【技术实现步骤摘要】
本专利技术涉及一种基于shapelet的云api服务质量时序预测方法、装置及介质。
技术介绍
1、今天，大多数软件都向基于云的软件方向转变，面向服务架构(service orientedarchitecture,soa)是在开放的云环境基础上，为解决软件重用要求，实现内部业务逻辑与终端用户的解耦，而提出的一种新的架构体系。云应用程序编程接口(applicationprogramming interface,api)作为一种媒介，可以实现数据的交换、业务逻辑的实现以及在应用程序、基础设施和物联网装置之间的功能传递。云api以其易访问、易集成、轻量化等特点，正渐渐成为soa的核心技术。
2、随着云时代的到来，越来越多的企业意识到了云api所带来的巨大好处，纷纷投身于软件、数据服务等领域，但海量的云api在给用户带来极大的选择空间的同时，也给用户带来了更多的选择困难。并且在现有的云api库中，人们往往忽视了对非功能侧属性的要求，而这些要求正是基于高品质的云api应用程序开发中必须要考虑的因素。为了描述云api非功能侧的需求，引入服务质量(quality of service,qos)理论到解决云api的快速、个性化、高质量推荐问题中。
3、云api中常见的服务质量属性有响应时间、吞吐量、故障间隔时间、服务价格等，诸如响应时间和吞吐量这样的动态服务质量属性，会随着用户环境、网络条件、服务器工作负载等因素的改变，在不同的时间点上产生不同的值，从而出现周期性、短暂性的服务质量变化的情况，因此，服务质量动态属性呈现出不
4、由于时间序列数据的复杂性以及技术的不断革新，基于时间序列的服务质量预测方法层出不穷，现有专利中基于时间序列的服务质量预测研究大体分为两种方向，传统概率统计模型与深度学习模型。
5、(1)基于传统概率统计模型的服务质量时间序列预测主要围绕平稳性时间序列，以数理统计为理论知识，用函数对时序数列中的各个数据进行关系建模。最著名的模型是arima，cavello等人对在时间序列模型中为代表的arima模型与当前值方法，均值方法，线性回归法进行了对比，表明了arima模型的优势。amin等人将arima和garch相结合，garch模型能够克服arima中“方差恒定”假设的限制，更接近于服务质量的实际数据特征。为证明arima-garch方法比arima方法更好，amin将文献中公布的10个现实世界的web服务的服务质量时间序列用作实验数据，并对其进行了验证。实验结果显示，与arima方法相比，arima-garch的精度提高了平均15.34％。ye等人考虑到服务质量多个属性维度之间的相关性，提出了多元arima模型、holters-winters指数平滑模型，并将所提出的方法与多种以自回归为基础的方法进行了对比，验证了多元模型对于预测准确性的提高有积极作用。可以发现，单一的统计学模型大多局限于线性单变量时间序列，难以满足对因用户在与云api交互的过程中的现实环境波动所生成的非线性非平稳的服务质量时间序列的准确预测。
6、(2)基于深度学习的时间序列预测方法由于其性能稳定、数据适应性高与易于推广等特征，被越来越多的研究团队用于服务质量时序预测的研究。adebiyi等人通过比较神经网络模型与arima模型的预测性能，突出了将人工智能技术应用于传统时序预测模型会显著提升性能。wang等人结合小波分解技术，提出基于小波消噪的bp神经网络预测模型，提升了混沌时序数据的网络预测精度。martin等人提出使用自循环网络结构朴素rnn来进行服务质量时序预测，但由于其长期依赖，可能会造成梯度爆炸与梯度消失的问题。为了解决上述问题，sepp等人提出利用长短期记忆循环神经网络模型(lstm)，可以对多达数百个服务质量长期时间序列进行预测，并对web服务系统的可靠性进行预测。而后，许多研究团体相继将神经网络模型推广至更多的时序预测应用领域。霍等人引入基于注意力机制的模型，并使用transformer结构尝试了时间序列预测任务，更好的实现时序的上下文信息交互，提高了模型的预测能力。但基于深度学习的时间序列预测方法大多为黑盒模型，期预测模型与预测结果的可解释性较差。
7、但上面的技术方案存在着以下问题：
8、(1)基于传统概率统计模型的服务质量时间序列预测方法对数据的平稳性要求较高，在处理云api服务质量时间序列这种影响因素复杂的非平稳非线性时间序列时，一般会强行通过差分处理使其平稳化，每一次差分运算都会造成信息的损失，导致预测准确性的降低，且模型难以捕获历史时间序列数据之间的非线性关系，使预测结果的可解释性变差。
9、(2)基于深度学习的服务质量时间序列预测方法在建模过程中，输入的数据通过神经网络的隐含层映射和非线性激活函数转换后，会丧失原来的物理意义，且大多数模型在执行过程中没有捕捉关键变量与显著性信息的能力，因此预测精度以及可解释性较差。
10、(3)考虑网络环境的动态性，即用户观察到的云api服务质量会受到用户环境、网络条件、服务器工作负载等的影响而不断变化，并且由于现实网络环境以及用户交互行为的不稳定性，使云api服务质量时间序列数据集中存在大量缺失数据与异常数据，而大多数云api服务质量时序预测模型在数据预处理阶段对数据的挖掘与清洗不够全面和深入，因此使模型的预测精度下降。
技术实现思路
1、本专利技术所要解决的技术问题是针对现有技术的上述不足，提出一种基于shapelet的云api服务质量时序预测方法、装置及介质，该方法能够提高云api服务质量时序预测精度及预测结果的可解释性。
2、第一方面，本专利技术提供一种基于shapelet的云api服务质量时序预测方法，所述方法包括如下步骤：
3、步骤s1：获取云api服务质量时间序列数据；
4、步骤s2：对云api服务质量时间序列数据进行预处理；
5、步骤s3：提取预处理后的云api服务质量时间序列数据的shapelet特征序列；
6、步骤s4：将shapelet特征序列输入多元线性回归模型，预测出未来某一时间点的云api服务质量时序数据；
7、步骤s5：根据预测出未来某一时间点的云api服务质量时序数据，确定云api基于时间的服务质量趋势，以完成基于shapelet的云api服务质量时序预测。
8、进一步地，所述步骤s2中，具体包括：
9、步骤s21：以云api为索引，将云api服务质量时间序列数据根据用户交互行为进行分类，得到不同类别的云api服务质量时间序列数组；
10、步骤s22：计算不同类别的云api服务质量时间序列数组的均值和标准差，依据3σ准则判断云api服务质量时间序列数据是否为异常样本文档来自技高网...
【技术保护点】
1.一种基于Shapelet的云API服务质量时序预测方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的基于Shapelet的云API服务质量时序预测方法，其特征在于，
3.根据权利要求1所述的基于Shapelet的云API服务质量时序预测方法，其特征在于，
4.根据权利要求3所述的基于Shapelet的云API服务质量时序预测方法，其特征在于，
5.根据权利要求1至4任一项所述的基于Shapelet的云API服务质量时序预测方法，其特征在于，
6.一种基于Shapelet的云API服务质量时序预测装置，其特征在于，
7.根据权利要求6所述的基于Shapelet的云API服务质量时序预测装置，其特征在于，
8.根据权利要求6或7所述的基于Shapelet的云API服务质量时序预测装置，其特征在于，
9.根据权利要求8所述的基于Shapelet的云API服务质量时序预测装置，其特征在于，
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算
...【技术特征摘要】
1.一种基于shapelet的云api服务质量时序预测方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的基于shapelet的云api服务质量时序预测方法，其特征在于，
3.根据权利要求1所述的基于shapelet的云api服务质量时序预测方法，其特征在于，
4.根据权利要求3所述的基于shapelet的云api服务质量时序预测方法，其特征在于，
5.根据权利要求1至4任一项所述的基于shapelet的云api服务质量时序预测方法，其特征在于，
6.一种基于shapele...
【专利技术属性】
技术研发人员：刘钰杰，齐方正，
申请(专利权)人：中国联合网络通信集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。