)上對(duì)狀態(tài)誤差方差進(jìn)行指數(shù)加權(quán)回歸處理，來(lái)提高預(yù)測(cè)算法性能。實(shí)驗(yàn)表明，提出的算法較傳統(tǒng)的時(shí)間序列預(yù)測(cè)算法具有較高的準(zhǔn)確性和穩(wěn)定性。

[1] Abbadi I M, Alawneh M. A framework for establishing trust in the Cloud[J]. Computers & Electrical Engineering, 2012, 38(5):1073-1087.

[2] Zhao Y, Li Z, Chu X. QoS Prediction for the Cloud Service Marketplace: A Grassmann Manifold Approach[C]// IEEE, International Conference on Cloud Computing. IEEE, 2015:221-228.

[3] Ma Y, Wang S, Yang F, et al. Predicting QoS Values via Multi-dimensional QoS Data for Web Service Recommendations[C]// IEEE International Conference on Web Services. IEEE, 2015:249-256.

[4] Tang B, Tang M. Bayesian Model-Based Prediction of Service Level Agreement Violations for Cloud Services[C]// Theoretical Aspects of Software Engineering Conference. IEEE, 2014:170-176.

[5] Kazem A A P, Pedram H, Abolhassani H. BNQM: A Bayesian Network based QoS Model for Grid service composition[J]. Expert Systems with Applications, 2015, 42(20):6828-6843.

[6] Frey S, Luthje C, Reich C, et al. Cloud QoS Scaling by Fuzzy Logic[C]// IEEE International Conference on Cloud Engineering. IEEE Computer Society, 2014:343-348.

[7] 梁?jiǎn)T寧，陳建良，葉笠. 云服務(wù)可靠性優(yōu)化方法研究[J].計(jì)算機(jī)科學(xué), 2013,40(8):129-133.

[8] 鐘旭航、齊治昌，徐錫山. 基于冗余的Web服務(wù)組合可靠性優(yōu)化方法研究[J].計(jì)算機(jī)工程, 2008,34(4):31-33.

[9] Zheng Z, Ma H, Lyu M R, et al. Collaborative Web Service QoS Prediction via Neighborhood Integrated Matrix Factorization[J]. IEEE Transactions on Services Computing, 2013, 6(3):289-299.

[10] Geebelen D， Geebelen K， Truyen E， et al． QoS prediction for Web service compositions using kernel-based quantile estimation with online adaptation of the constant offset[J]．Information Sciences， 2014，268: 397-424.

CLOUDSERVICERELIABILITYPREDICTIONMETHODBASEDONIMPROVEDBAYES

Qian Shuangyang Chen Zhe Liu Yuanxu

(PLAInformationEngineeringUniversity,Zhengzhou450001,Henan,China)

In view of the continuous development of the service consumer business and the complexity of the business logic, the demand for reliability of the cloud service composition is increasing. Through the prediction of the reliability of service composition, according to the prediction results, the service composition was recommended to service consumers to satisfy their reliability requirements to improve the service quality. We propose an improved Bayesian prediction algorithm based on the traditional Bayesian prediction model. By using the exponential weighted regression method to estimate the variance term of the state error in the algorithm, the problem of difficulty in determining the variance parameters of state error in the traditional Bayesian model is solved effectively. And it has high predictive efficiency and predictive accuracy. The experimental results show that the improved Bayesian prediction algorithm has higher accuracy than other traditional time series prediction algorithms.

Service composition Reliability Bayesian model Prediction

2017-02-19。國(guó)家高技術(shù)發(fā)展研究計(jì)劃項(xiàng)目(2008AA01Z404)；國(guó)防預(yù)研基金項(xiàng)目(9140A26010306JB5201)。錢(qián)雙洋，碩士生，主研領(lǐng)域：系統(tǒng)工程與信息安全。陳喆，副教授。劉原序,碩士生。

TP3

A

10.3969/j.issn.1000-386x.2017.11.006