徐金榮，郭彩萍，童恩棟

（1.太原工業(yè)學院電子工程系，太原 030008；2.北京交通大學計算機與信息技術學院，北京 100044）

（?通信作者電子郵箱jrxu84@163.com）

0 引言

近年來，隨著遙感應用的進一步深化，遙感圖像處理所要解決的問題越來越復雜，而遙感圖像處理技術的迅速發(fā)展使得遙感圖像處理算法更加細化，迫切需要建立一個通用、協(xié)同的遙感圖像處理平臺以充分共享和整合算法資源，滿足用戶各式各樣復雜的應用需求。面向服務架構（Service-Oriented Architecture，SOA）［1］為解決上述挑戰(zhàn)提供了解決思路。面向服務架構的遙感圖像處理應用中，根據(jù)服務組件功能和接口的不同，劃分為不同的抽象服務，用戶根據(jù)實際需求，組合不同的抽象服務（如二值化→邊緣檢測→輪廓提取→圖像分類）并給出服務質量（Quality of Service，QoS）要求，工作流系統(tǒng)在滿足用戶QoS 約束的情況下，為工作流程中的每個抽象服務選擇一個具體原子服務，并按流程執(zhí)行組合服務，與遙感圖像處理的復雜需求相契合。此外，面向服務架構使得遙感圖像處理人員不用關心算法細節(jié)，可以聚焦于業(yè)務層面，只需設置業(yè)務邏輯，不同的服務即按照設定的流程自主“協(xié)同工作”，使遙感圖像處理更加靈活。

值得注意的是，遙感圖像處理服務有一些是與用戶及所處環(huán)境無關的，如價格、可用性等，而大多數(shù)的QoS 卻與用戶及所處環(huán)境密切相關，如響應時間等。同一用戶不同時間調用同一服務QoS 有可能不同，而不同的用戶調用同一服務獲得的QoS 也幾乎總是不同的。因此，對于任一用戶都需要單獨計算每一個服務的QoS。對于用戶未調用過的服務，其QoS是缺失的，必須要對缺失的QoS 數(shù)據(jù)做出準確的預測才能進行后續(xù)的服務選擇及組合。

目前已有很多不同的方法實現(xiàn)缺失QoS 預測［2］，如時間序列預測［3］、協(xié)同過濾（Collaborative Filtering，CF）［4-5］等。其中，協(xié)同過濾方法由于具有較好的性能被廣泛使用。協(xié)同過濾方法包括基于內存的方法以及基于模型的方法兩種［6-7］。矩陣分解是［8］一種基于模型的協(xié)同過濾方法，矩陣分解的思想簡單來說就是每一個用戶和每一個服務都會有自己的一些特性，用矩陣分解的方法可以從QoS矩陣中分解出用戶-特性矩陣以及特性-服務矩陣，進一步通過兩個矩陣相乘實現(xiàn)缺失QoS 的預測?；趦却娴膮f(xié)同過濾方法又被稱為基于近鄰的協(xié)同過濾方法，分為基于用戶的協(xié)同過濾［9］、基于物品的協(xié)同過濾［10］以及它們的結合［11］，其性能的關鍵是計算用戶間以及物品間的相似度，相似度計算通常使用的是皮爾森相關系數(shù)［12］。許多基于傳統(tǒng)協(xié)同過濾方法的改進方法被提出，如：Zheng 等［4］引入了權值來減小共同調用服務較少導致的相似度計算誤差較大的問題；Jiang 等［13］提出根據(jù)QoS 屬性的動態(tài)性賦予不同的權值；Wu等［14］通過對QoS數(shù)據(jù)進行平滑來改進傳統(tǒng)CF 方法。此外，服務的一些屬性信息對于CF 預測有著重要的影響。Liu 等［15］指出用戶或服務所處位置信息會影響最終的QoS，他們將位置信息融入相似用戶/服務的選擇中，以提高相似用戶/服務選擇的準確率。Ma 等［16］假設如果兩個用戶確實相似，則隨著他們不斷調用新的服務，計算得到的相似度也基本保持不變?；诖说仁娇梢缘玫蕉畏匠?，求解得到兩個可能值，進一步通過線性回歸從兩個可能值中得到最終的值。

此外，時間感知的預測方面，基于時間序列的預測方法自回歸移動平均模型（Autoregressive Integrated Moving Average Model，ARIMA）［17］由于具有較好的性能而被廣泛使用。然而，ARIMA 需要基于較長的歷史序列來開展預測，在QoS 預測場景中，有些用戶可能從未調用過某服務，ARIMA 并不適用。Wu 等［18］計算歷史QoS 的平均值（若無則為0），并與基于協(xié)同過濾得到的QoS預測值加權和得到最終的QoS。

綜上，目前的方法對QoS時效性考慮不夠，仍然存在一定的改進空間。接下來，通過一個場景來說明目前QoS 預測工作存在的問題。

由圖1 可見，系統(tǒng)共有三個用戶(U1，U2，U3)以及三個服務(S1，S2，S3)。其中，U1和U2位于同一個子網(wǎng)內，S1和S2位于同一個子網(wǎng)。顯然，U1和U2有較大可能有相似的QoS，如響應時間。U1、U2以及U3持續(xù)調用服務。網(wǎng)絡環(huán)境的動態(tài)性使得QoS 隨時間動態(tài)變化。本文根據(jù)網(wǎng)絡環(huán)境劃分多個時間片，時間片內網(wǎng)絡環(huán)境變化較小，QoS 相關性高。各時間片QoS值如表1所示。

表1 中，數(shù)值表示對應用戶調用對應服務的QoS，T1為最近的時間片，T3為最遠的時間片。T3時間片相應的QoS如下：RU1={100，80，30}，RU2={100，78，32}，RU3={70，50，60}，計算得到的U1與U2的相似度為0.999，U1與U3的相似度為0.277。

T2時間片內，R1發(fā)生擁塞導致通過其網(wǎng)絡請求響應時間增加30 ms。因此，用戶請求S1以及S2的響應時間均增加30 ms。T1時間片內，R1持續(xù)發(fā)生擁塞，導致通過其網(wǎng)絡請求響應時間增加60 ms。最終，經(jīng)過T1時間片后相應的QoS 為：RU1={160，80，30}，RU2={100，138，32}，RU3={130，80，60}，計算得到的U1與U2相似度為0.525，U1與U3的相似度為0.994。U1與U2位于同一子網(wǎng)，應該具有較高的相似度，然而，傳統(tǒng)方法忽略了時間屬性，使得計算得到的相似度遠遠小于實際值；U1與U3實際具有較小的相似度，傳統(tǒng)方法卻計算得到較高的相似度。

圖1 場景示例Fig.1 Scenario example

表1 各時間片的QoS值Tab.1 QoS of different time pieces

目前已有的基于協(xié)同過濾的QoS 預測算法，利用用戶調用服務的歷史QoS 值來計算用戶之間以及服務之間的相似度，然后選擇相似度最高的幾個用戶或服務的QoS 值來進行缺失QoS值的預測。然而，某個用戶可能多次調用同一服務，其QoS數(shù)據(jù)是一個時間序列上的集合?，F(xiàn)有的協(xié)同過濾算法僅采用最近一次用戶調用服務的QoS 數(shù)據(jù)，一方面不同的服務QoS 并不一定是在同一時間段內獲得的，在動態(tài)性較強的場景中服務QoS 間相關性較低，由此計算得到的用戶或服務相似度準確性較差；另一方面大量的歷史QoS數(shù)據(jù)被忽略，而其中蘊含著大量關于用戶或服務相似度的信息。因此，本文引入時間感知機制，采取基于用戶和基于服務的融合協(xié)同過濾來提高QoS預測的準確度。

1 遙感圖像處理平臺組件化設計

采取面向服務架構的方式構建遙感圖像處理平臺，可以有效屏蔽各圖像處理應用內部復雜的實現(xiàn)細節(jié)，降低了圖像處理用戶的使用難度，實現(xiàn)遙感圖像處理資源的有效共享及利用。根據(jù)遙感圖像處理應用需求，圖像處理平臺的業(yè)務模塊主要包括以下幾個子模塊：

1）圖像信息子模塊。主要負責完成圖像基本信息統(tǒng)計（如大小、色彩、文件信息等），直方圖均衡，灰值化，二值化和圖像反色等。

2）校正增強子模塊。主要負責完成幾何校正，自動圖像配準，圖像增強（如亮度、對比度增強），圖像濾波（低通、高通濾波，中值濾波）等。

3）圖像分析子模塊。主要負責完成邊緣檢測（如Robert算子、Sobel算子、旋轉不變算子等），輪廓提取，輪廓增強等。

4）形態(tài)學處理子模塊。主要負責完成腐蝕，膨脹，開、閉操作，流域變換等形態(tài)學處理。

5）高級處理子模塊。主要負責完成監(jiān)督與非監(jiān)督遙感圖像分類、目標識別、無損和有損圖像壓縮等。

每個子模塊包含一類遙感圖像處理算法，其中每個算法被封裝成服務，用戶可根據(jù)功能及QoS需求，基于工作流組合不同的服務，完成特定的復雜圖像處理操作。為滿足用戶的QoS 要求，首先需要通過缺失QoS 預測獲得所有服務的QoS。本文提出的時間感知的QoS 預測方法TUIPCC（Time-aware hybrid User-Item based collaborative filtering using Pearson Correlation Coefficient）主要包括時間感知的QoS 模型及協(xié)同過濾的缺失QoS預測。

2 時間感知的QoS模型

2.1 符號表示及術語定義

為簡化下文的相關表述，列出了文中將使用到的相關符號表示：

1）U={u1，u2，…，um}是用戶集合，其中m是用戶的數(shù)量，ui(1 ≤i≤m)表示用戶集合中的第i個用戶；

2）U(s)={u|r(u，s) ≠0}是調用過服務s的用戶集合；

3）S={s1，s2，…，sn}是服務集合，其中n是服務的數(shù)量，sj(1 ≤j≤n)表示服務集合中的第j個服務；

4）S(u)={s|r(u，s) ≠0}是被用戶u調用過的服務集合；

5）R={r(u，s)|u∈U，s∈S}是一個用戶-服務矩陣，其中，r(u，s)表示用戶u調用服務s時的QoS值。

文中用到的一些術語的定義如下：

1）當前用戶：若用戶u將調用服務s，然而相應的QoS(即r(u，s))缺失，需要通過QoS預測來獲取r(u，s)，則用戶u稱為當前用戶。

2）當前服務：若服務s將被用戶u調用，然而相應的QoS(即r(u，s))缺失，需要通過QoS 預測來獲取r(u，s)，則服務s稱為當前服務。

3）有效用戶：若用戶u調用服務s，相應的QoS(即r(u，s))缺失，然而用戶v調用服務s的QoS(即r(v，s))已知，則用戶v稱為用戶u的有效用戶。

4）有效服務：若服務s被用戶u調用，相應的QoS(即r(u，s))缺失，然而用戶u調用服務f的QoS(即r(u，f))已知，則服務f稱為服務s的有效服務。

5）相似用戶：與當前用戶u的相似度大于一定閾值的用戶稱為用戶u的相似用戶。

6）相似服務：與當前服務s的相似度大于一定閾值的服務稱為服務s的相似服務。

2.2 QoS模型

通常來說，用戶會多次調用同一服務，每次調用都會計算相應的QoS 值。以響應時間為例，通過計算服務請求的時間到服務調用結束的時間的長度作為用戶調用該服務的響應時間。由于每次調用結束都會得到一個響應時間，因此，對于每個用戶-服務對，其響應時間不是單一的數(shù)值而是具有時間屬性的一組數(shù)值。為確保QoS 預測時所使用QoS 數(shù)據(jù)的時效性，即不使用過時的QoS 數(shù)據(jù)，首先過濾出最近T時間內的QoS數(shù)據(jù)，

其中，tcurrent表示用戶u請求對服務s進行QoS 預測的當前時刻。

由于網(wǎng)絡環(huán)境在一個較短的時間內會保持基本穩(wěn)定，本文將最近T時間內的QoS 數(shù)據(jù)進一步劃分為k個時間片(T1，T2，…，Tk)，每個時間片的時間跨度為T/k（通過設置k的值使得時間片長度相對較短）。對于每個時間片內的多個QoS數(shù)據(jù)，本文取其平均值代表該時間片的QoS。

其中：r'i(u，s)為求平均計算得到的第i個時間片的QoS，Ni是第i個時間片內QoS 數(shù)據(jù)的個數(shù)，tb=tcurrent-ΔT?i，tu=tcurrent-ΔT?(i-1)，ΔT=T/k。

從而，歷史的QoS數(shù)據(jù)可以表示為用戶-服務在時間上的QoS矩陣序列，假設有m個用戶，n個服務，k個時間片，長度為k的m×n的QoS 矩陣如圖2 所示，其中每個元素為相應時間片（Ti）內QoS的平均值r'i(u，s)。

圖2 QoS模型Fig.2 QoS model

一般來說，某些時間片上會存在QoS值缺失的情況，因此QoS 矩陣中相應的位置r'i(u，s)為空，比如圖2 中r'1(u1，s1)。為支持接下來的基于QoS 的服務選擇及組合，需要知道所有用戶-服務對的當前QoS 值（當前QoS 值即T1時刻的QoS 值），目標就是基于最近T時間內的QoS 矩陣預測T1時刻的缺失QoS值。

3 協(xié)同過濾的缺失QoS預測

缺失QoS 預測有兩個主要的問題需要考慮：一是由于網(wǎng)絡環(huán)境不是一成不變的，用戶調用服務獲得的QoS 值會隨著網(wǎng)絡環(huán)境的變化而具有很大的動態(tài)性，即具有一定的時效性，時間較久的QoS 很難準確刻畫當前的服務質量；二是部分QoS屬性屬于主觀QoS，其具體數(shù)值與調用該服務的用戶是相關的，不同的用戶調用該服務其數(shù)值往往是不同的，如服務的響應時間等。針對這兩個問題，本文的QoS 預測做了如下假設，

1）使用距離當前時間越近的時間片的QoS 數(shù)據(jù)開展預測，其預測準確率越高；

2）相似用戶計算時，兩個不相似的用戶有可能會被誤判定為相似用戶，但兩個相似的用戶很少會被誤判定為不相似用戶。

基于以上假設，本文提出了時間感知的缺失QoS 預測方法。從時間片的粒度出發(fā)，針對k個時間片的（T1，T2，…，Tk）QoS數(shù)據(jù)分別計算用戶以及服務的相似度，通過結合k組相似度得到最終的用戶以及服務相似度。選取最相似的TopN個用戶以及服務，將基于用戶和基于服務的協(xié)同預測方法相融合，最終預測得到缺失QoS，預測模型如圖3所示。

圖3 時間感知的缺失QoS預測模型Fig.3 Time-aware missing QoS prediction model

QoS 預測從兩個方面展開，首先，計算當前用戶調用當前服務的歷史QoS的平均值，此外，相似度計算模塊通過綜合各個時間片的QoS 數(shù)據(jù)計算用戶（及服務）的相似度，從而得到TopN最相似的用戶（及服務），基于協(xié)同過濾實現(xiàn)QoS 的預測。最終，通過結合歷史QoS 平均值以及協(xié)同過濾QoS 預測值，從而得到最終的QoS預測結果。

如果R(u，s) ≠?，即當前用戶調用當前服務的歷史QoS值不為空，本文可以通過計算歷史QoS 的平均值來預測當前QoS：

其中，|R(u，s)|表示R(u，s)中元素的個數(shù)。當|R(u，s)|=0時，(u，s)=0。

3.1 相似度計算

為了實現(xiàn)當前用戶u調用當前服務s的缺失QoS 預測，需要首先獲得當前用戶u的有效用戶集合。根據(jù)定義，當前用戶u的有效用戶集合為時間片T1中調用過服務s且QoS 已知的所有用戶。

值得注意的是，相似的用戶不一定僅僅是具有數(shù)值接近的QoS 的用戶。兩個用戶如果具有相似的QoS 分布規(guī)律，也可以認定為相似用戶。因此，本文使用皮爾遜相關系數(shù)（Pearson Correlation Coefficient，PCC）來計算用戶（及服務）間的相似度。

3.1.1 QoS歸一化

假設有兩個用戶u和v，他們都調用過一組服務，相應的QoS集合分別為：

根據(jù)協(xié)同過濾公式，得到用戶u和v的相似度為：

假設這時用戶u和v同時調用了另一個服務，更新后的QoS集合表示為：

此時計算得到的用戶u與v的相似度為：

可見，用戶u與v本來極不相似（相似度為-1.0），只不過由于同時調用了一個的服務，其QoS數(shù)值相對較大，計算得到的相似度卻顯示用戶u與v極為相似（相似度為0.86）。因此，為了解決這一問題，引入了歸一化操作：

其中：rmin(s)表示服務s被U(s)中所有用戶調用得到的QoS 中的最小值；rmax(s)表示服務s被U(s)中所有用戶調用得到的QoS中的最大值。積極QoS屬性是指QoS的數(shù)值越大，服務質量越好（如服務可靠性等），而消極QoS 屬性是指QoS 的數(shù)值越大，服務質量越差（如服務響應時間等）。

經(jīng)過歸一化操作，所有的QoS 數(shù)值都被映射到［0，1］區(qū)間，而且歸一化后的QoS 同為積極QoS 屬性，即數(shù)值越大，服務質量越好。

3.1.2 加權PCC

假設有兩個用戶u和v，他們調用的服務集合分別為S(u)和S(v)。一般情況下，PCC 可以提供準確的相似度計算結果。然而，實際過程中有可能存在用戶u和v共同調用的服務（即S(u) ∩S(v))數(shù)量較少的情況。在這種情況下，用戶u和v實際并不相似，但恰好用戶u和v在共同調用的這些少量服務(即S(u) ∩S(v))上具有相似的QoS，最終導致計算得到的用戶u和v相似度卻很高。為了減少這一問題造成的影響，本文引入了權值：

其中：|S(u)|、|S(v)|分別表示用戶u與用戶v調用的服務的數(shù)量；|S(u) ∩S(v)|表示用戶u與用戶v共同調用服務的數(shù)量；0 ≤w(u，v) ≤1。當|S(u) ∩S(v)|較小時，w(u，v)較小；反之亦然。

同樣，假設有兩個服務S1和S2，調用它們的用戶集合分別為U(S1)和U(S2)，可以計算得到：

其中，|U(s)|、|U(f)|分別表示調用服務s與服務f的用戶的數(shù)量；|U(s) ∩U(f)|表示共同調用服務s與服務f的用戶數(shù)量；0 ≤w(s，f) ≤1。當|U(s) ∩U(f)|較小時，w(s，f)較??；反之亦然。

3.1.3 時間感知的相似度計算

為了避免QoS 的時效性對于相似度計算的影響，本文針對每個時間片單獨計算用戶及服務相似度。

通過基于用戶的協(xié)同過濾UPCC（User-based collaborative filtering using PCC），計算得到用戶u與用戶v的相似度：

其中：(u，v)表示時間片Tθ內用戶u與用戶v的相似度，-1 ≤(u，v) ≤1；=Sθ(u) ∩Sθ(v)表示用戶u與用戶v同時調用的服務集合；(u)(v)分別表示用戶u與用戶v在時間片Tθ內調用所有服務得到QoS的平均值。

基于式（6）計算得到的權值，得到最終的用戶u與用戶v在時間片Tθ的相似度：

前文提到，實際過程中可能會存在用戶u和v實際并不相似，但最終導致計算得到的用戶u和v相似度卻很高。然而，如果從時間片的粒度出發(fā)，用戶u和v有可能在某個時間片內被誤計算為相似用戶，但若綜合所有時間片，用戶u和v被誤計算為相似用戶的可能性則極低。因此，綜合所有時間片計算得到的用戶u和v相似度為：

其中，pθ(u，v)為時間片Tθ的權值。對于該權值的計算，有如下假設：

1）距離當前時間越近的時間片其權值越大；

2）計算相似度時，共同調用某服務的用戶數(shù)量越多，該時間片的權值越大。

基于以上兩個假設，得到權值的計算方法：

其中，N()為服務集合的大小。

同樣，通過基于服務的協(xié)同過濾IPCC（Item-based collaborative filtering using PCC），計算得到服務s與服務f的相似度：

其中：(s，f)表示時間片Tθ內服務s與服務f的相似度，-1 ≤(s，f) ≤1；=Uθ(s) ∩Uθ(f)表示同時調用服務s與服務f的用戶集合；(s)(f)分別表示時間片Tθ內所有用戶調用服務s與服務f得到QoS的平均值。

基于式（7）計算得到的權值，得到最終的服務s與服務f在時間片Tθ的相似度：

綜合所有時間片計算得到的服務s與服務f相似度為：

其中，N()為用戶集合的大小。

3.2 相似節(jié)點選擇

傳統(tǒng)的協(xié)同過濾方法中，通常選擇最相似的TopN個用戶（及服務），其中TopN是預先設定的一個數(shù)值。實際環(huán)境中，當前用戶可能僅有少于TopN的實際相似用戶，若仍然選取最相似的TopN個用戶，將會導致一些實際并不相似的用戶被選中。接下來，這些并不相似的用戶被應用到缺失QoS 預測會嚴重降低預測的準確度。

因此，本文采取了雙閾值的方法。用來對通過式（9）計算得到的T1時間片內的相似度進行過濾用來對通過式（10）計算得到的綜合多個時間片的相似用戶進行過濾。首先對T1時間片內的相似用戶進行過濾，過濾掉相似度小于的用戶：

其中，(u)是基于過濾后得到的相似用戶集合。

接下來，綜合多個時間片的相似度對(u)進行再次過濾：

若|SUthres(u)|≤TopN，返回SUthres(u) 為SUTopN(u)；若|SUthres(u)|＞TopN，返回SUthres(u)中最大的TopN為SUTopN(u)。同樣，可以得到相似服務集合SSTopN(s)。

3.3 缺失QoS預測

得到了相似用戶集合SUTopN(u)，基于UPCC 預測缺失QoS：

同樣，得到了相似服務集合SSTopN(s)，基于IPCC預測缺失QoS：

4 實驗分析

本章將通過一系列實驗完成如下驗證：1）與現(xiàn)有預測方法的預測準確度比較；2）參數(shù)設置對于預測結果的影響分析。實驗環(huán)境為Intel Core i7 3.2 GHz CPU。首先給出實驗設置，接下來通過一組實驗驗證時間感知QoS 預測方法的性能，最終詳細分析實驗結果。

4.1 實驗設置

WS-DREAM［19］包含一組從實際環(huán)境中收集的QoS 數(shù)據(jù)集，本文的實驗采用了WS-DREAM 中時間感知的QoS 數(shù)據(jù)集，該數(shù)據(jù)集包括來自142 個用戶調用4 532 個服務的30 287 611條QoS數(shù)據(jù)（包括響應時間及吞吐量），其中數(shù)據(jù)每15 min 采集一次，共采集64 次。該數(shù)據(jù)集的統(tǒng)計信息如表2所示。

表2 WS-DREAM數(shù)據(jù)集信息Tab.2 Information of WS-DREAM dataset

4.2 預測準確度分析

QoS 預測的目標是最小化預測值與目標觀測值的差值。因此，預測值與目標觀測值差值小于一定閾值的數(shù)量，是衡量預測準確度的一個非常重要的指標。本文使用P20來表示預測值與目標觀測值差值在20%范圍內的數(shù)量。

此外，均方誤差（Mean Absolute Error，MAE）和均方根誤差（Root Mean Squared Error，RMSE）也通常被用來衡量模型預測值與實際觀察值之間的差異。因此，引入均方誤差和均方根誤差來評估模型的預測準確度。

其中：r(u，s)表示用戶u調用服務s的實際觀測QoS 值；表示QoS預測值；N表示總的QoS預測量。

為開展QoS 預測性能分析，本文選取了目前應用較為廣泛的幾種方法。

1）UMEAN：通過計算當前用戶調用其他服務的QoS 平均值，來預測調用當前服務的QoS。

2）IMEAN：通過計算當前服務被其他用戶調用的QoS 平均值，來預測被當前用戶調用的QoS。

3）UPCC：通過選擇相似用戶，進一步基于相似用戶調用當前服務的QoS，來預測當前用戶調用當前服務的QoS。

4）IPCC：通過選擇相似服務，進一步基于當前用戶調用相似服務的QoS，來預測當前用戶調用當前服務的QoS。

5）UIPCC：結合UPCC 及IPCC 的預測值，得到最終的預測值。

6）TF-KMP：結合了TF（Temporal QoS Forecasting）及KMP（K-Means clustering based QoS Prediction）方法，TF 用來計算當前用戶調用當前服務的歷史QoS 的平均值，KMP 采用基于K均值聚類算法的協(xié)同方法，來預測當前用戶調用當前服務的QoS，最終對TF 及KMP 得到的QoS 加權和得到最終的預測值。

通常情況下，用戶不可能調用所有的服務，另外，用戶調用服務往往也不是持續(xù)不斷的，不可避免地會導致圖2 所示的QoS 矩陣存在一定的稀疏度。同樣，本文采用的數(shù)據(jù)集WS-DREAM 也存在QoS 缺失的問題，數(shù)據(jù)集的稠密度定義為數(shù)據(jù)集中有效值所占的比例。WS-DREAM 數(shù)據(jù)集的稠密度如圖4所示。

圖4 WS-DREAM數(shù)據(jù)集稠密度Fig.4 Density of WS-DREAM dataset

由圖4 可見：對于響應時間，WS_DREAM 數(shù)據(jù)集中所有64 個時間片的稠密度最小為68%，最大為76%；而對于吞吐量，WS_DREAM 數(shù)據(jù)集中所有64 個時間片的稠密度最小為60%，最大為67%。接下來，通過從WS-DREAM 數(shù)據(jù)集中隨機刪除部分QoS值，從而改變其稠密度，進一步設置不同稠密度場景，評估QoS預測的性能。

實驗中，數(shù)據(jù)集的稠密度分別設置為5%、15%、25%、35%、45%，接下來，隨機選擇100 個缺失QoS 開展預測。每個實驗參數(shù)設置運行10次計算相應的MAE 及RMSE 并求平均。為簡單起見，使用TUIPCC 來表示本文的方法，實驗結果如表3及圖5所示。

表3 不同稠密度場景下各方法的QoS預測性能比較Tab.3 QoS prediction performance comparison of different algorithms under different densities

由表3 可見，基于協(xié)同過濾的方法相比UMEAN、IMEAN具有較低的MAE 及RMSE。進一步，相比UPCC、IPCC、UIPCC、TF-KMP，TUIPCC 具有更好的性能（即較低的MAE 及RMSE）。MAE 及RMSE 并不是隨著QoS矩陣稠密度的增加而嚴格下降的，表明預測的準確度會受到動態(tài)環(huán)境的影響。然而，從趨勢上來看，QoS 預測的準確度隨QoS 矩陣的稠密度的增加而提高。

由圖5 可見，TUIPCC 具有最大的P20，表明TUIPCC 有較大的可能得到與實際觀測值比較接近的QoS預測值。值得注意的是，TUIPCC 解決的主要問題是，在動態(tài)性較強的場景中服務QoS 間相關性較低，從而計算得到的用戶或服務相似度準確性較差。實驗基于WS-DREAM 數(shù)據(jù)集，為模擬真實場景中QoS缺失的現(xiàn)象，采取隨機刪除的方式，使得得到的測試集有可能并未模擬出真實的動態(tài)環(huán)境。因此，在某些較少情況下（如表3 中，矩陣稠密度為35%時的響應時間預測），TUIPCC 與UIPCC、TF-KMP 相比，在MAE 及RMSE 方面性能相近。

圖5 較小誤差QoS數(shù)量對比Fig.5 Comparison of number of predicted QoS values with small deviation

總體來說，相比協(xié)同過濾方法，UMEAN 以及IMEAN 沒有考慮網(wǎng)絡的環(huán)境信息，得到的QoS 預測準確度波動較大。相比UPCC、IPCC、UIPCC 協(xié)同過濾方法，TUIPCC 引入了歷史QoS，相比同樣引入歷史QoS 的TF-KMP 方法，TUIPCC 從時間片的粒度出發(fā)，考慮QoS時效性，從而能夠獲得真正相似的用戶（及服務），結果表明TUIPCC具有更高的預測準確度。

4.3 參數(shù)設置分析

4.3.1T和k影響分析

為提高QoS 預測的準確度，選擇合適的T以及k非常重要。較大的T會將大量過時的QoS 引入進來，進一步影響預測的準確度，較小的T會過濾掉大量有用的QoS，同樣影響預測的準確度。此外，k的取值同樣需要根據(jù)具體的QoS屬性的特點以及應用場景來仔細選取，例如當應用場景動態(tài)性較高，需要將k的值選取得相對小一些，反之亦然。

參數(shù)設置為：稠密度density=35%，λ=0.9；T的取值從16到64，步長為16；同時k的取值分別選取4、8以及16。參數(shù)T與k對預測準確度的影響如圖6 所示。由圖6 可見，在本文的實驗場景中，T以及k應該被賦予較大的值，即T=64，k=16。

4.3.2TopN影響分析

參數(shù)TopN決定了最終選取的相似用戶以及相似服務的數(shù)量。實驗參數(shù)設置為：稠密度density=35%，T=64，k=16，λ=0.9；TopN的取值分別為10、20、30、40 以及50。為了更清楚地評估TopN對于預測性能的影響，這里取消了2.2 節(jié)的過濾流程，即不再使用，從而得到足夠的TopN個相似用戶及相似服務。參數(shù)TopN對預測準確度的影響如圖7所示。

圖6 參數(shù)T與k對預測準確度的影響（稠密度density=35%，λ=0.9）Fig.6 Prediction accuracy comparison under different T and k（density=35%，λ=0.9）

圖7 參數(shù)TopN對預測準確度的影響Fig.7 Prediction accuracy comparison under different TopN

由圖7 可見，當TopN大于30 時，預測準確度下降較快?？芍?，通過設置合理的較大的TopN，更多的相似用戶及相似服務會被選擇出來，進一步基于協(xié)同獲得較高的預測準確度。然而，當TopN大于一定的閾值，具有較小相似度的用戶及服務也會被選擇出來，從而降低了最終的預測準確度。因此，TopN的取值并不是越大越好，應控制在用戶或服務總數(shù)的20%以內，具體取值需要根據(jù)具體的應用場景細心選取。

4.3.3 討論

在實驗部分，本文評估了TUIPCC 方法的性能。與現(xiàn)有的預測方法相比，本文的方法具有更好的預測準確度。一方面，本文的方法考慮了QoS數(shù)據(jù)的動態(tài)性，通過過濾掉時間較久的QoS 數(shù)據(jù)，對于預測當前時刻的QoS 具有更高的可參考性。另一方面，本文的方法充分利用了歷史QoS，將有效期內的QoS劃分為多個時間片，從時間片的粒度開展協(xié)同預測，從而能夠選擇出與當前用戶（服務）真正相似的用戶（服務），進而獲得更精確的QoS預測值。

為了獲得更好的預測性能，參數(shù)的選取也非常重要。實驗結果顯示，T、k以及TopN都會影響最終的預測性能。為過濾掉時間上較久的過時QoS數(shù)據(jù)，T應該被賦予一個相對較小的值。k決定了時間片的個數(shù)，當應用場景動態(tài)性較高，需要將k的值選取得相對小一些，反之亦然。TopN決定了最終選取的相似用戶以及相似服務的數(shù)量，應控制在用戶或服務總數(shù)的20%以內。不同的應用場景下QoS 數(shù)據(jù)具有不同的模式，具體應用中需要根據(jù)不同的場景動態(tài)選擇合適的參數(shù)組合。

5 結語

缺失QoS 預測是基于QoS 的服務選擇的關鍵。本文提出了時間感知的QoS 預測方法。首先，構建了時間感知的QoS模型，過濾掉距離當前時間較久的QoS；然后，進一步將QoS劃分為時間片，時間片內QoS 相關性高。通過融合多個時間片的結果可以最小化動態(tài)網(wǎng)絡環(huán)境帶來的影響。在WSDREAM 數(shù)據(jù)集上的實驗結果表明，相較于已有協(xié)同過濾算法，本文的時間感知算法具有較高的預測準確度。

接下來，會嘗試尋找k的取值依據(jù)。此外，一些QoS 屬性間可能存在一定的依賴關系（如同增或同減），下一步工作會考慮QoS 屬性間的關系并應用到基于協(xié)同過濾的QoS 預測中。