CN114760657B - 移动边缘环境下基于LSTM-BSPM的主动QoS监控方法与*** - Google Patents
移动边缘环境下基于LSTM-BSPM的主动QoS监控方法与*** Download PDFInfo
- Publication number
- CN114760657B CN114760657B CN202210241590.1A CN202210241590A CN114760657B CN 114760657 B CN114760657 B CN 114760657B CN 202210241590 A CN202210241590 A CN 202210241590A CN 114760657 B CN114760657 B CN 114760657B
- Authority
- CN
- China
- Prior art keywords
- qos
- user
- area
- data
- time
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000008447 perception Effects 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 2
- 230000003139 buffering effect Effects 0.000 abstract description 2
- 238000004904 shortening Methods 0.000 abstract 1
- 238000009826 distribution Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0226—Traffic management, e.g. flow control or congestion control based on location or mobility
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/24—Negotiating SLA [Service Level Agreement]; Negotiating QoS [Quality of Service]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公布了在移动边缘环境下基于LSTM‑BSPM的主动QoS监控方法与***。该方法包括:对时空边缘用户QoS数据集进行预处理,拟合出用户的移动轨迹;将边缘服务器的服务区域划分为若干区域,提取具有相同时空特征的用户的历史QoS数据;根据用户的历史轨迹数据构造LSTM模型,对用户的轨迹进行预测;根据预测的用户位置得到用户的移动感知QoS数据,为每个移动感知QoS构建上下文相关的时间和空间特征属性;根据每个边缘服务器中样本属性的历史数据构建高斯隐贝叶斯分类器,对添加了时空依赖的用户移动感知QoS进行主动监控。本发明考虑到QoS监控的时空特性和用户的移动性来进行主动QoS监控,可以提前主动监控分布式服务是否满足用户需求,缩短服务的缓冲时间。
Description
技术领域
本发明涉及一种主动QoS(Quality of Service,服务质量)监控方法,尤其涉及移动边缘环境下基于用户移动感知和QoS时空特性的动态QoS监控方法,属于信息技术领域。
背景技术
移动边缘计算是一种新的分布式计算范式,可将计算能力转移到网络边缘。它可以实时处理和分析数据,以达到降低成本和延迟的目的。在移动边缘环境中,随着许多类似技术的出现,人们对软件的要求已经从功能性需求逐渐转变为可靠性和安全性等非功能性需求。我们使用服务质量(QoS)来描述移动边缘服务的非功能属性。如何在众多功能相似的服务中选择满足用户QoS要求的服务成为人们关注的焦点。因此,监控服务的运行状态非常重要。实时的监控技术已成为在开放环境下检测软件质量是否满足用户需求的必不可少的手段。
从服务提供商的角度来看,通过监控服务的QoS,可以及时更新失败的服务,确保提供给用户的服务满足用户的需求。从用户的角度来看,对服务进行及时的监控,可以让用户从众多的候选服务中选择优质的服务。因此,有效的服务监控技术是一个关键领域。运行时监控技术用于分析***的运行时行为是否符合或违反给定标准。一般来说,QoS属性标准可以用概率质量属性来表达。例如,服务可靠性要求可以描述为“服务在1年内的平均无故障运行时间为90%”。基于这类概率质量属性标准,研究人员提出了许多QoS监控方法。
近年来,研究人员提出了几种概率质量属性的监测方法。Chan等人通过计算成功样本数占样本总数的比率得到概率,然后将该概率与预定义的概率标准进行比较。Grunske等人提出了一种基于抽样和连续假设检验的监测方法ProMo。他们在监测过程中定义了概率属性CSLMON,并采用序列概率比测试(SPRT)进行验证。之后Grunske等人又改进了SPRT(iSPRT)方法,重用以前的监测信息,实现动态监测。这种方法在保证监测结果准确性的同时,大大减少了统计计算的时间。
近年来,大多数QoS监测技术依赖贝叶斯分类器,其特点是结合先验概率和似然概率来确定监测结果。Zhang等人基于信息增益理论和滑动窗口机制,提出了一种称为IgS-wBSRM的加权朴素贝叶斯运行时监控方法。该方法根据信息熵和信息增益理论,依次读取样本数据流。它解决了实时监控不考虑历史冗余数据,累积历史数据对近期服务状态和可变环境因素的影响,同时解决了动态环境下监控结果的准确性的问题。Zhang等人出了一种新的基于移动性和依赖性的QoS监控方法,称为ghBSRM-MEC。该方法假设边缘服务器的QoS属性值服从高斯分布。为每个属性构造一个父属性,从而减少属性之间的依赖性。为每个边缘服务器构造高斯隐式贝叶斯分类器,实现移动边缘环境下的QoS监控。
在移动边缘环境下,传统的监控方法没有考虑通过捕捉用户的移动性来主动选择服务器,忽略了QoS监控的时空特性,无法解决监控工作滞后、延迟时间长的问题。因此既要考虑到用户的移动性,又要考虑到QoS的时空特性,对用户调用的服务的QoS进行主动监控。
发明内容
发明目的:考虑传统的监控方法没有考虑通过捕捉用户的移动性来主动选择服务器,忽略了QoS监控的时空特性,无法解决监控工作滞后、延迟时间长的问题。本发明提出了一种新的QoS监控方法LSTM-BSPM,该方法基于LSTM模型和高斯隐藏贝叶斯分类器BSPM,在移动边缘环境中对QoS进行主动监控。
技术方案:为实现上述发明目的,本发明采用如下技术方案:
一种移动边缘环境下基于LSTM-BSPM的主动QoS监控方法,包括如下步骤:
(1)对时空边缘用户QoS数据集进行预处理,拟合出用户的移动轨迹;
(2)将边缘服务器的服务区域根据信号强度划分为若干区域,提取具有相同时空特征的用户的历史QoS数据,为预测的移动感知QoS添加时间和空间依赖;
(3)根据用户的历史轨迹数据构造LSTM模型,对用户的轨迹进行预测;
(4)根据预测的用户位置信息得到用户的移动感知QoS数据,为每个移动感知QoS构建上下文相关的时间和空间特征属性;
(5)根据每个边缘服务器中样本属性的历史数据构建高斯隐贝叶斯分类器,通过分类器对添加了时空依赖的用户移动感知QoS进行主动监控。
作为优选,所述时空边缘用户QoS数据集通过数据集融合的方式获取,通过将同一地理位置的服务QoS值看作是同一边缘服务器的服务的QoS值的方式对已有的电信数据集和Web服务质量数据集进行融合,得到一个边缘服务器的响应时间样本数据集;再通过K-means聚类方法对边缘服务器进行划分,将聚类质心当作边缘服务器,同类中的其他点当作该边缘服务器的历史用户,构造出一个移动边缘监控环境。
作为优选,所述步骤(1)中预处理包括对无效数据进行过滤;将用户接入的服务器的位置看作是用户当前的位置,通过用户接入边缘服务器的时间顺序拟合出用户的移动轨迹。
作为优选,所述步骤(2)包括如下步骤:
(21)将每个边缘服务器的信号按距离划分为四个区域,划分范围结果表示为Edge={area1,area2,area3,area4};
(22)提取每个区域内的所有用户的数据areap={U1,U2,…,Uu},其中u为区域p中的用户数量,Ui=[X1,X2,…,Xs],表示用户i调用的服务的集合,s为用户调用服务的个数,Xr=[T1,T2,…,Tn]T,是用户在访问服务器时多次调用服务r的响应时间,n为调用服务的次数。
作为优选,所述步骤(3)包括如下步骤:
(31)构建LSTM网络,对网络进行训练并测试;
(32)将用户的前四个时刻的历史轨迹数据作为输入,通过网络进行预测,预测出用户下一时刻的地理位置,从而确定用户将来从属于边缘服务器的哪个区域。
作为优选,所述步骤(4)包括如下步骤:
(41)根据用户与服务器的距离,预测t+1时刻用户位置所在的区域为areat+1,从区域内u个用户提取的历史数据areat+1={U1,U2,…,Uu},表示为用户移动感知QoS;
(42)计算同一区域同一时间段内的历史QoS数据的平均值,得到添加了时空依赖的移动感知QoS,记为QoSt+1。
作为优选,所述步骤(5)包括如下步骤:
(51)训练阶段,基于每个边缘服务器的历史数据,为每一个样本属性构造对应的父属性的值构造高斯隐藏贝叶斯分类器,将同一边缘服务器同一区域中的用户历史数据的QoS均值作为分类器中的输入进行分类;
(52)在QoS监控中,预定义一组QoS样本属性向量X={x1,x2,…,xT},T为QoS属性个数,类别集为C={c0,c1},定义满足QoS属性为c0类,不满足QoS属性为c1类,通过构造高斯隐藏贝叶斯分类器,计算c0类和c1类的后验概率,将后验概率较大的类别作为分类的类别。
基于相同的发明构思,本发明提供的一种移动边缘环境下基于LSTM-BSPM的主动QoS监控***,包括:预处理单元,用于对时空边缘用户QoS数据集进行预处理,拟合出用户的移动轨迹;区域划分单元,用于将边缘服务器的服务区域根据信号强度划分为若干区域,提取具有相同时空特征的用户的历史QoS数据,为预测的移动感知QoS添加时间和空间依赖;轨迹预测单元,用于根据用户的历史轨迹数据构造LSTM模型,对用户的轨迹进行预测;QoS预测单元,用于根据预测的用户位置信息得到用户的移动感知QoS数据,为每个移动感知QoS构建上下文相关的时间和空间特征属性;以及主动监测单元,用于根据每个边缘服务器中样本属性的历史数据构建高斯隐贝叶斯分类器,通过分类器对添加了时空依赖的用户移动感知QoS进行主动监控。
基于相同的发明构思,本发明提供的一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被加载至处理器时实现所述的移动边缘环境下基于LSTM-BSPM的主动QoS监控方法。
基于相同的发明构思,本发明提供的一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述的移动边缘环境下基于LSTM-BSPM的主动QoS监控方法。
有益效果:与现有技术相比,本发明具有如下优点:本发明考虑了用户需要不断改变接入的边缘服务器以适应用户位置的变化,提前主动监控调用服务的服务质量,缩短服务的缓冲时间,提高用户的服务体验。本发明考虑到同一边缘服务器内不同时间段、不同信号范围的相同服务之间存在QoS偏差,在单个服务器上监控某项服务的所有历史数据可能不适用于监控不同区域和时间段访问的服务。本发明考了虑QoS监控的时空特性,移动感知QoS取决于用户调用的以时间和空间为上下文特征的服务,使监控结果更加贴合实际。
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,本发明实施例公开的一种移动边缘环境下基于LSTM-BSPM的主动QoS监控方法,主要包含如下步骤:
步骤1:对时空边缘用户QoS数据集进行预处理,拟合出用户的移动路径;
步骤2:将边缘服务器的服务区域根据信号强度划分为若干区域,提取具有相同时空特征的用户的历史QoS数据,为预测的移动感知QoS添加时间和空间依赖;
步骤3:根据用户的历史轨迹数据构造LSTM网络模型,对用户的轨迹进行预测;
步骤4:根据预测的用户位置信息得到用户的移动感知QoS数据,为每个移动感知QoS构建上下文相关的时间和空间特征属性;
步骤5:根据每个边缘服务器中样本属性的历史数据构建高斯隐贝叶斯分类器,通过分类器对添加了时空依赖的用户移动感知QoS进行主动监控。
下面结合具体示例对本发明实施例的具体步骤作进一步说明。如图2所示,本发明实施例所提供的一种移动边缘环境下基于LSTM-BSPM的主动QoS监控方法。该方法通过收集服务器位置和调用服务相关信息数据集、传统QoS量化数据集,并将获得的数据集按照一定的规则进行融合,得到满足要求的时空边缘用户QoS数据集。
其中收集数据包括两个方面:包含用户移动设备ID、调用服务的开始时间和结束时间、边缘服务器的经度纬度信息、时间段ID和响应时间的QoS数据集;具体步骤如下:
收集边缘位置信息和QoS数据集,其中边缘位置信息指的是上海电信数据集,这个数据集主要包括上海某个地区2014年6月1日至6月30日用户调用基站的所有信息;QoS数据集指的是wsdream数据集,主要包括在64个不同时间段来自4,500个Web服务上的142个用户的真实QoS评估结果。本步骤从包含基站经纬度信息上海电信数据集中,收集基站的经纬度信息和移动设备的接入记录;从wsdream数据集中收集包括用户移动设备ID、服务ID、时间片ID以及由这些信息产生的Web服务的响应时间的量化数据。
将获得的数据集按照一定的规则进行融合,得到满足要求的时空边缘用户QoS数据集;具体步骤如下:
通过数据集融合的方式获取满足要求的数据集。通过随机选取同一地理位置的服务QoS值看作是同一边缘服务器的服务的QoS值的方式对已有的数据集进行融合,得到一个边缘服务器的响应时间样本数据集。该数据集包括60个边缘服务器的地理位置、160个用户的移动轨迹和5085个服务调用的响应时间。
边缘服务器的位置是通过在数据集上应用K-means聚类来确定的。将一个簇质心作为边缘服务器,同一簇内的其他点作为边缘服务器的历史用户位置,从而决定用户的轨迹,得到融合移动边缘QoS特征数据集。
传统的边缘环境下的QoS数据集都无法符合我们的要求,融合后的上海电信数据集带有QoS量化数据属性。
基于上述获取的数据集,步骤1中对时空边缘用户QoS数据集进行预处理,包括过滤无效数据,拟合出用户的移动路径等,具体步骤为:
步骤11:数据预处理主要对无效数据进行过滤,例如过滤样本数据中响应时间为-1和0的数据,使实验数据更加符合真实情况;
步骤12:将用户接入的服务器的位置看作是用户当前的位置,通过用户接入边缘服务器的时间顺序拟合出用户的移动轨迹。
步骤2中考虑边缘基站的地理位置的平面分布情况,将原始的边缘服务器划分为多个边缘区域,并提取各个区域的数据集。边缘区域划分和提取数据集是为了提取和用户具有相同时空特性的相似用户的历史数据,提高主动监控的精度,本步骤具体包括:
步骤21:将每个边缘服务器的信号按距离划分为四个区域,划分范围结果表示为Edge={area1,area2,area3,area4};
步骤22:提取每个区域内的所有用户的数据areap={U1,U2,…,Uu},其中u为区域p中的用户数量,Ui=[X1,X2,…,Xs],表示用户i调用的服务的集合,s为用户调用服务的个数,Xr=[T1,T2,…,Tn]T,是用户在访问服务器时多次调用服务r的响应时间,n为调用服务的次数。
通过训练LSTM网络对用户的轨迹进行预测,进而提前对用户调用的服务进行主动监控,可以缩短调用Web服务的延迟时间,步骤3根据用户的历史轨迹数据构造LSTM网络,对用户的轨迹进行预测的具体处理步骤为:
步骤31:将用户接入服务器的历史轨迹特征和当前轨迹特征作为网络输入,将未来某时刻的用户位置特征数据作为网络输出,通过与真实值相对比训练LSTM网络,建立历史用户轨迹与未来用户轨迹特征数据之间的映射关系,实现对用户轨迹特征的推算和预测。对于用户,其在t时刻的轨迹特征Y(t)可表示为:
Y(t)={lng,lat}
其中lng、lat分别表示用户在t时刻的2项特征:用户访问服务器时的经纬度。
步骤32:我们提取用户最近接入时间的四个基站的位置,即Y(t-3)、Y(t-2)、Y(t-1)和Y(t),形成用户历史基站访问轨迹。
步骤33:在LSTM中,遗忘门根据上一时刻的输出进行选择性过滤,有选择地决定信息是否可以通过单元,根据上一时刻的输出ht-1和当前输入xt来产生一个0到1的ft值,来决定是否让上一时刻学到的信息Ct-1通过或部分通过。其中,[ht-1,xt]表示把两个向量连接成一个更长的向量,σ是sigmoid函数,Wf是遗忘门的权重矩阵,bf是遗忘门的偏置项,ft值的计算方式如下所示:
ft=σ(Wf·[ht-1,xt]+bf)
输入门决定需要更新的信息,将新的信息加入到单元状态中来。这一步包含两部分,第一部分是输入层通过sigmoid来决定哪些值用来更新,第二部分是tanh层用来生成新的候选值它作为当前层产生的可能会添加到单元中的候选值。我们会把这两部分产生的值结合来进行更新,其中,Wi是输入门的权重矩阵,bi是输入门的偏置项,Wc是输出门的权重矩阵,bc是输出门的偏置项,计算方式如下所示:
it=σ(wi·[ht-1,xt]+bi)
输出门对旧的单元状态进行更新,得到新的侯选值Ct:
最后,通过输出门确定模型需要输出什么值,输出取决于细胞的状态。首先是通过sigmoid层来得到一个初始输出ot,然后使用tanh将Ct值缩放到[-1,1]这个区间,再与sigmoid层得到的输出ot逐对相乘,从而得到模型的输出,其中,Wo是计算单元状态的权重矩阵,bo是计算单元状态的偏置项,计算方式如下所示:
ot=σ(Wo[ht-1,xt]+bo)
ht=ot*tanh(Ct)
步骤34:基于历史轨迹,通过LSTM神经网络预测时间t+1时用户的轨迹Y(t+1)。用户轨迹预测模型表示为:
Y(t+1)=f({Y(t-3),...,Y(t-1),Y(t)})。
考虑到QoS监控的时空特性,边缘服务器的服务区域根据信号强度被划分为若干区域。提取具有相同服务时空特征的用户的历史数据,为预测的移动感知QoS添加时间和空间依赖性。步骤4根据预测的用户位置信息得到用户的移动感知QoS数据,为每个移动感知QoS构建上下文相关的时间和空间特征属性,具体处理步骤为:
步骤41:预测备选基站。对区域内的每个用户,根据预测用户下个时刻的地理位置,以及区域内的各个边缘网络基站的位置和覆盖范围,挑选出可用的基站作为备选基站,并进行优先级排序,选择最有可能接入的基站。
步骤42:提取用户移动感QoS。根据用户与服务器的距离,预测用户位置所在的区域为areat+1。从区域内u个用户提取的历史数据areat+1={U1,U2,…,Uu},表示为用户移动感QoS。
步骤43:为每个移动感知QoS构建上下文相关的时间和空间特征属性。计算同一区域同一时间段内的历史QoS数据的平均值,得到添加了时空依赖的移动感知QoS,记为Trsn为第n个用户的OoS属性值
根据每个边缘服务器中样本属性的历史数据构建高斯隐贝叶斯分类器。通过分类器对添加了时空依赖的用户移动感知QoS进行主动监控。步骤5的主动QoS监控具体为:
步骤51:为每个独立的属性(本实施例中指的是QoS属性中的响应时间属性)添加一个代表其他属性影响的父属性。其中,父属性的值为x1~xk-1的均值。(父属性表示的是当前样本之前的样本给当前样本带来的影响)k-1标记当前样本的前一样本,改进的贝叶斯分类器公式可表示为:
其中,C表示的是预定义的类别集,n表示的是分类项的个数,π(xi)表示的是隐藏的父属性,X表示的是分类项中的每个样本(这里指的是调用服务的响应时间属性值)
步骤52:高斯分布通常可以用来表示连续属性的类条件概率分布,将高斯分布应用于贝叶斯分类器中连续变量的概率分布,在高斯分布中假设如下:其中,/>代表着对应类别cj的高斯分布,/>和/>为样本属性的均值和方差,/>和/>为样本所对应的父属性的均值和方差,/>为xi和π(xi)之间的相关系数;
步骤53:训练阶段,基于每个边缘服务器的历史数据,为每一个样本属性构造对应的父属性的值构造高斯隐藏贝叶斯分类器。将获取的相似用户(同一边缘服务器同一区域中的用户)的历史数据的QoS均值作为分类器中的输入进行分类,每加入一个样本数据时都要对该QoS属性值的概率标准进行检验,检验是否满足预定义的概率属性要求。其中,假设QoS属性值遵循高斯分布,则可由概率密度积分公式实现检验:其中,定义QoS标准为服务响应时间小于2s的概率大于85%,QoS-Value=2,μ和σ分别表示样本的均值和标准差。
步骤54:在QoS监控中,预定义一组QoS样本属性向量X={x1,x2,…,xT},T为QoS属性个数,类别集为C={c0,c1},定义满足QoS属性为c0类,不满足QoS属性为c1类,通过构造高斯隐藏贝叶斯分类器,计算c0类和c1类的后验概率,将后验概率较大的类别作为分类的类别。
基于用户移动感知和QoS监控的时空特性,在边缘区域内动态地进行QoS主动监控。
基于相同的发明构思,本发明提供的一种移动边缘环境下基于LSTM-BSPM的主动QoS监控***,包括:预处理单元,用于对时空边缘用户QoS数据集进行预处理,拟合出用户的移动轨迹;区域划分单元,用于将边缘服务器的服务区域根据信号强度划分为若干区域,提取具有相同时空特征的用户的历史QoS数据,为预测的移动感知QoS添加时间和空间依赖;轨迹预测单元,用于根据用户的历史轨迹数据构造LSTM模型,对用户的轨迹进行预测;QoS预测单元,用于根据预测的用户位置信息得到用户的移动感知QoS数据,为每个移动感知QoS构建上下文相关的时间和空间特征属性;以及主动监测单元,用于根据每个边缘服务器中样本属性的历史数据构建高斯隐贝叶斯分类器,通过分类器对添加了时空依赖的用户移动感知QoS进行主动监控。
为描述的方便和简洁,上述描述的各单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。所述单元的划分仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元可以结合或者可以集成到另一个***。
基于相同的发明构思,本发明提供的一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被加载至处理器时实现所述的移动边缘环境下基于LSTM-BSPM的主动QoS监控方法。
基于相同的发明构思,本发明提供的一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述的移动边缘环境下基于LSTM-BSPM的主动QoS监控方法。
Claims (7)
1.一种移动边缘环境下基于LSTM-BSPM的主动QoS监控方法,其特征在于,包括如下步骤:
(1)对时空边缘用户QoS数据集进行预处理,拟合出用户的移动轨迹;
(2)将边缘服务器的服务区域根据信号强度划分为若干区域,提取具有相同时空特征的用户的历史QoS数据,为预测的移动感知QoS添加时间和空间依赖;包括:
(21)将每个边缘服务器的信号按距离划分为四个区域,划分范围结果表示为Edge={area1,area2,area3,area4};
(22)提取每个区域内的所有用户的数据areap={U1,U2,…,Uu},其中u为区域p中的用户数量,Ui=[X1,X2,…,Xs],表示用户i调用的服务的集合,s为用户调用服务的个数,Xr=[T1,T2,…,Tn]T,是用户在访问服务器时多次调用服务r的响应时间,n为调用服务的次数;
(3)根据用户的历史轨迹数据构造LSTM模型,对用户的轨迹进行预测;
(4)根据预测的用户位置信息得到用户的移动感知QoS数据,为每个移动感知QoS构建上下文相关的时间和空间特征属性;包括:
(41)根据用户与服务器的距离,预测t+1时刻用户位置所在的区域为areat+1,从区域内u个用户提取的历史数据areat+1={U1,U2,…,Uu},表示为用户移动感知QoS;
(42)计算同一区域同一时间段内的历史QoS数据的平均值,得到添加了时空依赖的移动感知QoS,记为QoSt+1;
(5)根据每个边缘服务器中样本属性的历史数据构建高斯隐贝叶斯分类器,通过分类器对添加了时空依赖的用户移动感知QoS进行主动监控;包括:
(51)训练阶段,基于每个边缘服务器的历史数据,为每一个样本属性构造对应的父属性的值构造高斯隐藏贝叶斯分类器,将同一边缘服务器同一区域中的用户历史数据的QoS均值作为分类器中的输入进行分类;
(52)在QoS监控中,预定义一组QoS样本属性向量X={x1,x2,…,xT},T为QoS属性个数,类别集为C={c0,c1},定义满足QoS属性为c0类,不满足QoS属性为c1类,通过构造高斯隐藏贝叶斯分类器,计算c0类和c1类的后验概率,将后验概率较大的类别作为分类的类别。
2.根据权利要求1所述的移动边缘环境下基于LSTM-BSPM的主动QoS监控方法,其特征在于,所述时空边缘用户QoS数据集通过数据集融合的方式获取,通过将同一地理位置的服务QoS值看作是同一边缘服务器的服务的QoS值的方式对已有的电信数据集和Web服务质量数据集进行融合,得到一个边缘服务器的响应时间样本数据集;再通过K-means聚类方法对边缘服务器进行划分,将聚类质心当作边缘服务器,同类中的其他点当作该边缘服务器的历史用户,构造出一个移动边缘监控环境。
3.根据权利要求1所述的移动边缘环境下基于LSTM-BSPM的主动QoS监控方法,其特征在于,所述步骤(1)中预处理包括对无效数据进行过滤;将用户接入的服务器的位置看作是用户当前的位置,通过用户接入边缘服务器的时间顺序拟合出用户的移动轨迹。
4.根据权利要求1所述的移动边缘环境下基于LSTM-BSPM的主动QoS监控方法,其特征在于,所述步骤(3)包括如下步骤:
(31)构建LSTM网络,对网络进行训练并测试;
(32)将用户的前四个时刻的历史轨迹数据作为输入,通过网络进行预测,预测出用户下一时刻的地理位置,从而确定用户将来从属于边缘服务器的哪个区域。
5.一种移动边缘环境下基于LSTM-BSPM的主动QoS监控***,其特征在于,包括:
预处理单元,用于对时空边缘用户QoS数据集进行预处理,拟合出用户的移动轨迹;
区域划分单元,用于将边缘服务器的服务区域根据信号强度划分为若干区域,提取具有相同时空特征的用户的历史QoS数据,为预测的移动感知QoS添加时间和空间依赖;包括:将每个边缘服务器的信号按距离划分为四个区域,划分范围结果表示为Edge={area1,area2,area3,area4};提取每个区域内的所有用户的数据areap={U1,U2,…,Uu},其中u为区域p中的用户数量,Ui=[X1,X2,…,Xs],表示用户i调用的服务的集合,s为用户调用服务的个数,Xr=[T1,T2,…,Tn]T,是用户在访问服务器时多次调用服务r的响应时间,n为调用服务的次数;
轨迹预测单元,用于根据用户的历史轨迹数据构造LSTM模型,对用户的轨迹进行预测;
QoS预测单元,用于根据预测的用户位置信息得到用户的移动感知QoS数据,为每个移动感知QoS构建上下文相关的时间和空间特征属性;包括:根据用户与服务器的距离,预测t+1时刻用户位置所在的区域为areat+1,从区域内u个用户提取的历史数据areat+1={U1,U2,…,Uu},表示为用户移动感知QoS;计算同一区域同一时间段内的历史QoS数据的平均值,得到添加了时空依赖的移动感知QoS,记为QoSt+1;
以及主动监测单元,用于根据每个边缘服务器中样本属性的历史数据构建高斯隐贝叶斯分类器,通过分类器对添加了时空依赖的用户移动感知QoS进行主动监控;包括:训练阶段,基于每个边缘服务器的历史数据,为每一个样本属性构造对应的父属性的值构造高斯隐藏贝叶斯分类器,将同一边缘服务器同一区域中的用户历史数据的QoS均值作为分类器中的输入进行分类;在QoS监控中,预定义一组QoS样本属性向量X={x1,x2,…,xT},T为QoS属性个数,类别集为C={c0,c1},定义满足QoS属性为c0类,不满足QoS属性为c1类,通过构造高斯隐藏贝叶斯分类器,计算c0类和c1类的后验概率,将后验概率较大的类别作为分类的类别。
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被加载至处理器时实现根据权利要求1-4任一项所述的移动边缘环境下基于LSTM-BSPM的主动QoS监控方法。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现根据权利要求1-4任一项所述的移动边缘环境下基于LSTM-BSPM的主动QoS监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210241590.1A CN114760657B (zh) | 2022-03-11 | 2022-03-11 | 移动边缘环境下基于LSTM-BSPM的主动QoS监控方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210241590.1A CN114760657B (zh) | 2022-03-11 | 2022-03-11 | 移动边缘环境下基于LSTM-BSPM的主动QoS监控方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114760657A CN114760657A (zh) | 2022-07-15 |
CN114760657B true CN114760657B (zh) | 2024-05-03 |
Family
ID=82327765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210241590.1A Active CN114760657B (zh) | 2022-03-11 | 2022-03-11 | 移动边缘环境下基于LSTM-BSPM的主动QoS监控方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114760657B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019056571A1 (zh) * | 2017-09-25 | 2019-03-28 | 深圳大学 | 一种web服务质量预测方法 |
CN109816177A (zh) * | 2019-02-22 | 2019-05-28 | 广东电网有限责任公司 | 一种负荷聚合商短期负荷预测方法、装置及设备 |
CN110417867A (zh) * | 2019-07-03 | 2019-11-05 | 河海大学 | 移动边缘环境下的Web服务QoS监控方法 |
CN111327480A (zh) * | 2020-03-02 | 2020-06-23 | 河海大学 | 移动边缘环境下的Web服务多元QoS监控方法 |
-
2022
- 2022-03-11 CN CN202210241590.1A patent/CN114760657B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019056571A1 (zh) * | 2017-09-25 | 2019-03-28 | 深圳大学 | 一种web服务质量预测方法 |
CN109816177A (zh) * | 2019-02-22 | 2019-05-28 | 广东电网有限责任公司 | 一种负荷聚合商短期负荷预测方法、装置及设备 |
CN110417867A (zh) * | 2019-07-03 | 2019-11-05 | 河海大学 | 移动边缘环境下的Web服务QoS监控方法 |
CN111327480A (zh) * | 2020-03-02 | 2020-06-23 | 河海大学 | 移动边缘环境下的Web服务多元QoS监控方法 |
Non-Patent Citations (4)
Title |
---|
Mobility and Dependence-Aware QoS Monitoring in Mobile Edge Computing;Pengcheng Zhang;《IEEE Transactions on Cloud Computing 》;20210302;全文 * |
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;20190620(第08期);全文 * |
一种移动边缘计算下基于高斯隐藏贝叶斯的服务质量监控方法;张雅玲;张鹏程;金惠颖;;小型微型计算机***;20200815(第08期);全文 * |
移动边缘计算下基于联邦学习的动态QoS优化;张鹏程;《计算机学报》;20211215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114760657A (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108234198B (zh) | 一种基站流量预测方法和设备 | |
US8966036B1 (en) | Method and system for website user account management based on event transition matrixes | |
CN109544197B (zh) | 一种用户流失预测方法和装置 | |
US20090204551A1 (en) | Learning-Based Method for Estimating Costs and Statistics of Complex Operators in Continuous Queries | |
CN110417867B (zh) | 移动边缘环境下的Web服务QoS监控方法 | |
AU2020104133A4 (en) | Expected conditional clustered regressive deep multilayer precepted neural learning for iot based cellular network traffic prediction with big data | |
Ouyang et al. | Debiasing crowdsourced quantitative characteristics in local businesses and services | |
CN108205570B (zh) | 一种数据检测方法和装置 | |
US20210073669A1 (en) | Generating training data for machine-learning models | |
CN113536097B (zh) | 基于自动特征分组的推荐方法及装置 | |
CN111405030B (zh) | 一种消息推送方法、装置、电子设备和存储介质 | |
Liangqun et al. | Maximum entropy fuzzy clustering with application to real-time target tracking | |
CN113449011A (zh) | 基于大数据预测的信息推送更新方法及大数据预测*** | |
CN111327480B (zh) | 移动边缘环境下的Web服务多元QoS监控方法 | |
US7149649B2 (en) | Statistical models for improving the performance of database operations | |
Tong et al. | A missing QoS prediction approach via time-aware collaborative filtering | |
Wang et al. | Concept drift-aware temporal cloud service APIs recommendation for building composite cloud systems | |
CN114842553A (zh) | 基于残差收缩结构和非局部注意力的行为检测方法 | |
Pang et al. | Federated learning for crowd counting in smart surveillance systems | |
CN114760657B (zh) | 移动边缘环境下基于LSTM-BSPM的主动QoS监控方法与*** | |
Ahani et al. | A feature weighting and selection method for improving the homogeneity of regions in regionalization of watersheds | |
Zeng et al. | LGSA: A next POI prediction method by using local and global interest with spatiotemporal awareness | |
Casleton et al. | Imputation for multisource data with comparison and assessment techniques | |
Kažič et al. | Predicting users’ mobility using Monte Carlo simulations | |
CN116503588A (zh) | 一种基于多元关系时空网络的poi推荐方法,装置及设备 |
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 |