欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2018107934833
申请人: 广西大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2023-12-11
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.云服务筛选系统中,一种融合异常Qos数据检测的云服务筛选方法,要求在云服务筛选系统中部署若干个客户端功能模块和1个筛选中心;然后在筛选中心部署1个用户筛选模块、1个用户聚类模块、1个异常Qos数据检测模块、1个Qos预测模块和1个云服务排名模块;

在用户筛选模块中部署用户数据库,在异常Qos数据检测模块中部署标准Qos数据库;用户必须通过用户端模块发送筛选请求,筛选中心考虑目标用户调用云服务环境的状态变化,从使用过这n个云服务的用户集中选择与目标用户的云服务调用环境最相似的Top‑K个用户,然后使用多重决策树投票的方法将具有异常Qos数据的用户从Top‑K个用户中过滤掉,并利用剩下的用户所提供的Qos数据为目标用户建立Qos服务评价模型,最后,结合目标用户的需求得到n个功能类似的云服务排名,并将排名结果发送给目标用户,其特征在于包括以下步骤:

功能模块部署阶段:

首先在云服务筛选系统中部署若干个用户端模块,其中每个用户端部署1个用户端模块;然后部署1个筛选中心,并在筛选中心部署1个用户筛选模块、1个用户聚类模块、1个异常Qos数据检测模块、1个Qos预测模块和1个云服务排名模块;最后在用户筛选模块中部署用户数据库,在异常Qos数据检测模块中部署标准Qos数据库;

用户发送云服务筛选请求阶段:

目标用户通过用户端模块发送n个功能类似的云服务筛选请求给云服务筛选中心,筛选请求包括目标用户的云服务调用环境参数,目标用户对这n个功能类似的云服务的Qos属性偏好值,以及n个功能类似的云服务参数;

用户筛选阶段:

云服务筛选中心收到筛选请求后启动用户筛选模块,用户筛选模块根据筛选请求中包含的n个功能类似的云服务的参数从它的用户数据库中挑选出使用过这n个功能类似的云服务的用户,同时生成待选用户集Dw;用户筛选模块的用户数据库中的用户数据集由云用户和云服务商提供,包含了每个用户的用户名、调用过的云服务的Qos属性值,调用云服务时的环境参数以及用户的云服务Qos属性偏好值;待选用户集包含了集合用户调用这n个功能类似的云服务的环境参数、集合用户对这n个功能类似的云服务的Qos属性值和对这n个功能类似的云服务的Qos属性偏好值;然后用户筛选模块删除掉筛选请求中包含n个功能类似的云服务的参数的内容,将筛选请求重新封装成聚类请求,并将聚类请求和待选用户集一起发送到用户聚类模块;

用户聚类阶段:

用户聚类模块对聚类请求中包含的目标用户的云服务调用环境参数和待选用户集中的集合用户调用n个功能类似的云服务的环境参数进行比对,从待选用户集中将与目标用户的云服务调用环境最相似的Top‑K个用户分配到同一组,生成中间用户集,K由云服务筛选中心根据实际需要来选择适合的数值;中间用户集包含了集合用户对这n个功能类似的云服务的Qos属性值;生成中间用户集后,用户聚类模块删除掉聚类请求中包含的目标用户的云服务调用环境参数将聚类请求重新封装成异常Qos数据检测请求,并将异常Qos数据检测请求和中间用户集一起发送给异常Qos数据检测模块;

异常Qos数据检测阶段:

异常Qos数据检测模块将它的标准Qos数据库中的Qos数据作为训练集,并利用多重决策树投票方法生成多重决策树,中间用户集中的Qos数据被异常Qos数据检测模块作为输入样本输入到每棵决策树,然后决策树输出对中间用户集中Qos数据值的分类预测:0或1,0表示异常值,1表示正常值;最后多重决策树分别对0或者1这两种值进行投票,将得票最多的值作为最终结果,并以此为依据过滤掉中间用户集中具有异常Qos数据的用户,生成最终用户集;异常Qos数据检测模块中的标准Qos数据库由云服务商提供,每一个Qos数据都包含一个取值为0或1的类别标签label,该标签用来表示Qos是正常值还是异常值,当label=0时是异常值,label=1时是正常值;标准Qos数据集作为训练集包含了云服务Qos数据的正常值和异常值,每一个决策树都会从训练集中抽取一定数量的样本来进行训练;最终用户集包含了集合用户对这n个功能类似的云服务的Qos属性值以及Qos属性偏好值;异常Qos数据检测模块将异常Qos数据检测请求重新封装成Qos预测请求,并将预测请求和最终用户集发送给Qos属性值预测模块;

云服务的Qos属性值预测阶段:

Qos属性值预测模块计算目标用户与最终用户集中集合用户对这n个云服务的Qos属性偏好值之间的距离,并在此基础上根据最终用户集中集合用户对这n个功能类似的云服务的Qos属性值来预测目标用户对n个功能类似的云服务的Qos属性值;然后,Qos预测模块将预测的目标用户对n个功能类似的云服务的Qos属性值与Qos预测请求中包含的目标用户的云服务Qos属性偏好值一起重新封装成排名请求,发送给云服务排名模块;

云服务排名阶段:

云服务排名模块根据我们改进的最优距离法计算出n个功能类似的云服务排名;最后将排名结果发送给目标用户。

2.根据权利要求1所述的云服务筛选系统中一种融合异常Qos数据检测的云服务筛选方法,其特征在于:云服务调用环境(Cloud Service Call Environment,CSCE)参数包括地理位置、硬件条件的安全等级、网络状况;云服务调用环境可以表示成向量CSCE=(li),li表示第i个环境参数,其中i=1,2,3;在CSCE中:i=1,指用户调用云服务时所处的地理位置;

i=2,指用户调用云服务时其硬件条件的安全等级;

i=3,指用户调用云服务时所处的网络状况;

比对云服务调用环境的计算公式如下:其中,i∈(1,2,3),k∈(1,2,…,|Dw|),uo是目标用户, 是待选用户集中的第k个用户, 表示目标用户uo与待选用户集中的用户 之间的云服务调用环境的距离,E的值越小,距离越近; 和 分别表示目标用户uo和待选用户 的云服务调用环境的第i个参数的值归一化之后的结果,i∈(1,2,3),|Dw|表示待选用户集的大小;

根据以上比对方法,聚类得到中间用户集Dm。

3.根据权利要求1所述的云服务筛选系统中一种融合异常Qos数据检测的云服务筛选方法,其特征在于:使用多重决策树投票的方法将具有异常Qos数据的用户从Top‑K个用户中过滤掉,多重决策树投票方法进行异常Qos数据检测的步骤如下:

1)首先,从标准Qos数据库中获取标准Qos数据集Db,Db的大小为L;

2)利用多重决策树投票方法从数据集Db抽样出大小为L的数据集合Dc,将这个取样过程重复j次,直到生成j个大小为L的数据集,(Dc1,Dc2,…,Dcj),其中Dcj表示由数据集Db生成的第j个数据集,j是可设置的参数;

3)利用数据集Dcj建立一个决策树 表示数据集Dcj中的第i个Qos数据,j个数据集一共建立j棵决策树;

4)将中间用户集中的Qos数据作为输入样本输入到j棵决策树,然后j棵决策树输出对中间用户集中Qos数据值的分类预测:0或1,0表示异常值,1表示正常值;

5)设置两个投票箱,Zero用来存储检测结果为0的票数,One用来存储检测结果为1的票数;

6)投票结束后,比较两个投票箱Zero和One的大小,将得票最多的值作为最终结果,并以此为依据过滤掉中间用户集中具有异常Qos数据的用户,生成最终用户集。

4.根据权利要求1所述的云服务筛选系统中一种融合异常Qos数据检测的云服务筛选方法,其特征在于:预测目标用户对n个功能类似的云服务的Qos属性值的步骤如下:

1)依次计算这n个云服务的Qos属性值,Si表示第i个云服务,i=1,2,...n;

2)如果目标用户uo使用过云服务Si,则云服务Si的Qos属性值的预测结果为是目标用户uo对云服务Si的Qos属性的预测值, 是目标用户uo之前对云服务Si的Qos属性的历史评价值;如果目标用户uo没有使用过云服务Si,则计算目标用户与最终用户集中用户的云服务Qos属性偏好值之间的距离,并在此基础上根据最终用户集中集合用户对云服务Si的Qos属性值来预测目标用户对云服务Si的Qos属性值;预测步骤如下:

(1)首先,计算目标用户uo与最终用户集Df中每个用户对云服务Si的Qos属性偏好值的距离,计算公式如下:

公式中, 是最终用户集Df的第t个用户,最终用户集中的用户个数假设为v;uo是目标用户集中的目标用户, 和 分别表示用户uo和  对云服务Si的Qos属性偏好值;

(2)基于用户集中集合用户对云服务Si的Qos属性值来预测目标用户对云服务Si的Qos属性值计算公式如下:

是目标用户uo对云服务Si的Qos属性值的预测结果, 是用户 对云服务Si的Qos属性的历史评价值, 是目标用户uo与用户 对云服务Si的Qos属性偏好值的距离。

5.根据权利要求1所述的云服务筛选系统中一种融合异常Qos数据检测的云服务筛选方法,其特征在于:根据我们改进的最优距离法计算出n个功能类似的云服务排名,步骤如下:

1)首先,对n个云服务的Qos预测结果进行归一化处理,得到

2)对 这n个值进行排序,将排序得到的最大值记为最优值最小值记为最劣值

3)计算云服务Si的排名评估值,公式如下:其中,Si表示第i个云服务, 表示用户uo对云服务Si的Qos预测值归一化的结果,i=1,2,...n; 是 与最优值 之间的距离;

是 与最劣值 之间的距离; 是目标用户uo对云服务Si的属性偏好值;G(si)是云服务Si的排名评估值;

4)重复步骤3),直到计算出所有n个云服务的排名评估值,然后对排名评估值进行排序,排名评估值最大的云服务排第一名,评估值最小的云服务排第最后一名。