基于機器學習的Web服務質(zhì)量預測

目錄第1章 緒論 11.1 服務計算與面向服務的架構 11.1.1 面向服務的架構與Web服務 11.1.2 服務計算、云計算和邊緣計算的關系 21.1.3 服務質(zhì)量 31.2 Web服務質(zhì)量預測的發(fā)展現(xiàn)狀 41.2.1 Web服務質(zhì)量預測 41.2.2 基于記憶的端到端服務質(zhì)量預測方法 61.2.3 基于模型的端到端服務質(zhì)量預測方法 71.2.4 端到端情境信息的應用 71.2.5 服務端服務質(zhì)量預測模型及方法 81.3 本書主要內(nèi)容 10第2章 服務質(zhì)量預測的相關技術基礎 122.1 服務質(zhì)量預測的機器學習技術 122.1.1 概率圖模型與貝葉斯網(wǎng)絡建模 122.1.2 矩陣分解 162.1.3 非負矩陣分解 182.1.4 深度學習 192.1.5 集成學習技術 212.2 服務質(zhì)量預測的評估 232.2.1 數(shù)據(jù)基礎 232.2.2 評估度量 252.3 本章小結 25第3章 基于近鄰效應的靜態(tài)服務質(zhì)量預測 263.1 引言 263.2 基于離差的近鄰模型 263.2.1 模型框架 263.2.2 用于基線估計的組件 273.2.3 情境感知的近鄰組件 293.2.4 參數(shù)學習 303.3 實驗評估 313.3.1 數(shù)據(jù)集 313.3.2 評估指標 313.3.3 實驗對比 323.3.4 Top-K近鄰數(shù)影響分析 333.3.5 位置信息影響分析 353.3.6 計算復雜度分析 363.4 本章小結 37第4章 基于矩陣分解的靜態(tài)服務質(zhì)量預測 384.1 引言 384.2 情境感知矩陣分解 384.2.1 問題形式化 384.2.2 模型及參數(shù)學習 394.3 CSMF實驗評估 414.3.1 數(shù)據(jù)集 414.3.2 評估指標 424.3.3 實驗對比 424.3.4 隱含特征維度影響分析 444.3.5 情境因素影響分析 464.4 位置感知的非負多矩陣分解 474.4.1 非負多矩陣分解模型 484.4.2 基于位置信息的輔助矩陣構造 504.5 LNMMF實驗評估 534.5.1 數(shù)據(jù)集 534.5.2 評價指標 534.5.3 實驗對比 544.5.4 參數(shù)*和*影響分析 554.5.5 隱含特征維度影響分析 564.6 本章小結 57第5章 基于貝葉斯魯棒張量分解的動態(tài)服務質(zhì)量預測 585.1 引言 585.2 基于貝葉斯魯棒張量分解的模型 585.2.1 問題定義 585.2.2 模型設定 595.2.3 預測分布與服務質(zhì)量預測表達式 615.2.4 算法復雜度 625.3 基于貝葉斯推理的模型學習 635.3.1 因子矩陣的后驗分布 635.3.2 超參數(shù)*的后驗分布 645.3.3 稀疏張量*的后驗分布 655.3.4 超參數(shù)*的后驗分布 665.3.5 超參數(shù)*的后驗分布 665.3.6 模型證據(jù)因子的下界 675.3.7 模型推理的初始化 675.4 實驗評估 685.4.1 數(shù)據(jù)集 685.4.2 對比方法 685.4.3 不同張量密度下的性能對比 695.5 本章小結 71第6章 基于深度神經(jīng)網(wǎng)絡的動態(tài)服務質(zhì)量預測 726.1 引言 726.2 STCA模型 726.3 參數(shù)學習 786.4 實驗評估 796.4.1 數(shù)據(jù)集 796.4.2 實驗對比 806.4.3 自注意力機制可視化分析 856.4.4 參數(shù)影響分析 876.5 本章小結 90第7章 基于深度神經(jīng)網(wǎng)絡的多屬性服務質(zhì)量預測 917.1 引言 917.2 深度神經(jīng)網(wǎng)絡模型 917.3 模型訓練 957.3.1 目標函數(shù) 957.3.2 參數(shù)學習 967.3.3 利用服務文檔 977.4 實驗 977.4.1 數(shù)據(jù)集 977.4.2 評估指標 987.4.3 評估方法 997.4.4 參數(shù)設置 997.4.5 性能對比 1007.4.6 參數(shù)分析 1027.4.7 計算復雜度分析 1077.5 本章小結 108第8章 網(wǎng)絡拓撲感知的服務質(zhì)量預測模型 1098.1 引言 1098.2 拓撲感知的神經(jīng)網(wǎng)絡模型 1108.2.1 輸入層 1128.2.2 隱式端交叉建模層 1128.2.3 顯式路徑建模層 1148.2.4 門控層 1158.2.5 預測層 1168.2.6 利用旁側信息 1168.3 模型學習 1178.4 實驗 1188.4.1 數(shù)據(jù)集 1188.4.2 評估指標 1198.4.3 評估方法 1208.4.4 參數(shù)設置 1218.4.5 性能對比 1218.4.6 消融研究 1258.4.7 參數(shù)分析 1268.4.8 效率分析 1298.5 本章小結 131第9章 面向虛擬機服務質(zhì)量預測的帶分類參數(shù)的增廣貝葉斯網(wǎng)絡 1329.1 引言 1329.2 問題描述與背景知識 1339.2.1 問題描述 1339.2.2 預備知識 1359.3 CBN類參數(shù)增廣貝葉斯網(wǎng)絡的構造 1389.3.1 CBN構建過程中的約束 1389.3.2 CBN的結構構建及其參數(shù)計算 1409.4 基于CBN的虛擬機服務質(zhì)量預測 1429.4.1 基于XGboost的虛擬機特征配置分類 1429.4.2 基于變量消元法的虛擬機服務質(zhì)量預測 1439.5 實驗結果與性能分析 1459.5.1 實驗設置 1459.5.2 服務質(zhì)量預測的性能 1479.5.3 基于CBN預測服務質(zhì)量值的概率分布 1519.5.4 基于XGboost對虛擬機特征配置分類的有效性 1539.5.5 結果討論 1549.6 本章小結 155第10章 總結 15610.1 全書回顧 15610.2 未來工作 157參考文獻 159