![](http://cigit.cas.cn/include/head/images/P020201216480928104416.png)
科研进展
重庆研究院在云服务质量发展趋势预测研究中取得进展
时间:2016-11-28编辑:信息所大数据挖掘及应用中心
近日,重庆研究院大数据挖掘及应用中心团队与英国布鲁奈尔大学王子栋教授团队、美国新泽西理工大学周孟初教授团队联合攻关,在云服务质量发展趋势预测研究中取得进展,率先提出“基于稀疏矩阵非负隐特征分析的云服务质量预测框架”[1, 2],结合稀疏矩阵非负隐特征分析、集成学习和高性能云计算,对云服务质量和变化趋势进行准确预测。相关研究成果发表于《IEEE Transactions on Services Computing》*和《IEEE Transactions on Neural Networks and Learning Systems》**[1, 2]。
云服务是面向服务架构(Service-oriented Architecture,SOA)的大型应用系统的基本组成单元,其性能直接决定SOA应用系统的性能。用户感知服务质量是衡量云服务性能的重要标准。在工业应用系统中,随着云服务数量的增长和分布式接口的膨胀,系统无法对全部的云服务进行调用,而只会调用其中的一个子集,从而导致已知的云服务质量数据是稀疏、不完整的[3]。然而,系统又迫切需要以云服务质量数据为依据,以实现服务优选,进一步提高系统性能。因此,如何根据稀疏的云服务质量历史数据,预测和判断云服务的用户感知服务质量发展趋势,是服务计算领域的重要问题[1, 2]。
针对该问题,重庆研究院大数据挖掘及应用中心罗辛研究员及其研究团队结合稀疏大数据分析领域的隐特征分析方法[3-6],从不同角度建模解决方案:1)为用户感知服务质量数据是非负数据,进行隐特征建模时通过非负约束[1-4],增强所得模型对目标数据的表征能力;2)模型训练的时间损耗是工业应用领域的重点关注问题,需要结合高效的训练优化方法,如交替方向强化训练[1, 3],提高模型训练的收敛速度,降低时间损耗;3)对服务质量发展趋势进行预测的准确度直接决定预测框架的有效性,需要借鉴集成学习的思想,构造多个隐特征模型,并通过隐特征筛选和随机注入对其进行分化,再聚合,以得到准确的预测结果[1, 2];4)为进一步降低构造模型聚合的时间消耗,需要结合高性能云计算技术,通过分布式的云计算将多个基本模型的训练并行化[1]。实验结果表明,对比现有云服务质量预测模型,应用该框架构造的预测模型在预测准确度和计算效率上具备明显优势[1, 2]。
[1] Xin Luo, Mengchu Zhou, Zidong Wang, Yunni Xia, and Qingsheng Zhu. An Effective QoS Estimating Scheme via Alternating Direction Method-based Matrix Factorization, IEEE Transactions on Services Computing, DOI 10.1109/TSC.2016.2597829 (In Press).
[2] Xin Luo, Mengchu Zhou, Yunni Xia, and Qingsheng Zhu. Generating Highly Accurate Predictions for Missing QoS-data via Aggregating Non-negative Latent Factor Models[J]. IEEE Transactions on Neural Networks and Learning Systems, 2016, 27(3):579-592.
[3] Xin Luo, Mengchu Zhou, Shuai Li, Zhuhong You, Yunni Xia, and Qingsheng Zhu. A Non-negative Latent Factor Model for Large-scale Sparse Matrices in Recommender Systems via Alternating Direction Method[J]. IEEE Trasactions on Neural Networks and Learning Systems, 2016, 27(3):524-537.
[4] Xin Luo, Mengchu Zhou, Yunni Xia, and Qingsheng Zhu. An Efficient Non-negative Matrix-factorization-based Approach to Collaborative-filtering for Recommender Systems[J]. IEEE Trasactions on Industrial Informatics, 2014, 10(2): 1273-1284.
[5] Xin Luo, Yunni Xia and Qingsheng Zhu. Incremental Collaborative Filtering Recommender Based on Regularized Matrix Factorization[J]. Knowledge-Based Systems, 2012, 27: 271-280.
[6] Xin Luo, Yunni Xia and Qingsheng Zhu. Applying the Learning Rate Adaptation to the Matrix Factorization Based Collaborative Filtering[J]. Knowledge-Based Systems, 2013, 37: 154-164.
论文链接:
1 https://www.computer.org/csdl/trans/sc/preprint/07555347-abs.html
2 http://ieeexplore.ieee.org/document/7091940/
3 http://ieeexplore.ieee.org/document/7112169/
4http://ieeexplore.ieee.org/document/6748996/
5http://www.sciencedirect.com/science/article/pii/S0950705111002073
6http://www.sciencedirect.com/science/article/pii/S0950705112002043