一种基于改进神经协同过滤的区块链服务可靠性预测方法技术

本发明专利技术实施例公开了一种基于改进神经协同过滤的区块链服务可靠性预测方法主要包括：数据收集；根据用户请求响应的QoS数据计算请求的成功率；利用计算得到的成功率和成功率相关的数据来进行预测；步骤四：将预测结果进行运用。采用本发明专利技术，可以结合用户和被调用服务的上下文信息，并引入了多任务学习，构造了一个更加准确更加个性化的区块链服务的可靠性预测模型。通过引入上下文信息来弥补上下文信息缺失带来的误差，以及提供偏置修正项目，能结合用户和服务的实际情况，改进了因用户个人喜好带来的偏差。通过引入多任务学习，可以丰富训练样本和平均主任务上的噪声，有效地降低了预测的误差，提升了模型中算法的鲁棒性。提升了模型中算法的鲁棒性。提升了模型中算法的鲁棒性。

【技术实现步骤摘要】
一种基于改进神经协同过滤的区块链服务可靠性预测方法


[0001]本专利技术涉及一种，尤其涉及一种基于改进神经协同过滤的区块链服务可靠 性预测方法。

技术介绍

[0002]近年来，关于区块链的分散性、不可逆性和可追溯性的受到越来越多的关 注。因此，许多企业、政府和科研机构都在各个领域利用基于区块链的应用程 序，如智能合约、物联网、物联网、安全服务等。当区块链作为软件系统开发 过程中的一个组件提供时，它可以提供通信、数据存储、数据挖掘和计算服务。 在区块链即服务(BaaS)模式下，基于区块链的应用程序可以通过互联网调用大 量区块链服务来构建。开发人员可以根据区块链服务的功能，查找和调用区块 链服务中的具体模块来构建所需要的应用程序。这种方式构建了高质量的区块 链应用程序。然而，不同的应用平台提供了多重功能相似的候选服务供开发人 员选择，随着区块链服务的开发和应用的增加，如何从大量的服务中选择最可 靠的服务来满足开发人员的需求就成为一个需要解决的关键问题。许多研究人 员认为，用户在选择服务时，不仅要考虑用户的功能需求，还要考虑服务提供 的非功能指标，即服务质量(QoS，quality of service)。因此，用户可以根据区块链 服务的QoS值从大规模的服务中选择最可靠的服务。然而，大多数QoS特性可 能是动态的，它们的值取决于各种因素，如网络基础设施、调用时间和用户位 置。因此，应该为每个个性化用户确定这些QoS特性的值。然而，逐个调用所 有服务并观察相应的QoS值，这即昂贵又耗时。因此，如何在不调用候选区块 链服务的情况下获得未知的QoS值是需要解决的关键问题。
[0003]在Web服务领域，一种被广泛采用的方法是使用已经调用了该服务的其他 用户的QoS历史值去预测用户访问这个服务产生的QoS值。近年来，已经有大 量的此类预测方法，但是这些预测方法都存在着一系列的问题，例如，协同过 滤的向量内积是线性的，在实际的Web服务场景中，用户和服务之间存在着复 杂的交互关系，线性模型的表达能力不足以完全表达出用户和服务之间的关系； 而矩阵分解又无法修复由于用户个人偏好带来的偏置项，导致模型的性能首先， 并且，矩阵分解的方法对不同QoS值的预测只能分开建模，不能通过多任务学 习来进行预测。
[0004]近年来，机器学习和深度学习发展迅速，在自然语言处理、计算机视觉、 推荐系统等领域取得了显著的成就。由于深层神经网络可以有效地学习和识别 数据的特征，因此神经网络的研究可以用来构建用户和服务之间的复杂关系。 受到深度学习的启发，本专利技术采用深度学习的技术进行个性化的QoS预测，并 且引入用户和服务的上下文信息。在此基础上，本专利技术还在模型中加入了多任 务学习，让整个模型通过多任务学习来丰富训练样本和平均掉主任务上的噪声， 使得模型能预测得到更加精确的结果。
[0005]在Web服务和云计算服务选择中，服务的可靠性受到网络环境的影响。因 此，基于用户的反馈来评价服务的可靠性至关重要。通常，服务的可靠性可根 据用户对服务反馈的观察值和预测值的一致性来进行计算，其中QoS是可靠性 预测的关键因素。因此，准确地预
测未知的QoS值非常重要。QoS预测作为选 择Web服务和云计算服务的一项关键技术，在过去的十多年中得到了广泛的研 究。协同过滤(CF)作为一种典型的技术，在QoS预测中得到了广泛的应用。 基于CF的QoS预测模型可分为基于邻域和基于模型的协同过滤两类。大多数 基于领域的协同过滤方法是利用了相似的邻域的历史调用信息进行预测，基于 邻域的协同过滤可分为基于用户的协同过滤和基于项目的协同过滤。郑子彬等 人提出了一个基于邻域的混合模型，它集成了基于用户和基于项目的协同过滤 方法。随着互联网上服务数量的迅速增加，用户只能获得少量的QoS值。基于 邻域的方法容易受到数据稀疏性的影响，导致相似性计算的不准确。并且，如 果数据集过于庞大，基于邻域的方法是无效的，因为相似度计算的时间复杂度 随着网络服务的规模而增加。因此，解决服务数据的稀疏性成为了提升预测精 度的一个瓶颈。而基于模型的协同过滤可以有效地解决这一问题。矩阵分解(MF) 作为一种基于模型的CF技术，以其良好的可扩展性和高精度而成为最著名的 QoS预测技术之一。为了获得性能更好的模型，学者们对矩阵分解进行了大量 的研究。魏咯等人提出了一种基于关系正则化的扩展矩阵分解模型，用于未知 QoS预测，以避免代价高昂的Web服务调用。郑子彬等人提出了一个称为NIMF 的邻域集成矩阵分解模型，该模型将基于邻域和基于模型的矩阵分解方法相结 合以获得更高的预测精度。
[0006]为了获得更高的QoS预测精度，学者们致力于将矩阵分解和上下文信息(如 地理位置、时区等)相结合。因为相同的上下文信息意味着服务或用户之间更 加相似。因此，学者们将上下文信息和历史QoS信息相结合，建立预测模型。 张日崇等人提出了集合矩阵分解，它提高了基于用户服务质量对的MF模型的性 能。唐明董等人提出了基于位置感知的协同过滤，通过合并用户和服务的位置 信息来推荐Web服务。他等提出了分层矩阵分解，根据地理信息将用户分为多 个组，并结合本地和全局信息进行QoS值预测。俞东进等人提出了偏差矩阵分 解，即在地理位置信息中引入偏移项作为偏差，以提高模型的预测精度。
[0007]但是以上所提及的这些方法都只是基于传统的矩阵分解模型，没有很好地 应对计算相似性时的扩展性，以及不同因子之间潜在的不同权重。这样会限制 模型的性能。

技术实现思路

[0008]本专利技术实施例所要解决的技术问题在于，提供一种基于改进神经协同过滤 的区块链服务可靠性预测方法。可更好地进行特征交互，并且利用神经网络强 大的建模能力构建更加有效、扩展性更强。
[0009]为了解决上述技术问题，本专利技术实施例提供了一种基于改进神经协同过滤 的区块链服务可靠性预测方法，包括以下步骤：
[0010]S1：用户发送请求到区块链服务器中，获取反馈的QoS数据，将所述QoS 数据发送到服务端中的数据收集器中；
[0011]S2：所述数据收集器根据所述QoS数据计算请求的成功率；
[0012]S3：使用独热编码对用户的服务数据进行编码得到索引号，查询对应的特 征表示向量，将用户的所述特征表示向量、服务特征表示向量以外的上下文信 息特征直接拼接，得到上下文信息向量，将所述上下文信息向量经过多层感知 器，得到维度小于所述上下文信息向量的上下文向量；将所述特征表示向量、 服务特征表示向量、上下文向量计算得到目标的QoS得分，根据所述特征表示 向量、上下文向量计算用户偏置得分，根据所述服务特
征表示向量上下文向量 计算服务偏置得分，将所述QoS得分、用户偏置得分、服务偏置得分相加得到 最终的预测值；
[0013]S4：将所述最终的预测值用于计算区块链节点的可靠性。
[0014]其中，所述步骤S2还包括对节点响应的块高度与当前批次中最高的块高度 之间差值的最大容忍值以及请求往返时间与设定参数进行判断是否请求有效。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进神经协同过滤的区块链服务可靠性预测方法，其特征在于，包括以下步骤：S1：用户发送请求到区块链服务器中，获取反馈的QoS数据，将所述QoS数据发送到服务端中的数据收集器中；S2：所述数据收集器根据所述QoS数据计算请求的成功率；S3：使用独热编码对用户的服务数据进行编码得到索引号，查询对应的特征表示向量，将用户的所述特征表示向量、服务特征表示向量以外的上下文信息特征直接拼接，得到上下文信息向量，将所述上下文信息向量经过多层感知器，得到维度小于所述上下文信息向量的上下文向量；将所述特征表示向量、服务特征表示向量、上下文向量计算得到目标的QoS得分，根据所述特征表示向量、上下文向量计算用户偏置得分，根据所述服务特征表示向量上下文向量计算服务偏置得分，将所述QoS得分、用户偏置得分、服务偏置得分相加得到最终的预测值；S4：将所述最终的预测值用于计算区块链节点的可靠性。2.根据权利要求1所述的基于改进神经协同过滤的区块链服务可靠性预测方法，其特征在于，所述步骤S2还包括对节点响应的块高度与当前批次中最高的块高度之间差值的最大容忍值以及请求往返时间与设定参数进行判断是否请求有效。3.根据权利要求1所述的基于改进神...

【专利技术属性】
技术研发人员：许建龙，庄梓聪，黎钰晖，
申请(专利权)人：汕头大学，
类型：发明
国别省市：