基于径向基神经网络的Web Service QoS属性值组合预测方法

刘宗磊，庄 媛，张鹏程

(河海大学计算机与信息学院，江苏 南京 211100)

0 引言

随着面向服务计算技术的日趋成熟，网络上出现了大量功能相同或相近而服务质量有很大差别的Web Service，其中QoS 成为评价和选择Web Service的重要依据［1］。而Web Service 是通过Internet 网络提供服务，QoS 会随着网络环境、服务器负载等因素的变化而变化［2-4］。通过分析历史QoS 观察值(通常通过监控服务执行收集［5］)，可以在Web Service 发生失效前做出反应，选择出正确的候选服务或者对现有服务做出调整，从而防止这些失效发生或者减少它们带来的影响。

当前Web Service QoS 预测方法主要分为3 类:

1)基于相似度的QoS 预测方法。Shao［6］等在2007 年最早提出使用协同过滤法对用户未使用过的QoS 进行预测。该方法只考虑用户之间的相似度，而没有考虑Web 服务之间的相似度，使得预测效果不太理想;Zheng［7］等提出了一种基于混合协同过滤方法的QoS 预测方法。该方法设计了2 种信心权重，其中一种信心权重表示对基于用户之间相似度得到的QoS 预测值的信任程度，另一种信心权重表示对基于服务之间相似度得到的QoS 预测值的信任程度。

2)基于人工智能的QoS 预测方法。Liu［8］等提出了一种基于BP (Back-Propagation)神经网络的QoS预测方法。但BP 神经网络存在收敛速度慢、识别精度不确定和过学习等问题。Zhang［9］等提出了一种基于RBF 神经网络的QoS 短期预测方法。该方法具有结构自适应性、网络设计简单、训练时间短等优点，但该方法的训练神经网络的数据缺乏在线更新机制。

3)基于时间序列的QoS预测方法［10-12］。Amin［13］等提出一种基于线性非线性时间序列的自动预测QoS 属性值方法，该方法自动将数据区分为线性和非线性2 种类型，提高了精确度，但在确定部分模型参数时，该方法默认了相同值，不能很好地建立高精度预测模型。

针对以上问题，本文提出一种以RBF 神经网络方法作为基础的Web Service QoS 组合预测方法。首先进行数据处理，由于Web Service QoS 具有高动态性和非线性的特征，根据其具体数据特征，建立差分自回归移动平均模型(Autoregressive Integrated Moving Average，ARIMA)［14］或自激励门限自回归移动平均模型(Self-Exciting Threshold Autoregressive Moving Average，SETARMA)［15］进行建模预测;同时，利用灰色模型无需考虑变化规律、分布规律的优点，采用灰色等维新息模型［16］进行建模预测。最后建立RBF神经网络模型，将时间序列模型和灰色预测模型得到的结果作为输入源传递给RBF 神经网络模型，训练模型，并进行QoS 相关属性值的预测。

1 一种基于RBF 神经网络的组合预测方法

图1 组合模型构建

本文提出的Web Service QoS 组合预测方法，如图1 所示。该方法由3 部分组成:

1)时间序列模型。用时间序列预测模型从统计学角度进行数据分析，针对时间序列的线性和非线性特征，分别采用ARIMA 模型与SETARMA 模型进行预测。

2)灰色预测模型。通过灰色等维新息模型模拟出整个QoS 属性值发展趋势。对即使有数据缺失的情况，亦可建立高效的灰色预测模型进行预测。

3)RBF 神经网络模型。将模型1)和模型2)的预测结果输入，形成组合预测模型。通过综合利用各种方法提供的有用信息，有利于提高输入质量，以期组合预测模型在效率、质量上优于单一模型，产生更好的预测结果。

Web Service QoS 指标主要有响应时间(Response time)、可用性(Availability)、可靠性(Reliability)、代价(Cost)、带宽(Band Width)等，本文以服务的响应时间为例进行预测。

1.1 时间序列模型

对响应时间x(rt)进行时间序列建模。

1.1.1 数据预处理

1)白噪声检验，使用游程检验法进行，原假设H0表示时间序列为纯随机序列，当p-value ＜0.05 时则拒绝原假设，即序列不是纯随机序列，继续下一步骤，若p-value ＞0.05 则接受原假设，即为纯随机序列，无预测意义;

2)正太分布检验，当非正太分布时用Box-Cox［13］进行近似转换;

3)稳定性检测，使用ADF 检验法。对于非平稳序列，可以逐次作差分直至转换为平稳序列。

1.1.2 建立模型

1)ARIMA 模型。

Step1 通过序列的自相关系数(Autocorrelationfunction，ACF)和偏自相关系数(Partial Autocorrelation Function，PACF)，确定参数q(移动平均模型阶数)和p(自回归模型阶数)，其规律如表1 所示。

表1 AR/MA 模型识别方法

Step2 根据AIC 信息准则(Akaike Information Criterion，AIC)选择AIC 信息值最小的模型，公式如下:

其中k 是参数的数量，L 是似然函数。

Step3 对模型进行显著性检验，即为残差序列的纯随机性检验，使用Ljung-Box(LB)统计量(也称Q-统计量)进行检验，公式如下:

其中，rj是j 阶自相关系数，T 是观测值的个数。如不满足则返回Step2 重新选择。

2)SETARMA 模型。

通常选取门限空间个数l=2，此时门限值r 使用黄金分割搜索算法求得，即每次均以相同的比率0.618不断缩小极值点所在的区间。将x(rt)按升序排列，初始区间为［x(π*(n-1))，x((1-π)*(n-1))］，其中π取值0.15，n 为样本数。对于门限变量和延迟参数，选取不同的延迟参数(取小于等于ARIMA 模型中p的所有非负整数)，在各个门限区间分别建立ARIMA模型，采用改进的AIC 准则选取最小值确定，公式如下:

1.1.3 选择模型

对所求ARIMA 模型和SETARIMA 模型进行预测，选择相对误差均值(MSPE)和均方根误差(RMSE)较小的模型，并将预测结果yts(rt)传给RBF模型。

1.2 灰色预测模型

所述灰色预测模型中，即使某些数据信息缺失，依然可以采用GM(1，1)模型构建可信的预测过程。使用GM(1，1)等维新息模型，即每补充一个新信息的同时，去掉一个最老的信息。同样，以响应时间x(rt)作为原始数据。为减小波动性影响，以及与时间序列模型统一单位，同样对x(rt)做对数变换得xlog2(rt)，以ygrey(rt)为预测输出。通过计算，可以得到t+1 时刻的响应时间，此结果将传递给RBF 神经网络模型作为输入。

1.3 RBF 神经网络模型

当时间序列模型和灰色预测模型建立好后，将得到的2 组数据(yts(rt)，ygrey(rt))作为输入源传递给RBF 神经网络模型，同时以相同时刻的观测值作为输出值训练神经网络。利用训练好的RBF 网络进行QoS 预测，并可利用最新的样本集修正RBF 网络继续进行QoS 预测。

2 实 验

2.1 实验设置

本实验使用数据为近2 个月时间笔者收集的4个Web 服务(分别为Domestic FlightSchedule，TV List，Captcha Code，RMB Instant Quotation)的响应时间，分别使用文献［13］提出的基于时间序列模型的QoS 预测法，文献［9］提出的基于RBF 模型的预测法和本文提出的组合预测方法进行预测和分析。在建立模型之前，对所有数据做对数变换。

4 个服务为每日的8:00 到17:00，间隔15 分钟一次的记录值，各采集2 000 个数据，如图2 所示，其中1 900 个作为训练样本，其余100 个作为测试样本。时间序列模型中，以1 000 为滑动窗口;灰色预测模型中，由于数据波动性较大，使用灰色等维新息模型，调整不同大小的滑动窗口。将时间序列模型和灰色预测模型预测的900 个数据作为RBF 神经网络的训练样本。

图2 自测4 个服务的响应时间

2.2 实验结果与分析

2.2.1 实验结果

模型通过实验建立了Domestic FlightSchedule，TV List，Captcha Code，RMB Instant Quotation 4 个服务的基于RBF 神经网络的组合预测模型(RBFC)时间序列和RBF 模型，预测的结果见图3。

图3 4 组Web Service 的组合预测模型与时间序列模型预测结果

从图中可以看出，组合模型预测结果比RBF 模型预测结果有显著提高，在一定程度上比时间序列模型更加精确。由于灰色预测模型只适用于单调性样本数据，小窗口灰色等维新息模型的建立则可以弥补这一缺点，同时能够更加准确地刻画整体规律。

2.2.2 模型评估

根据预测结果对模型进行评估:

为了更直观地比较组合预测模型和时间序列模型的预测结果，对3 个指标(MSPE，RMSE 和Proerror＜p)进行列表分析，计算结果如表2 所示。

1)相对误差均值(MSPE):

其中N 为预测结果的个数，yi为第i 个实际观测值，为第i 个预测值(以下N，yi，意义相同)。MSPE反映预测值偏离实际值的程度。

2)均方根误差(RMSE):

RMSE 不仅反映相对误差的大小，还反映预测结果的稳定性。

3)相对误差概率分布:

表2 自测4 个Web 服务预测结果指标比较

表2 中，提高值1 为组合模型较时间序列模型的精度提高，提高值2 为组合模型较RBF 模型的精度提高。从表中可以看出，组合模型与RBF 模型相比，在指标MAPE，RMSE 和下的预测结果均有显著提高;与时间序列模型相比，预测值的相对误差在0.01 以下均有所提高，但RMB Instant Quotation 数据集的组合预测模型的MSPE 和RMSE 值比时间序列结果略大，这可能是由于该数据集特征不适于灰色预测模型所致。

为了直观描述相对误差及相对误差分布情况，采用箱线图进行比较，如图4 所示。

图4 中，纵坐标表示相对误差绝对值，分别为4组自测数据使用时间序列模型与组合模型预测结果的误差分布。从图中可以看出，基于RBF 神经网络的组合模型误差分布的异常值均少于时间序列模型，且分布区间更加集中，这表明基于RBF 神经网络的组合模型预测结果更加稳定与精确。

图4 自测4 组数据误差分布箱线图

3 结束语

本文在前人研究成果的基础上，结合时间序列模型与径向基神经网络模型的优点，并加入灰色等维新息模型，建立了基于径向基神经网络模型的组合预测模型。与已有方法相比，在时间序列模型的建模过程中，并没有统一线性、非线性模型的参数p 和q 的值，并对SETARMA 模型的各个区间分别求解p 和q 的值，增加了模型的准确性。灰色预测模型与径向基神经网络模型均无需考虑规律变化，且径向基神经网络模型可快速建模。通过实验数据表明，组合预测模型在预测精度上有一定的提高。

本文仅根据线性和非线性2 种特征建立时间序列预测模型，但在对实际QoS 数据的分析过程中发现，其还存在波动性、周期性等特征，因此现有的方法在精度上仍可提高。未来将进一步研究时间序列模型中多特征识别，以及径向基神经网络模型的优化算法，同时，考虑加入协同过滤的方法，引入环境因素等的影响。

［1］马友，王尚广，孙其博，等.一种综合考虑主客观权重的Web 服务QoS 度量算法［J］.软件学报，2014，25(11):2473-2485.

［2］华哲邦，李萌，赵俊峰，等.基于时间序列分析的Web Service QoS 预测方法［J］.计算机科学与探索，2013，7(3):218-226.

［3］Tselentis G，Domingue J，Galis A，et al.Towards the Fu-ture Internet:A European Research Perspective［M］.IOS press，2009.

［4］Álvarez F，Cleary F，Daras P，et al.Future Internet Assembly 2012:From Promises to Reality［M］.Springer，2012.

［5］Papazoglou M，Pohl K，Parkin M，et al.Service Research Challenges and Solutions for the Future Internet:S-cubetowards Engineering，Managing and Adapting Servicebased Systems［M］.Springer，2010.

［6］Shao Lingshuang，Zhang Jing，Wei Yong，et al.Personalized QoS prediction for web services via collaborative filtering［C］// IEEE International Conference on Web Services.2007:439-446.

［7］Zheng Zibin，Ma Hao，Lyu M R，et al.WSRec:A collaborative filtering based Web service recommender system［C］// Proceedings of the 2009 IEEE International Conference on Web Services.2009:437-444.

［8］刘克非，王红，许作萍.一种基于服务质量预测的Web服务选择方法［J］.计算机技术与发展，2007，17(8):103-105.

［9］张金宏，宋杰.基于RBF 神经网络的Web 服务QoS 短期预测［J］.辽宁工程技术大学学报(自然科学版)，2010，29(5):918-921.

［10］Li Mu，Huai Jinpeng，Guo Huipeng.An adaptive Web services selection method based on the QoS prediction mechanism［C］// IEEE/WIC/ACM International Joint Conferences on Web Intelligence and Intelligent Agent Technologies.2009:395-402.

［11］Godse M，Bellur U，Sonar R.Automating QoS based service selection［C］// IEEE International Conference on Web Services (ICWS).2010:534-541.

［12］Cavallo B，Di Penta M，Canfora G.An empirical comparison of methods to support QoS-aware service selection［C］// Proceedings of the 2nd ACM International Workshop on Principles of Engineering Service-Oriented Systems.2010:64-70.

［13］Amin A，Grunske L，Colman A.An automated approach to forecasting QoS attributes based on linear and non-linear time series modeling［C］// Proceedings of the 27th IEEE/ACM International Conference on Automated Software Engineering (ASE).2012:130-139.

［14］Box G E P，Jenkins G M，Reinsel G C.Time Series Analysis:Forecasting and Control［M］.John Wiley ＆ Sons，2013.

［15］Tong H，Lim K S.Threshold autoregression，limit cycles and cyclical data［J］.Journal of the Royal Statistical Society，Series B (Methodological)，1980，42(3):245-292.

［16］石培基，胡科.等维灰数递补模型在人口预测中的应用［J］.统计与决策，2008(6):12-14.

［17］王燕.应用时间序列分析［M］.北京:中国人民大学出版社，2012.