基于时空向量回归的服务质量预测方法研究

QoS value prediction for services is a critical research problem which causes widespread concerns in both industry and academia. Accurate and continuous prediction of QoS values has significant impacts on research fields of service recommendation, service selection, and service composition and so on. Currently in the real network environment, the dynamic temporal-spatial characteristics of QoS value lead to great difficulties for prediction. However, few existing approaches take the dynamic features into consideration, and thus, cannot make accurate predictions. Additionally, their prediction models cannot make adaptive optimization alongside the QoS value dataset updates and this leads to the degradation of prediction accuracy and disruption of prediction continuity. To address such problems, this project proposes a temporal-spatial vector regression based QoS value prediction approach, which is threefold: 1) We will extract temporal-spatial features of the historical QoS data, and based on these features propose a sequence similarity analysis approach; 2) Through the similar sequence data, we propose a multiple regression model to improve prediction accuracy under dynamic network environment. 3) On the basis of the regression model, we will propose online similar sequence selection methods and incremental prediction models which can make adaptive optimization according to the QoS dataset changes and achieve continuous as well as efficient predictions. The above approaches can substantially promote the application of QoS value prediction in industry.

服务质量预测是学术界和工业界广泛关注的重要问题。准确连续的服务质量预测对服务推荐、服务选择以及服务组合等子领域具有重要意义。在现实的网络环境下，服务质量具有明显的时空动态变化特征，为服务质量预测带来极大困难，而现有预测方法无法针对这种变化做出准确预测；此外，现有预测模型难以随历史数据集的累积更新进行自适应的优化调整，影响了预测精度和预测连续性。针对上述问题，本项目提出基于时空向量回归的服务质量预测方法：1）根据用户对服务访问历史数据，提取用户和服务的位置特征数据，研究空间信息辅助下的服务质量序列相关性分析方法；2）基于相似序列数据，研究多元回归模型构建方法，以提高时空动态环境下的服务质量预测精度；3）在此基础上，研究在线相似序列选择方法以及基于增量模型的预测方法，实现预测模型随数据集变动的自适应更新，提高预测效率，保证服务质量预测的连续性。上述方法可实质性地推动服务质量预测的工业应用进程。

本项目将围绕软件服务质量的建模、预测、分析与保证展开，具体分为以下三个方向：1）基于时空向量的服务质量预测：首先通过用户的位值信息更好的对用户特征进行提取，此外，采用稀疏表示对其变化进行建模，最后提出一种基于时间感知稀疏容忍的服务预测方法，以实现时空质量的预测。2）基于软件仓库挖掘的服务质量建模与预测：本项目对无监督的即时缺陷模型进行了深入研究，提出了自承认技术债（SATD），实现了从源码级别对项目中的技术债进行识别；此外还提出了利用协作过滤技术并建立了基于文本挖掘技术推荐的Android应用权限设定机制。3）基于模型检测的服务质量分析与保证：为有效地分析服务质量，本项目采用了基于服务程序行为概率抽象的最优动态符号执行策略以及基于时间自动机的实时系统服务质量分析方法，旨在验证服务软件是否按照需求提供，为服务质量分析和预测提供了严谨的理论保证。