CN112700067B - 不可靠移动边缘环境下服务质量的预测方法及*** - Google Patents
不可靠移动边缘环境下服务质量的预测方法及*** Download PDFInfo
- Publication number
- CN112700067B CN112700067B CN202110050515.2A CN202110050515A CN112700067B CN 112700067 B CN112700067 B CN 112700067B CN 202110050515 A CN202110050515 A CN 202110050515A CN 112700067 B CN112700067 B CN 112700067B
- Authority
- CN
- China
- Prior art keywords
- service
- local
- user
- potential
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 139
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- OVBPIULPVIDEAO-LBPRGKRZSA-N folic acid Chemical compound C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)N[C@@H](CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-LBPRGKRZSA-N 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229920003087 methylethyl cellulose Polymers 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种不可靠移动边缘环境下服务质量的预测方法及***,包括：对每个用户收集到的数据集中的数值进行预处理；每个用户根据预处理的数据，构建一个本地服务质量矩阵，且每个用户将所述本地服务质量矩阵分解为本地用户潜在矩阵和本地服务潜在矩阵；中央服务器收集所有用户的本地服务潜在矩阵，并整合为全局服务潜在矩阵，所述中央服务器将所述全局服务潜在矩阵发送到所有用户，每个用户根据本地用户潜在矩阵和全局服务潜在矩阵来预测未访问服务质量的数值。本发明预测准确，可靠性更高。
Description
技术领域
本发明涉及服务质量预测的技术领域，尤其是指一种不可靠移动边缘环境下服务质量的预测方法及***。
背景技术
随着5G蜂窝网络的快速部署和广泛采用，许多物联网应用正在智能医疗、实时娱乐、虚拟现实、智能交通、智能制造等各个领域出现，这些应用通常运行在用户设备(UE)上，通常是智能手机和平板电脑，用于连接智能物联网设备，并依赖MEC访问各种远程云服务。物联网应用的实时交互能力[1]不仅需要智能物联网设备的及时响应，而且对远程云服务提出了高质量的要求，如低响应时间、高吞吐量、高可用性等，由于服务是由第三方以黑匣子的形式交付的，因此保证物联网应用的性能，特别是在政府、卫生保健和紧急情况等关键领域使用的物联网应用，是一项重大挑战。
为了保证物联网应用的性能，面向服务的体系结构(SOA)已经成为从大量可公开访问的候选服务中发现高质量服务，并在设计时和运行时以松散耦合的方式组合所需服务的主要架构范式。在服务选择中，服务质量通常作为识别高质量服务的关键指标。QoS表征服务的非功能属性，包括响应时间、吞吐量、可用性等。由于服务器端因素(例如带宽、工作负载等)、用户端因素(例如UE容量、地理位置等)以及用户和服务之间的MEC环境(例如，容量、带宽、边缘节点的网络拥塞等)，用户感知服务的QoS值可以有效地提高服务选择的性能。然而，获取所有候选服务的QoS值非常困难，因为每个用户只观察被调用服务的QoS值。由于UE有限的计算能力和调用大量服务的高成本，主动评估这些QoS值也是不可行的。
在现有文献中，协同过滤技术被用于预测模型来预测未知的QoS值。图1给出了传统的QoS预测框架。用户将本地服务使用记录提供给中央服务器，以形成全局QoS数据集。中心服务器在这个数据集上建立一个预测模型，并向用户提供QoS预测服务，以减少测量所需的实际服务调用。不幸的是，不可靠的MEC环境使得这些方法不可行。
在实践中，这些方法在效率、隐私和可靠性方面受到严重限制：对于效率：用户需要将本地QoS数据传输到中心服务器。由于MEC[5]中UE的容量和能量限制，用户无法承受大量数据的传输效率和开销。另外，在服务器端训练预测模型需要在短时间内处理大量的数据，这对中央服务器的存储和计算能力提出了极高的要求。对于中央服务器来说，在运行时为所有用户提供及时的预测服务是一个非常大的挑战。
对于隐私：远程中央服务器可能不可信。为了获得预测服务，用户需要将本地的使用数据提供给中心服务器，这将带来数据泄漏的风险。中央服务器可能从这些数据中推断出个人信息，甚至出售他们的数据。因此，由于担心他们的数据可能会被泄露，一些用户可能不愿意参与预测模型的协作构建。所以，有限的历史训练数据对模型的预测精度有很大影响。因此，QoS预测方法需要能够保护用户隐私不受不可信中心服务器的威胁，同时利用尽可能多的用户的数据产生准确的预测结果。
对于可靠性：MEC中的用户可能不可信。由于中央服务器通过收集和分析用户所观察到的历史QoS数据来建立预测模型，因此QoS数据的可靠性在很大程度上决定了预测结果的准确性和可信度。然而，MEC中许多不可信的用户在物联网环境中存在恶意行为。一些用户提交随机的QoS值，这些值是模型的噪声数据。一些用户提交恒定的QoS值，这些值为模型构建提供了有限的有用信息。其他恶意用户通过提交虚假的QoS值来操纵模型的预测，从而高估了某些服务的性能，而低估了其他竞争服务的性能。因此，可信的QoS预测方法需要能够基于部分不可靠的数据进行准确的预测，以容忍MEC中不可信的用户。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中成本高、误码率过高、不环保、反应速度慢的问题，从而提供一种预测准确，且同时考虑了可靠性和隐私保护的环境下服务质量的预测方法及***。
为解决上述技术问题，本发明的一种不可靠移动边缘环境下服务质量的预测方法，包括：步骤S1：对每个用户收集到的数据集中的数值进行预处理；步骤S2：每个用户根据预处理的数据，构建一个本地服务质量矩阵，且每个用户将所述本地服务质量矩阵分解为本地用户潜在矩阵和本地服务潜在矩阵；步骤S3：中央服务器收集所有用户的本地服务潜在矩阵，并整合为全局服务潜在矩阵，所述中央服务器将所述全局服务潜在矩阵发送到所有用户，每个用户根据本地用户潜在矩阵和全局服务潜在矩阵来预测未访问服务质量的数值。
在本发明的一个实施例中，对收集到的数据集中的数值进行预处理的方法为：对所述数据集中的数值进行数据转换，使其接近正态分布。
在本发明的一个实施例中，每个用户将所述本地服务质量矩阵分解为本地用户潜在矩阵和本地服务潜在矩阵的方法为：通过局部损失函数分解所述本地服务质量矩阵。
在本发明的一个实施例中，每个用户根据本地用户潜在矩阵和全局服务潜在矩阵来预测未访问服务质量的数值的方法为：每个用户从所述中央服务器获得全局服务潜在矩阵的本地副本，初始化本地用户潜在因子，两者内积为本地预测的服务质量矩阵，随后再迭代更新全局服务潜在矩阵的本地副本和本地用户潜在因子。
在本发明的一个实施例中，初始化本地用户潜在因子的方法为：用很小的随机数初始化本地用户潜在因子。
在本发明的一个实施例中，所述中央服务器收集所有用户的本地服务潜在矩阵时，引入用户信誉机制来区分不同用户的可信度。
在本发明的一个实施例中，每个用户根据本地用户潜在矩阵和全局服务潜在矩阵来预测未访问服务质量的数值后，对于每个用户在本地新观察的服务质量数据，再返回至步骤S1，然后根据预处理的数据，更新本地的服务质量矩阵，基于更新后的服务质量矩阵，更新本地用户潜在矩阵和本地服务潜在矩阵，每个用户把本地服务潜在矩阵的增量更新值上传至所述中央服务器，所述中央服务器收集所有本地服务潜在矩阵的增量更新、整合后对全局服务潜在矩阵更新，所述中央服务器将更新后的全局服务潜在矩阵传输给每个用户；每个用户根据全局服务潜在矩阵去覆盖本地服务潜在矩阵，最后，根据本地用户潜在矩阵和全局服务潜在矩阵来预测未访问服务质量的数值。
在本发明的一个实施例中，所述中央服务器收集所有本地服务潜在矩阵的增量更新时，引入用户信誉机制来区分不同用户的可信度。
在本发明的一个实施例中，所述中央服务器收集所有用户的本地服务潜在矩阵时，采用差分隐私技术对用户和中央服务器之间传输的梯度参数进行加密和解密。
本发明还提供了一种不可靠移动边缘环境下服务质量的预测***，其特征在于，包括：预处理模块，用于对每个用户收集到的数据集中的数值进行预处理；构建模块，用于每个用户根据预处理的数据，构建一个本地服务质量矩阵，且每个用户将所述本地服务质量矩阵分解为本地用户潜在矩阵和本地服务潜在矩阵；预测模块，用于中央服务器收集所有用户的本地服务潜在矩阵，并整合为全局服务潜在矩阵，所述中央服务器将所述全局服务潜在矩阵发送到所有用户，每个用户根据本地用户潜在矩阵和全局服务潜在矩阵来预测未访问服务质量的数值。
本发明的上述技术方案相比现有技术具有以下优点：
本发明所述的不可靠移动边缘环境下服务质量的预测方法及***，从预测精度方面来说，在保护隐私的同时，本申请具有更高的精度，随着数据密度的增加，虽然所有的方法预测精度都越来越高(因为训练数据越多，包含有用信息越多)，但是需要处理的数据量增大，本申请提出的方法更能适应高数据密度；从可靠性方面来说，所有方法的准确性随着不可信用户百分比的增加而降低，因为更不可靠的数据意味着有用信息更少，噪声更多，在不同的不可信用户比例下，本申请提出的方法能够从部分不可靠的数据中检索出可靠的信息，并且同时考虑隐私保护问题；从预测效率方面来说，由于本申请通过将模型的训练任务分发给所有用户和中央服务器，每个用户只需要根据少量的本地数据更新本地模型，中央服务器只对用户的更新进行简单的聚合，因此本申请提出的方法生成预测结果所需的时间较少。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1是现有预测的***框架图；
图2是本发明不可靠移动边缘环境下服务质量的预测方法流程图。
具体实施方式
实施例一
如图2所示，本实施例提供一种不可靠移动边缘环境下服务质量的预测方法，包括如下步骤：步骤S1：对每个用户收集到的数据集中的数值进行预处理；步骤S2：每个用户根据预处理的数据，构建一个本地服务质量矩阵，且每个用户将所述本地服务质量矩阵分解为本地用户潜在矩阵和本地服务潜在矩阵；步骤S3：中央服务器收集所有用户的本地服务潜在矩阵，并整合为全局服务潜在矩阵，所述中央服务器将所述全局服务潜在矩阵发送到所有用户，每个用户根据本地用户潜在矩阵和全局服务潜在矩阵来预测未访问服务质量的数值。
本实施例所述不可靠移动边缘环境下服务质量的预测方法，所述步骤S1中，对每个用户收集到的数据集中的数值进行预处理，从而有利于保证预测精度；所述步骤S2中，每个用户根据预处理的数据，构建一个本地服务质量矩阵，且每个用户将所述本地服务质量矩阵分解为本地用户潜在矩阵和本地服务潜在矩阵，通过分解，可以有效保护用户的隐私问题；所述步骤S3中，中央服务器收集所有用户的本地服务潜在矩阵，并整合为全局服务潜在矩阵，所述中央服务器将所述全局服务潜在矩阵发送到所有用户，每个用户根据本地用户潜在矩阵和全局服务潜在矩阵来预测未访问服务质量的数值，不但使预测结果准确，而且用户将原始的服务质量数据存储在本地，不会暴露给其他人，从而保护用户不受隐私威胁，提高了可靠性和隐私保护。
所述步骤S1中，对收集到的数据集中的数值进行预处理的方法为：对所述数据集中的数值进行数据转换，使其接近正态分布。
由于响应时间(RT)和吞吐量(TP)是两个典型的服务质量属性，这两种分布具有高偏度和大方差的特点。然而，矩阵分解的概率假设要求近似正态分布，并且不同服务质量属性的取值范围差异很大，大都会影响预测精度。所有通过进行数据转换，使用Box-Cox变换对数据进行预处理，使其接近正态分布，转换如下：
其中α控制转变的程度。让qmax和qmin分别为QoS值的上下界，由用户指定。由于b(x)是单调非递减函数，b(qmax)和b(qmin)是数据转换后的上下界；然后，QoS值可以通过以下转换映射到[0,1]区间内：
预测结果qij可以通过logistic函数映射到[0,1]区间内：
所述步骤S2中，每个用户将所述本地服务质量矩阵分解为本地用户潜在矩阵和本地服务潜在矩阵的方法为：通过局部损失函数分解所述本地服务质量矩阵。
所述局部损失函数如下：
其中L＝∑iLi。联合模型不是最小化,而是在每个用户站点，松弛地最小化局部损失函数Li。Ui和Si通过迭代过程更新本地QoS矩阵Qi，直到收敛：
式中,以及/>是/>的导数，η是学习率。
每个用户Ui从中心服务器获得全局服务潜在矩阵的本地副本Si∈R1×n，本地用户潜在因子Ui∈R1×1，用很小的随机数初始化，用户可以通过计算用户潜在向量与相应的服务潜在向量的内积来局部预测未访问服务的服务质量值：
所述步骤S3中，每个用户根据本地用户潜在矩阵和全局服务潜在矩阵来预测未访问服务质量的数值的方法为：每个用户从所述中央服务器获得全局服务潜在矩阵的本地副本，初始化本地用户潜在因子，两者内积为本地预测的服务质量矩阵，随后再迭代更新全局服务潜在矩阵的本地副本和本地用户潜在因子。
初始化本地用户潜在因子的方法为：用很小的随机数初始化本地用户潜在因子。
所述中央服务器收集所有用户的本地服务潜在矩阵时，引入用户信誉机制来区分不同用户的可信度。
本申请引入用户信誉机制来区分不同用户的可信度。使用ri∈[0,1]来表示用户Ui的信誉度，定义用户Ui提交的数据的可靠性。ri＝11表示Ui完全可信，ri<1表示部分Ui可信。
使用L1-AVG算法计算ri如下：
其中d∈(0,1)是衰减常数，aj是服务sj的信誉加权平均导数。ri和ai重复计算，k代表第k次迭代。本申请为所有用户初始化用/> 表示两次迭代过程中ri的变化，δ为误差阈值。当max(Δri)<δ时，迭代过程停止。直观地说，一个用户的信誉是通过提交的导数值与其他用户的平均导数值之间的差值来评估的。
每个用户根据本地用户潜在矩阵和全局服务潜在矩阵来预测未访问服务质量的数值后，对于每个用户在本地新观察的服务质量数据，再返回至步骤S1，然后根据预处理的数据，更新本地的服务质量矩阵，基于更新后的服务质量矩阵，更新本地用户潜在矩阵和本地服务潜在矩阵，每个用户把本地服务潜在矩阵的增量更新值上传至所述中央服务器，所述中央服务器收集所有本地服务潜在矩阵的增量更新、整合后对全局服务潜在矩阵更新，所述中央服务器将更新后的全局服务潜在矩阵传输给每个用户；每个用户根据全局服务潜在矩阵去覆盖本地服务潜在矩阵，最后，根据本地用户潜在矩阵和全局服务潜在矩阵来预测未访问服务质量的数值。
更新本地用户潜在矩阵的方法为：更新本地用户潜在因子Ui；更新全局服务潜在矩阵的方法为：更新全局服务潜在矩阵的本地副本Si：其中
更新全局服务潜在矩阵的方法为：更新全局服务潜在矩阵Sj：
每一轮中，用户将原始的服务质量数据存储在本地，不会暴露给其他人，从而保护用户不受隐私威胁。
所述中央服务器收集所有本地服务潜在矩阵的增量更新时，也需要引入用户信誉机制来区分不同用户的可信度。由于上述已经论述，就不再详细说明。
所述中央服务器收集所有用户的本地服务潜在矩阵时，以及所述中央服务器收集所有本地服务潜在矩阵的增量更新时，采用差分隐私技术对用户和中央服务器之间传输的梯度参数进行加密和解密。
为了简单起见，本申请在下文中用g表示梯度，生成一个由两个大素数组成的密钥并分发给每个用户。设x和y是两个素数，N＝xy是公共参数，并且ε做隐私预算。对每个用户Ui，从拉普拉斯分布随机采样的噪声加到局部梯度的过程如下：
上式中，△f表示灵敏度，控制隐私预算。更小点的表示更高的隐私级别。加密梯度的计算公式如下：
其中y-1和x-1分别是y和x的倒数。从每个用户Ui接收到Ei后，中央服务器按以下方式执行全局聚合：
在每轮开始时，每个用户Ui接收新加密的全局梯度E的本地副本，并通过以下方式对其进行解密：
g≡E mod x,
g≡E mod y,
g≈∑igi是对全局梯度的无偏估计。
下面在一个真实的Web服务的服务质量数据集上评估本申请提出的可信的和隐私保护的预测方法。
数据集包含由142个用户在64个连续的时间片上调用的4532个服务的服务质量值，每个服务持续15分钟。本申请分别为RT调节α为-0.007，为TP调节α为-0.005，来进行数据转换，使其更接近正态分布。在每种密度下，本申请用不同的随机种子重复实验20次，计算出每种方法的平均预测精度。为了了解ε-差分隐私对预测精度的影响，本申请在不同的隐私级别下进行了实验。实验表明当ε值很小时，预测精度受噪声影响较大。随着ε的增加，预测变得越来越精确，因为影响模型的噪声越来越少。当ε大于0.8时，本申请提出的方法能实现持续的高预测精度。为了评估不可靠MEC环境下服务质量预测方法的可靠性，本申请不可信用户的百分比从5％设置到30％，步长为5％。
实施例二
基于同一发明构思，本实施例提供了一种不可靠移动边缘环境下服务质量的预测***，其解决问题的原理与所述不可靠移动边缘环境下服务质量的预测方法类似，重复之处不再赘述。
本实施例提供一种不可靠移动边缘环境下服务质量的预测***，包括：
预处理模块，用于对每个用户收集到的数据集中的数值进行预处理；
构建模块，用于每个用户根据预处理的数据，构建一个本地服务质量矩阵，且每个用户将所述本地服务质量矩阵分解为本地用户潜在矩阵和本地服务潜在矩阵；
预测模块，用于中央服务器收集所有用户的本地服务潜在矩阵，并整合为全局服务潜在矩阵，所述中央服务器将所述全局服务潜在矩阵发送到所有用户，每个用户根据本地用户潜在矩阵和全局服务潜在矩阵来预测未访问服务质量的数值。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (7)
1.一种不可靠移动边缘环境下服务质量的预测方法，其特征在于，包括如下步骤：
步骤S1：对每个用户收集到的数据集中的数值进行预处理；
步骤S2：每个用户根据预处理的数据，构建一个本地服务质量矩阵，且每个用户将所述本地服务质量矩阵分解为本地用户潜在矩阵和本地服务潜在矩阵；
步骤S3：中央服务器收集所有用户的本地服务潜在矩阵，并整合为全局服务潜在矩阵，所述中央服务器将所述全局服务潜在矩阵发送到所有用户，每个用户根据本地用户潜在矩阵和全局服务潜在矩阵来预测未访问服务质量的数值；
每个用户根据本地用户潜在矩阵和全局服务潜在矩阵来预测未访问服务质量的数值的方法为：每个用户从所述中央服务器获得全局服务潜在矩阵的本地副本，初始化本地用户潜在因子，两者内积为本地预测的服务质量矩阵，随后再迭代更新全局服务潜在矩阵的本地副本和本地用户潜在因子；
其中每个用户根据本地用户潜在矩阵和全局服务潜在矩阵来预测未访问服务质量的数值后，对于每个用户在本地新观察的服务质量数据，再返回至步骤S1，然后根据预处理的数据，更新本地的服务质量矩阵，基于更新后的服务质量矩阵，更新本地用户潜在矩阵和本地服务潜在矩阵，每个用户把本地服务潜在矩阵的增量更新值上传至所述中央服务器，所述中央服务器收集所有本地服务潜在矩阵的增量更新、整合后对全局服务潜在矩阵更新，所述中央服务器将更新后的全局服务潜在矩阵传输给每个用户；每个用户根据全局服务潜在矩阵去覆盖本地服务潜在矩阵，最后，根据本地用户潜在矩阵和全局服务潜在矩阵来预测未访问服务质量的数值。
2.根据权利要求1所述的不可靠移动边缘环境下服务质量的预测方法，其特征在于：对收集到的数据集中的数值进行预处理的方法为：对所述数据集中的数值进行数据转换，使其接近正态分布。
3.根据权利要求1所述的不可靠移动边缘环境下服务质量的预测方法，其特征在于：每个用户将所述本地服务质量矩阵分解为本地用户潜在矩阵和本地服务潜在矩阵的方法为：通过局部损失函数分解所述本地服务质量矩阵。
4.根据权利要求1所述的不可靠移动边缘环境下服务质量的预测方法，其特征在于：所述中央服务器收集所有用户的本地服务潜在矩阵时，引入用户信誉机制来区分不同用户的可信度。
5.根据权利要求1所述的不可靠移动边缘环境下服务质量的预测方法，其特征在于：所述中央服务器收集所有本地服务潜在矩阵的增量更新时，引入用户信誉机制来区分不同用户的可信度。
6.根据权利要求1所述的不可靠移动边缘环境下服务质量的预测方法，其特征在于：所述中央服务器收集所有用户的本地服务潜在矩阵时，采用差分隐私技术对用户和中央服务器之间传输的梯度参数进行加密和解密。
7.一种不可靠移动边缘环境下服务质量的预测***，其特征在于，包括：
预处理模块，用于对每个用户收集到的数据集中的数值进行预处理；
构建模块，用于每个用户根据预处理的数据，构建一个本地服务质量矩阵，且每个用户将所述本地服务质量矩阵分解为本地用户潜在矩阵和本地服务潜在矩阵；
预测模块，用于中央服务器收集所有用户的本地服务潜在矩阵，并整合为全局服务潜在矩阵，所述中央服务器将所述全局服务潜在矩阵发送到所有用户，每个用户根据本地用户潜在矩阵和全局服务潜在矩阵来预测未访问服务质量的数值，每个用户根据本地用户潜在矩阵和全局服务潜在矩阵来预测未访问服务质量的数值时，每个用户从所述中央服务器获得全局服务潜在矩阵的本地副本，初始化本地用户潜在因子，两者内积为本地预测的服务质量矩阵，随后再迭代更新全局服务潜在矩阵的本地副本和本地用户潜在因子；其中每个用户根据本地用户潜在矩阵和全局服务潜在矩阵来预测未访问服务质量的数值后，对于每个用户在本地新观察的服务质量数据，再返回至预处理模块，然后根据预处理的数据，更新本地的服务质量矩阵，基于更新后的服务质量矩阵，更新本地用户潜在矩阵和本地服务潜在矩阵，每个用户把本地服务潜在矩阵的增量更新值上传至所述中央服务器，所述中央服务器收集所有本地服务潜在矩阵的增量更新、整合后对全局服务潜在矩阵更新，所述中央服务器将更新后的全局服务潜在矩阵传输给每个用户；每个用户根据全局服务潜在矩阵去覆盖本地服务潜在矩阵，最后，根据本地用户潜在矩阵和全局服务潜在矩阵来预测未访问服务质量的数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110050515.2A CN112700067B (zh) | 2021-01-14 | 2021-01-14 | 不可靠移动边缘环境下服务质量的预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110050515.2A CN112700067B (zh) | 2021-01-14 | 2021-01-14 | 不可靠移动边缘环境下服务质量的预测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112700067A CN112700067A (zh) | 2021-04-23 |
| CN112700067B true CN112700067B (zh) | 2024-05-24 |
Family
ID=75515101
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110050515.2A Active CN112700067B (zh) | 2021-01-14 | 2021-01-14 | 不可靠移动边缘环境下服务质量的预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112700067B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114036122A (zh) * | 2021-11-26 | 2022-02-11 | 安徽师范大学 | 基于联邦学习技术的分布式***日志解析方法 |
| CN114489938B (zh) * | 2022-01-05 | 2024-06-25 | 汕头大学 | 一种基于云边协同模式的用户侧QoS预测模型构建方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101252451A (zh) * | 2008-03-22 | 2008-08-27 | 桂林电子科技大学 | 保证服务质量的Web服务器***请求区分服务方法与中间件 |
| CN103746957A (zh) * | 2013-10-10 | 2014-04-23 | 安徽师范大学 | 一种基于隐私保护的信任评估***及其构建方法 |
| CN107679415A (zh) * | 2017-09-25 | 2018-02-09 | 深圳大学 | 隐私保护协同Web服务质量预测的基于模型的协同过滤方法 |
| CN108563660A (zh) * | 2017-12-29 | 2018-09-21 | 温州大学 | 服务推荐方法、***及服务器 |
| CN109257217A (zh) * | 2018-09-19 | 2019-01-22 | 河海大学 | 移动边缘环境下基于隐私保护的Web服务QoS预测方法 |
| CN109376901A (zh) * | 2018-09-07 | 2019-02-22 | 苏州大学 | 一种基于去中心化矩阵分解的服务质量预测方法 |
| WO2019056573A1 (zh) * | 2017-09-25 | 2019-03-28 | 深圳大学 | 隐私保护协同Web服务质量的差分隐私预测***及方法 |
| CN110825955A (zh) * | 2019-06-27 | 2020-02-21 | 安徽师范大学 | 基于位置服务的分布式差分隐私推荐方法 |
| CN110868326A (zh) * | 2019-11-27 | 2020-03-06 | 武汉虹信通信技术有限责任公司 | 网络服务质量的分析方法、边缘设备及中心服务器 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0407347D0 (en) * | 2004-03-31 | 2004-05-05 | Nokia Corp | Monitoring quality of service in a wireless communications network |
| US11412052B2 (en) * | 2018-12-28 | 2022-08-09 | Intel Corporation | Quality of service (QoS) management in edge computing environments |
-
2021
- 2021-01-14 CN CN202110050515.2A patent/CN112700067B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101252451A (zh) * | 2008-03-22 | 2008-08-27 | 桂林电子科技大学 | 保证服务质量的Web服务器***请求区分服务方法与中间件 |
| CN103746957A (zh) * | 2013-10-10 | 2014-04-23 | 安徽师范大学 | 一种基于隐私保护的信任评估***及其构建方法 |
| CN107679415A (zh) * | 2017-09-25 | 2018-02-09 | 深圳大学 | 隐私保护协同Web服务质量预测的基于模型的协同过滤方法 |
| WO2019056572A1 (zh) * | 2017-09-25 | 2019-03-28 | 深圳大学 | 隐私保护协同Web服务质量预测的基于模型的协同过滤方法 |
| WO2019056573A1 (zh) * | 2017-09-25 | 2019-03-28 | 深圳大学 | 隐私保护协同Web服务质量的差分隐私预测***及方法 |
| CN108563660A (zh) * | 2017-12-29 | 2018-09-21 | 温州大学 | 服务推荐方法、***及服务器 |
| CN109376901A (zh) * | 2018-09-07 | 2019-02-22 | 苏州大学 | 一种基于去中心化矩阵分解的服务质量预测方法 |
| CN109257217A (zh) * | 2018-09-19 | 2019-01-22 | 河海大学 | 移动边缘环境下基于隐私保护的Web服务QoS预测方法 |
| CN110825955A (zh) * | 2019-06-27 | 2020-02-21 | 安徽师范大学 | 基于位置服务的分布式差分隐私推荐方法 |
| CN110868326A (zh) * | 2019-11-27 | 2020-03-06 | 武汉虹信通信技术有限责任公司 | 网络服务质量的分析方法、边缘设备及中心服务器 |
Non-Patent Citations (3)
| Title |
|---|
| 一种移动边缘环境下面向隐私保护QoS预测方法;张鹏程;金惠颖;;计算机学报(08);全文 * |
| 基于地理社交网络的频繁位置隐私保护算法;宁雪莉;《计算机应用》;20180310;第38卷(第3期);全文 * |
| 移动边缘计算场景下网络服务灵活适配的解决方案;冯博昊;《电信科学》;20190318;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112700067A (zh) | 2021-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zheng et al. | Web service QoS prediction via collaborative filtering: A survey | |
| Wan et al. | Privacy-preservation for gradient descent methods | |
| CN113505882B (zh) | 基于联邦神经网络模型的数据处理方法、相关设备及介质 | |
| CN112700067B (zh) | 不可靠移动边缘环境下服务质量的预测方法及*** | |
| Iannucci et al. | A hybrid model-free approach for the near-optimal intrusion response control of non-stationary systems | |
| CN102272728B (zh) | 基于多项式的数据转换和利用的方法、装置和计算机程序产品 | |
| Akter et al. | Edge intelligence: Federated learning-based privacy protection framework for smart healthcare systems | |
| Zhu et al. | Trust assistance in sensor-cloud | |
| JP2023509589A (ja) | 勾配ブースティングを介したプライバシーを守る機械学習 | |
| CN114696990A (zh) | 基于全同态加密的多方计算方法、***及相关设备 | |
| WO2023159812A1 (zh) | 一种ami网络入侵检测的方法、装置及介质 | |
| Alsenani et al. | ProTrust: A probabilistic trust framework for volunteer cloud computing | |
| Rafi et al. | Fairness and privacy preserving in federated learning: A survey | |
| Akter et al. | Edge intelligence-based privacy protection framework for iot-based smart healthcare systems | |
| Wu et al. | Combining lyapunov optimization with actor-critic networks for privacy-aware IIoT computation offloading | |
| Lv et al. | ESPPTD: An efficient slicing-based privacy-preserving truth discovery in mobile crowd sensing | |
| Jin et al. | Minimizing the age of information in the presence of location privacy-aware mobile agents | |
| Yang et al. | Cell based raft algorithm for optimized consensus process on blockchain in smart data market | |
| Cho et al. | Distributed dual coordinate ascent in general tree networks and communication network effect on synchronous machine learning | |
| Akhtarshenas et al. | Federated Learning: A Cutting-Edge Survey of the Latest Advancements and Applications | |
| Parra-Ullauri et al. | Federated Analytics for 6G Networks: Applications, Challenges, and Opportunities | |
| Takeshita et al. | Slap: simpler, improved private stream aggregation from ring learning with errors | |
| CN116523034A (zh) | 一种基于区块链的联邦学习方法及相关装置 | |
| Bordel et al. | Distributed trust and reputation services in pervasive internet-of-things deployments | |
| Jiang et al. | Anomaly Detection and Access Control for Cloud-Edge Collaboration Networks. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |