基于时间序列分析的Web Service QoS预测方法

doi:10.3778/j.issn.1673-9418.1209009

计算机科学与探索 ›› 2013, Vol. 7 ›› Issue (3): 218-226.DOI: 10.3778/j.issn.1673-9418.1209009

基于时间序列分析的Web Service QoS预测方法

华哲邦1,2，李萌1,2，赵俊峰1,2+，谢冰1,2

1. 北京大学信息科学技术学院，北京 100871
2. 高可信软件技术教育部重点实验室，北京 100871

出版日期:2013-03-01 发布日期:2013-03-05

Web Service QoS Prediction Method Based on Time Series Analysis

HUA Zhebang1,2, LI Meng1,2, ZHAO Junfeng1,2+, XIE Bing1,2

1. School of Electronics Engineering and Computer Science, Peking University, Beijing 100871, China
2. Key Laboratory of High Confidence Software Technologies, Ministry of Education, Beijing 100871, China

Online:2013-03-01 Published:2013-03-05

摘要/Abstract

摘要： 通过网络提供服务的Web Service的服务质量会随着网络环境、服务器负载等因素的变化而变化，如何更好地帮助用户选择在未来一段时间内符合服务质量需求的Web Service，是目前服务计算领域中需要解决的关键问题之一。针对上述问题，提出了一种基于时间序列分析的Web Service QoS预测方法，并实现了相应的Web Service QoS自动预测工具。该工具能够根据Web Service的历史QoS数据，有效地预测未来短期内的QoS信息。以17 832个Web Service的历史数据为基础，设计了相关实验，并验证了方法的有效性。

关键词: Web Service, 服务质量（QoS）, 预测, 自回归求和移动平均（ARIMA）, 时间序列

Abstract: The QoS (quality of service) of Web services will fluctuate according to the variations of Internet environment and server loads. Therefore, the key question in the service computing areas is how to help users select appropriate Web Service. This paper presents a Web Service QoS prediction method based on time series analysis to address the above question. And it accomplishes the tool of predicting Web Service QoS automatically. This tool can predict the QoS information in the short future according to the historic data of Web Service. And the experiments verify the effectiveness of the method based on the historic data from 17832 services.

Key words: Web Service, quality of service (QoS), prediction, autoregressive integrated moving average (ARIMA), time series

华哲邦，李萌，赵俊峰，谢冰. 基于时间序列分析的Web Service QoS预测方法[J]. 计算机科学与探索, 2013, 7(3): 218-226.

HUA Zhebang, LI Meng, ZHAO Junfeng, XIE Bing. Web Service QoS Prediction Method Based on Time Series Analysis[J]. Journal of Frontiers of Computer Science and Technology, 2013, 7(3): 218-226.

[1]	王贝贝, 万怀宇, 郭晟楠, 林友芳. 融合局部和全局时空特征的交通事故风险预测[J]. 计算机科学与探索, 2021, 15(9): 1694-1702.
[2]	姜山, 丁治明, 徐馨润, 严瑾. 面向路网交通流态势预测的图神经网络模型[J]. 计算机科学与探索, 2021, 15(6): 1084-1091.
[3]	孙冬璞, 曲丽. 时间序列特征表示与相似性度量研究综述[J]. 计算机科学与探索, 2021, 15(2): 195-205.
[4]	王悦, 王平辉, 许诺, 陈龙, 杨鹏, 吴用. 面向案件审判难度预测的神经网络模型研究[J]. 计算机科学与探索, 2021, 15(12): 2345-2352.
[5]	舒世泰，李松，郝晓红，张丽平. 知识图谱嵌入技术研究进展[J]. 计算机科学与探索, 2021, 15(11): 2048-2062.
[6]	王沐贤，丁小欧，王宏志，李建中. 基于相关性的多维时序数据异常溯源方法[J]. 计算机科学与探索, 2021, 15(11): 2142-2150.
[7]	林浩，李雷孝，王慧. 支持向量机在智能交通系统中的研究应用综述[J]. 计算机科学与探索, 2020, 14(6): 901-917.
[8]	陈钦况，陈珂，伍赛，寿黎但，陈刚. 关于主动学习下的知识图谱补全研究[J]. 计算机科学与探索, 2020, 14(5): 769-782.
[9]	王世杰，周丽华，孔兵，周俊华. 基于LDA-DeepHawkes模型的信息级联预测[J]. 计算机科学与探索, 2020, 14(3): 410-425.
[10]	涂吉屏，钱晔，王炜，范道远，张涵宇. 使用EBIC的软件故障特征选择方法[J]. 计算机科学与探索, 2020, 14(2): 215-235.
[11]	王瑶，寇月，申德荣，聂铁铮，于戈. 元路径选择和矩阵分解的跨社交网络链路预测[J]. 计算机科学与探索, 2019, 13(9): 1459-1470.
[12]	姜芸，何伟，崔立真，杨倩，刘磊. 移动情景和用户轨迹感知的众包服务推荐[J]. 计算机科学与探索, 2019, 13(9): 1471-1480.
[13]	张昱，高克宁，陈默，于戈. 融合网络结构和节点属性的链接预测方法[J]. 计算机科学与探索, 2019, 13(7): 1094-1101.
[14]	浦建宇，陈蕾，邵楷. 基于Katz增强归纳型矩阵补全的基因-疾病关联关系预测[J]. 计算机科学与探索, 2019, 13(7): 1154-1164.
[15]	张国豪，刘波. 采用CNN和Bidirectional GRU的时间序列分类研究[J]. 计算机科学与探索, 2019, 13(6): 916-927.

基于时间序列分析的Web Service QoS预测方法

Web Service QoS Prediction Method Based on Time Series Analysis

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics