CN109257217A - 移动边缘环境下基于隐私保护的Web服务QoS预测方法 - Google Patents

Abstract

本发明公开了一种移动边缘环境下基于隐私保护的Web服务QoS预测方法收集用户信息和Web服务的QoS属性数据，对其进行数据预处理后得到符合边缘环境特性的数据集，并结合差分隐私实现边缘环境下保护隐私的QoS预测方法。在进行数据预处理时，根据用户的纬度和经度将其分为位于同一边缘服务器中、同一边缘区域和不同边缘区域内；对划分后的边缘服务器中的服务进行处理，删除无属性值和位于同一边缘端属性值却相差很大的服务，得到近似边缘环境下的服务集；在预测过程中，为保护用户隐私，对原始数据集加入拉普拉斯噪声，得到伪装后的数据集，并将其作为历史数据进行预测。

Description

移动边缘环境下基于隐私保护的Web服务QoS预测方法

技术领域

本发明涉及一种Web服务QoS预测方法，尤其涉及移动边缘环境下保护用户隐私的Web服务QoS预测方法，属于信息技术领域。

背景技术

近年来，随着因特网技术的飞速发展，出现了众多具有相同或相近功能的Web服务。常见Web服务的QoS属性包括：响应时间、吞吐量及代价等。在真实环境中，QoS数据往往存在部分缺失的情况，这使得根据已知的QoS数据预测出缺失的QoS成为服务推荐过程中的重要问题，在选择服务的过程中Web服务的服务质量(QoS)属性成为关注的重点。此外，如今移动边缘计算是一项新兴技术，又由于其具有响应时间短、处理速度快的特点，因此，在服务推荐***中，通过部署边缘服务器来为移动设备或移动用户提供可靠***成为当下在新环境中预测服务质量的新话题，服务质量(QoS)成为关键因素。

现有的预测方法主要针对一般环境下的Web服务，主要有基于信任感知的QoS预测方法、基于时态感知的Web服务QoS预测方法、基于上下文感知的矩阵因子分解QoS预测方法和基于隐私保护的QoS预测方法。其中基于隐私保护的预测方法主要考虑原始数据的保密性，选择加入拉普拉斯机制或基于位置敏感哈希函数进行预测，如Liu等考虑用户的隐私性，对原始数据集加入拉普拉斯噪声进行数据伪装，利用协同过滤法进行预测；Qi等使用局部敏感哈希的隐私保护服务推荐方法在服务准确性、隐私保护和高效性间获取高效的权衡；Zhang等采用一种基于分布式计算***的可扩展大数据多维匿名化方法。但现有方法无法预测移动边缘环境下时效性短、变化快的数据。此外，Wang等提出一种移动边缘环境下基于协同过滤的服务推荐QoS预测方法，但此方法直接将用户的数据集作为历史数据进行预测，未考虑用户的隐私性。

随着技术的发展，在越来越多的预测方法中用户的服务信息被大量获取，隐私保护成为预测过程中用户的一大需求。

发明内容

发明目的：考虑移动边缘环境下数据时效性短、变化快的特性以及隐私保护的用户需求。本发明提供一种移动边缘环境下基于隐私保护的Web服务QoS预测方法，数据的杂乱性和不稳定性都会影响QoS值预测，因此按照一般数据集中的用户地理位置信息对服务属性值进行预处理，得到满足边缘端特性的数据。在用户具有移动性和活跃性特征的边缘环境下，对用户原始数据进行保护，在达到快速预测的同时，有效的保护了用户隐私。

技术方案：一种移动边缘环境下基于隐私保护的Web服务QoS预测方法，包括如下步骤：

步骤1：收集用户信息和用户调用Web服务的QoS属性数据；

步骤2：对用户信息中的地理位置进行预处理构建边缘端环境；

步骤3：从预处理后的数据中筛选具有移动边缘环境特性的边缘服务数据集；

步骤4：设置隐私参数，对原始QoS数据集加入拉普拉斯噪声；

步骤5：以预测用户所在边缘服务器为中心，不断增大距离寻找相似用户；

步骤6：由步骤5预测值的MAE和RMSE随距离变化情况的最小误差得最佳距离，在此距离内进行Top-k相似用户推荐，实现边缘环境下保护用户隐私的QoS属性值预测。

所述步骤1中收集数据主要包括两个方面：(1)从wsdream中收集包含所在国家、经度、纬度值等地理位置的用户信息。wsdream作为用户信息收集的渠道，可提供Web服务可靠性和质量评估。根据获取到的用户的纬度和经度信息，可将其分为北美洲、欧洲、亚洲等几个区域。用户信息用来划分移动边缘环境下边缘服务器所在的位置及区域。选择数据量最大的北美区域，以提高实验的充分性。(2)采用用户调用的Web服务的响应时间、吞吐量等QoS属性数据作为原始数据集，借助用户的地理位置信息，将划分区域后的用户与用户在各个地点所调用的服务一一对应，获取纬度、经度值相差在10度以内的用户所调用的服务的属性值，并比较响应时间和吞吐量属性值的误差范围，对原始数据集进行下述步骤的处理。QoS属性数据是得到满足边缘环境特性的服务集的来源。

地理位置预处理主要构建边缘端环境，所述步骤2进一步为：

步骤21：根据用户的纬度、经度值将其划分于各大洲。纬度经度值为(-86.9162,40.4249)、(-122.2536,37.8668)等位于北美洲，纬度经度值为(9.1833,48.7667)、(-1.6743,48.112)等位于欧洲，纬度经度值为(114.1667,22.25)、(139.69,35.69)等位于亚洲；

步骤22：选取用户信息数据量最大的洲北美洲作为边缘位置点，以减少预测误差。北美洲中有87个纬度经度不同的位置点，近似看作位于边缘端的87个边缘服务器，其中有60个位置点有多个用户，27个位置点有且只有一个用户；

步骤23：将纬度、经度值相同的用户看作位于一个边缘服务器中。记北美用户集合U＝{u₁,u₂,...,u_n}，用户u₂₈,u₂₉,u₃₀的纬度经度值为(38，-97)，用户u₁₃₀,u₁₃₁,u₁₃₂,u₁₃₃,u₁₃₄,u₁₃₅的纬度经度值为(37.8668，-122.2536)，分别将其看作位于边缘端同一区域的同一服务器中，在预测时可将同一服务器中的数据作为历史数据集；

步骤24：将纬度、经度值相差在一定范围内的用户近似看作位于边缘端的同一区域中。北美用户集合U中的用户u₁₀的纬度经度为(39.1023，-96.5246)，用户u₁₁的纬度经度为(39.1668，-84.5382)，纬度经度差值较小，近似将其看作是位于边缘端同一区域中的两个边缘服务器中的用户；

步骤25:将纬度、经度值相差较大的用户近似看作位于边缘端的不同区域中。集合U中的用户u₂的纬度经度为(44.5642，-123.2790)，用户u₈₉的纬度经度为(33.7866，-118.2987)，用户u₁₀₁的纬度经度为(18.2500，-66.5000)，用户间纬度经度相差较大，近似将其看作是位于边缘端的不同区域中的不同用户。

相比一般环境，边缘环境具有时效短、响应快的特征，因此边缘环境下的数据集更为精确。筛选出具有移动边缘环境特性的边缘服务数据集，所述步骤3进一步为：

步骤31：去除原始数据集中响应时间和吞吐量属性值为-1的服务。属性值为-1表示该用户未调用该服务，为了保证服务的高调用率，以及达到在边缘端预测速度快和准确性高的特性，去除用户未调用的服务集后，得到高密度的用户—服务矩阵集，提高预测效率，减小误差；

步骤32：确定位于同一边缘区域的用户调用的服务的误差范围，去除响应时间误差值2ms以上、吞吐量误差值20Mbps以上的服务，以满足边缘端服务的特性。边缘端的同一区域具有较相似的边缘环境，因此，同一边缘区域不同服务器中的用户调用相同服务的QoS值在一定的误差范围内，其中，响应时间误差值2ms内、吞吐量误差值20Mbps内。记北美服务集合S＝{s₁,s₂,...,s_m}，如服务s₄₈在用户u₁₁所在的边缘区域的QoS属性值响应时间在0.1附近，吞吐量在2.0左右，经筛选处理，最后的边缘服务数据集，响应时间—用户矩阵为：2354*174，吞吐量—用户矩阵为：2258*174。

为了保护原始数据的私密性以及用户的隐私性，所述步骤4进一步为：

步骤41：对筛选出的边缘服务数据集进行z-score化处理。z-score的核心思想是：z＝(x-mean(x))./std(x)，其中，x是二维矩阵响应时间和吞吐量的列向量，mean(x)是向量x的均值，std(x)是向量x的标准差。对边缘环境下的响应时间属性值rt进行z-score化处理得新矩阵rt1；

步骤42：加入满足拉普拉斯函数分布的噪声。其中，μ和b分别为位置参数和尺度参数；

步骤43：令μ＝0，其中ε为隐私参数，Δf为列向量的极差(最大值减最小值)，得到公式满足对称的指数分布；

步骤44：用rand函数产生随机数x，再利用拉普拉斯分布函数得到随机噪声值。令边缘端响应时间矩阵集列向量产生的随机数为x_rt，设ε属于区间0.5到5，步长为0.5，不断更新参数ε，得到尺度参数b，代入公式得拉普拉斯随机噪声值L_rt；

步骤45：利用差分隐私公式X＝g(x)+Laplace(Δf/ε)，其中g(x)指原始数据集，Laplace(Δf/ε)指已获得的拉普拉斯随机噪声值，将步骤41中z-score化后的新数据集rt1与步骤44得到的拉普拉斯随机噪声值L_rt相加，得到数据伪装后的新数据集X_rt。

为了寻找合适的相似用户，所述步骤5进一步为：

步骤51：以预测用户所在的边缘服务器为圆心，距离为半径，不断向外扩散寻找其他边缘服务器。设某个预测用户U_n纬度经度值为(α₁,β₁),所在的边缘服务器为b，待寻找的其他用户纬度经度值为(α₂,β₂)，所在边缘服务器为b_i,运用公式其中θ是两个边缘服务器之间的中心角，由距离公式得到边缘服务器b与b_i的距离，令边缘服务器b所在的点为圆心，距离为半径r，向外不断扩散覆盖其他边缘服务器b_i；

步骤52：计算已覆盖的边缘服务器中的用户与预测用户的相似性，基于相似度进行QoS预测。(1)位于边缘服务器中的两个用户u和v的相似性计算公式为：其中，服务集S是用户u和v共同调用的服务，Si表示待预测的服务集，r_u,i是用户u调用服务i的QoS值，是用户u调用的所有服务的平均值，r_v,i是用户v调用服务i的QoS值，是用户v调用的所有服务的平均值；(2)由标准差计算公式，知(c_u为用户u调用服务i的数量)，将其代入相似性计算公式中，得到(c_v为用户v调用服务i的数量)；(3)由z-score标准化计算公式，知代入已化简的相似性计算公式中，得(4)分别令响应时间二维矩阵a和b，a＝(a₁,a₂,…,a_n)，b＝(b₁,b₂,…,b_n)，其中，a_n,b_n分别为二维矩阵的列向量，经过数据伪装后，两个矩阵变为A＝(A₁,A₂,…,A_n)，B＝(B₁,B₂,…,B_n)。

a_i和Laplace(Δf_b/ε_b)是两个独立的矢量，且Laplace(Δf_b/ε_b)满足Laplace概率密度函数μ＝0时对称指数分布，则∑a_iLaplace(Δf_b/ε_b)≈0,∑b_iLaplace(Δf_a/ε_a)≈0,∑Laplace(Δf_a/ε_a)Laplace(Δf_b/ε_b)≈0.可得，AB≈∑a_ib_i＝ab；(5)将(4)中结果代入(3)中的相似性公式中，得相似性Q_u,i、Q_v,i分别表示用户u、用户v调用服务i的属性值的伪装值；(6)基于相似度，用户u调用的服务i的QoS值可被直接预测，q`_u,i表示预测值，表示用户u调用服务的属性值伪装值的平均值；(7)运用公式计算均方根误差，计算平均绝对误差，其中N为服务集i的数量；

步骤53：根据步骤52中的最小误差值得最佳距离，统计在该距离内的Top-k相似用户数量。由RMSE和MAE的最小误差值点得预测用户所在边缘服务器寻找相似用户的最佳距离，统计在此距离内的边缘服务器数量以及每个边缘服务器中的用户数量，得Top-k相似用户总数量。

针对移动边缘环境下用户移动性强、QoS属性值时效短的特点，所述步骤6，在预测过程中，不断的根据预测用户所在边缘服务器的位置寻找误差最小值的覆盖范围，并在此最佳距离内进行Top-k相似用户推荐，实现边缘环境下保护用户隐私的QoS属性值预测。

有益效果：与现有技术相比，本发明提供的移动边缘环境下基于隐私保护的Web服务QoS预测方法，提高了移动边缘环境下Web服务QoS预测的效率和准确性，考虑快速预测的同时保护用户的隐私。

附图说明

图1为本发明实施例的整体步骤图；

图2为本发明实施例的方法流程图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示，移动边缘环境下基于隐私保护的Web服务QoS预测方法，主要包括6个步骤：

步骤1：收集用户信息和用户在一般环境下调用Web服务的QoS属性数据；

步骤2：对用户信息中的地理位置进行预处理构建边缘端环境；

步骤3：从预处理后的数据中筛选具有移动边缘环境特性的边缘服务数据集；

步骤4：设置隐私参数，对原始QoS数据集加入拉普拉斯噪声；

步骤5：以预测用户所在边缘服务器为中心，不断增大距离寻找相似用户；

步骤6：由步骤5的最小误差得最佳距离，在此距离内进行Top-k相似用户推荐，实现边缘环境下保护用户隐私的QoS属性值预测。

如图2所示，移动边缘环境下基于隐私保护的Web服务QoS预测方法，具体步骤如下:

步骤101：收集用户信息和一般环境下的QoS属性值，主要包括响应时间、吞吐量等具有代表性的属性；

其中从wsdream中收集包含用户地理位置等信息的具体步骤包括：

步骤102：根据wsdream中dataset文件描述收集包含所在国家、经度、纬度值等地理位置的用户信息；

步骤103：根据获取到的用户的纬度和经度信息，将其分为北美洲、欧洲、亚洲等几个区域；

步骤104：选择数据量最大的北美区域作为预处理的实验数据集；

利用用户在一般环境下调用的Web服务的响应时间、吞吐量等QoS属性数据作为原始数据集，具体步骤为：

步骤105：借助用户地理位置信息，将其与各个地点所调用的服务一一对应；

步骤106：获取相近用户所调用的服务的属性值，比较误差范围，对服务集进行处理。

用户地理位置预处理具体处理步骤为：

步骤107：根据用户的纬度、经度值将其划分于各大洲。纬度经度值为(-86.9162,40.4249)、(-122.2536,37.8668)等位于北美洲，纬度经度值为(9.1833,48.7667)、(-1.6743,48.112)等位于欧洲，纬度经度值为(114.1667,22.25)、(139.69,35.69)等位于亚洲；

步骤108：选取用户信息数据量最大的洲北美洲作为边缘位置点。北美洲中有87个纬度经度不同的位置点，近似看作位于边缘端的87个边缘服务器，其中有60个位置点有多个用户，27个位置点有且只有一个用户；

步骤109：将纬度、经度值相同的用户看作位于一个边缘服务器中。记北美用户集合U＝{u₁,u₂,...,u_i}，其中n＝1,2,...,i，用户u₂₈,u₂₉,u₃₀的纬度经度值为(38，-97)，用户u₁₃₀,u₁₃₁,u₁₃₂,u₁₃₃,u₁₃₄,u₁₃₅的纬度经度值为(37.8668，-122.2536)，分别将其看作位于边缘端同一区域的同一服务器中，在预测时可将同一服务器中的数据作为历史数据集；

步骤110：将纬度、经度值相差在一定范围内的用户近似看作位于边缘端的同一区域中。北美用户集合U中的用户u₁₀的纬度经度为(39.1023，-96.5246)，用户u₁₁的纬度经度为(39.1668，-84.5382)，纬度经度差值较小，近似将其看作是位于边缘端同一区域中的两个边缘服务器中的用户；

步骤111：将纬度、经度值相差较大的用户近似看作位于边缘端的不同区域中。集合U中的用户u₂的纬度经度为(44.5642，-123.2790)，用户u₈₉的纬度经度为(33.7866，-118.2987)，用户u₁₀₁的纬度经度为(18.2500，-66.5000)，用户间纬度经度相差较大，近似将其看作是位于边缘端的不同区域中的不同用户。

具有移动边缘环境特性的边缘服务数据集的具体筛选步骤为：

步骤112:去除原始数据集中存在属性值为-1的服务。属性值为-1表示该用户未调用该服务，为了保证服务的高调用率，以及达到在边缘端预测速度快和准确性高的特性，去除用户未调用的服务集后，得到高密度的用户—服务矩阵集，提高预测效率，减小误差；

步骤113：确定位于同一边缘区域的用户调用的服务的误差范围，去除误差值较大的服务，以满足边缘端服务的特性。边缘端的同一区域具有较相似的边缘环境，因此，同一边缘区域不同服务器中的用户所调用相同服务的QoS值也在一定的误差范围内。记北美服务集合S＝{s₁,s₂,...,s_m}，其中m＝1,2,...,k(k为正整数)，如服务s₄₈在用户u₁₁所在的边缘区域的QoS属性值响应时间在[0.1,0.3]，吞吐量在[1.0,5.0]，经筛选处理，最后的边缘服务数据集，响应时间—用户矩阵大小为：2354*174，吞吐量—用户矩阵为：2258*174。

对原始数据加入拉普拉斯噪声的具体步骤为：

步骤114：对筛选出的边缘服务数据集进行z-score化处理。z-score的核心思想是：z＝(x-mean(x))./std(x),其中，x是一个向量，mean(x)是向量x的均值，std(x)是向量x的标准差。对边缘环境下的响应时间属性值rt进行z-score化处理得新矩阵rt1；

步骤115：加入满足拉普拉斯函数分布的噪声。其中，μ和b分别为位置参数和尺度参数，x指产生拉普拉斯噪声的随机数；

步骤116：令μ＝0，其中ε为隐私参数，Δf为列向量的极差(最大值减最小值)，得到公式满足对称的指数分布；

步骤117：用rand函数产生随机数x，再利用拉普拉斯分布函数得到随机噪声值。令边缘端响应时间矩阵集列向量产生的随机数为x_rt，设ε属于区间[0.5,5]，步长为0.5，不断更新参数ε，得到尺度参数b，代入公式得拉普拉斯随机噪声值L_rt；

步骤118：利用差分隐私公式X＝g(x)+Laplace(Δf/ε)，其中g(x)指原始数据集，Laplace(Δf/ε)指已获得的拉普拉斯随机噪声值，将步骤41中z-score化后的新数据集rt1与步骤44得到的拉普拉斯随机噪声值L_rt相加，得到数据伪装后的新数据集X_rt。

寻找相似用户的具体步骤为：

步骤119：以预测用户所在的边缘服务器为圆心，边缘服务器间的距离为半径，不断向外扩散寻找其他边缘服务器。设某个预测用户U_n纬度经度值为(α₁,β₁),所在的边缘服务器为b，待寻找的其他用户纬度经度值为(α₂,β₂)，所在边缘服务器为b_i,运用公式其中θ是两个边缘服务器之间的中心角，由距离公式得到边缘服务器b与b_i的距离，令边缘服务器b所在的点为圆心，距离为半径r，向外不断扩散覆盖其他边缘服务器b_i；

步骤120：计算已覆盖的边缘服务器中的用户与预测用户的相似性，基于相似度进行QoS预测。(1)位于边缘服务器中的两个用户u和v的相似性计算公式为：其中，服务集S是用户u和v共同调用的服务，r_u,i是用户u调用服务i的QoS值，是用户u调用的所有服务的平均值，r_v,i是用户v调用服务i的QoS值，是用户v调用的所有服务的平均值；(2)由标准差计算公式，知(c_u为用户u调用服务i的数量)，将其代入相似性计算公式中，得到(c_v为用户v调用服务i的数量)；(3)由z-score标准化计算公式，知代入已化简的相似性计算公式中，得(4)令两个矢量a＝(a₁,a₂,…,a_n)，b＝(b₁,b₂,…,b_n)，经过数据伪装后，两个矢量变为A＝(A₁,A₂,…,A_n)，B＝(B₁,B₂,…,B_n)。

a_i和Laplace(Δf_b/ε_b)是两个独立的矢量，且Laplace(Δf_b/ε_b)满足Laplace概率密度函数μ＝0时对称指数分布，则∑a_iLaplace(Δf_b/ε_b)≈0,∑b_iLaplace(Δf_a/ε_a)≈0,∑Laplace(Δf_a/ε_a)Laplace(Δf_b/ε_b)≈0.可得，AB≈∑a_ib_i＝ab；(5)将(4)中结果代入(3)中相似性公式中，得相似性(6)基于相似度，用户u调用的服务i的QoS值可被直接预测，根据z-score标准化中预测用户的平均值与标准差，将q'_u,i值返回标准化前；(7)运用公式计算均方根误差，计算平均绝对误差，其中N为服务集i的数量；

步骤121：根据步骤120中的最小误差值得最佳距离，统计在该距离内的Top-k相似用户数量。由RMSE和MAE的最小误差值点得预测用户所在边缘服务器寻找相似用户的最佳距离，统计在此距离内的边缘服务器数量以及每个边缘服务器中的用户数量，得Top-k相似用户总数量；

步骤122：在预测过程中，不断的根据预测用户所在边缘服务器的位置寻找误差最小值的覆盖范围，并在此最佳距离内进行Top-k相似用户推荐。

Claims (6)

1.一种移动边缘环境下基于隐私保护的Web服务QoS预测方法，其特征在于，包括如下步骤：

步骤1：收集用户信息和用户在调用Web服务的QoS属性数据；

步骤2：对用户信息中的地理位置进行预处理构建边缘端环境；

步骤3：从预处理后的数据中筛选具有移动边缘环境特性的边缘服务数据集；

步骤4：设置隐私参数ε，对原始QoS数据集加入拉普拉斯噪声；

步骤5：以预测用户所在边缘服务器为中心，不断增大距离寻找相似用户；

步骤6：由步骤5的最小误差得最佳距离，在此距离内进行Top-k相似用户推荐，实现边缘环境下保护用户隐私的QoS属性值预测。

2.如权利要求1所述的移动边缘环境下基于隐私保护的Web服务QoS预测方法，其特征在于，所述步骤1中收集数据主要包括两个方面：(1)从wsdream中收集包含所在国家、经度、纬度值的地理位置的用户信息；(2)采用用户调用的Web服务的QoS属性数据作为原始数据集。

3.如权利要求1所述的移动边缘环境下基于隐私保护的Web服务QoS预测方法，其特征在于，地理位置预处理用于构建边缘端环境，所述步骤2包括如下步骤：

步骤21：根据用户的纬度、经度值将用户划分于各大洲；

步骤22：选取用户信息数据量最大的洲作为边缘位置点；

步骤23：将纬度、经度值相同的用户看作位于一个边缘服务器中，在预测时将同一服务器中的数据作为历史数据集；

步骤24：将纬度、经度值相差在预设范围内的用户看作位于边缘端的同一区域中；

步骤25:将纬度、经度值相差10度以上的用户看作位于边缘端的不同区域中。

4.如权利要求1所述的移动边缘环境下基于隐私保护的Web服务QoS预测方法，其特征在于，所述步骤3包括如下步骤：

步骤31：去除原始数据集中响应时间和吞吐量属性值为-1的服务；

步骤32：确定位于同一边缘区域的用户调用的服务的误差范围，去除响应时间误差值2ms以上、吞吐量误差值20Mbps以上的服务，以满足边缘端服务的特性。

5.如权利要求1所述的移动边缘环境下基于隐私保护的Web服务QoS预测方法，其特征在于，为了保护原始数据的私密性以及用户的隐私性，所述步骤4进一步为：

步骤41：对筛选出的边缘服务数据集进行z-score化处理；

步骤42：加入满足拉普拉斯函数分布的噪声，其中，μ和b分别为位置参数和尺度参数；

步骤43：令μ＝0，其中ε为隐私参数，Δf为列向量的极差，得到公式满足对称的指数分布；

步骤44：用rand函数产生随机数x，再利用拉普拉斯分布函数得到随机噪声值；

步骤45：利用差分隐私公式X＝g(x)+Laplace(Δf/ε)，其中g(x)指原始数据集，Laplace(Δf/ε)指已获得的拉普拉斯随机噪声值，将步骤41中z-score化后的新数据集与步骤44得到的拉普拉斯随机噪声值相加，得到数据伪装后的新数据集。

6.如权利要求1所述的移动边缘环境下基于隐私保护的Web服务QoS预测方法，其特征在于，所述步骤5包括如下步骤：

步骤51：以预测用户所在的边缘服务器为圆心，距离为半径，不断向外扩散寻找其他边缘服务器；

步骤52：计算已覆盖的边缘服务器中的用户与预测用户的相似性，基于相似度进行QoS预测；

步骤53：根据步骤52中的最小误差值得最佳距离，统计在该距离内的Top-k相似用户数量。