基于贝叶斯模型的云服务服务质量预测.docVIP

基于贝叶斯模型的云服务服务质量预测 　　摘要：针对如何分配一个未来一段时间内满足QoS要求的云服务和感知可能将要发生的QoS违规的问题，提出一种基于时间序列预测方法的云服务QoS预测方法。该预测方法利用改进的贝叶斯常均值（IBCM）模型，能够准确地预测云服务未来一段时间内的QoS状态。实验通过搭建Hadoop集群模拟云平台并收集了响应时间和吞吐量两种QoS属性的数据作为预测对象，实验结果表明：相比自回归积分滑动平均（ARIMA）模型和贝叶斯常均值折扣模型等时间序列预测方法，基于改进的贝叶斯常均值模型的云服务QoS预测方法的平方和误差（SSE）、平均绝对误差（MAE）、均方误差（MSE）和和平均绝对百分比误差（MAPE）均比前两者小一个数量级，因此具有更高的预测精度；同时预测结果对比图说明提出的预测方法具有更好的拟合效果。 　　关键词：云服务；服务质量；贝叶斯模型；预测 　　中图分类号：TP301 文献标志码：A 　　0引言 　　近年来，随着云计算的发展和成熟，用户对云服务的服务质量（Quality of Service， QoS）越来越重视，并且希望云服务提供商能够保证分配给他们的云服务满足云任务的QoS要求。云计算主要有三种服务模式[1]，它们都是通过动态的Internet网来提供服务的，因而服务质量会随着时间的推移、网络环境和云主机负载的变化而变化；但是云服务的可靠性、可用性和安全性等特点又保证了QoS的相对稳定性，因此云服务QoS指标的变化是相对稳定和有规律的。根据云服务提供商和用户之间的服务质量等级协议（Service Level Agreement， SLA），一旦提供的云服务违背了用户的QoS要求，云服务提供商需要向用户赔偿一定的违约金，这无疑增加了云服务提供商的成本。如果能够预测到云服务未来短时间内的QoS信息，那么对分配云服务和感知可能即将发生QoS违规的云服务将会发挥巨大的作用，从而更好地保障云服务提供商提供的云服务满足云任务的QoS要求。在云服务QoS保障方面，针对云服务QoS指标的预测方法主要分为两类： 　　第一类是以协同过滤、分类算法、机器学习等为主的预测方法。文献[2]采用了朴素贝叶斯分类算法来预测可能即将发生的QoS违规；文献[3]采用贝叶斯网络模型来预测网格计算服务组合的QoS；文献[4-7]都采用了协同过滤算法来进行Web服务QoS和云服务QoS的预测；文献[8]采用了案例推理的方法进行动态的Web服务的QoS的预测；文献[9]采用了模糊逻辑的方式进行云服务QoS的预测；文献[10]利用机器学习算法来预测云服务的QoS信息，然后利用神经网络模型来动态地重新优化和配置服务资源。文献[2-10]都是通过训练大量的历史QoS数据来预测云服务的QoS，并且获得了相对较高的预测准确性；但是这些预测方法过于复杂且消耗大量的系统开销，因此不适合云服务的实时QoS预测。 　　第二类预测方法以时间序列预测方法为主。文献[11-14]都采用了自回归积分滑动平均（Autoregressive Integrated Moving Average， ARIMA）模型或分整自回归滑动平均（Autoregressive Fractionally Integrated Moving Average， ARFIMA） 模型这两种时间序列预测方法来进行Web服务的QoS和云服务QoS的预测，根据预测结果为用户选择合适的服务；文献[15]采用隐式马尔可夫模型来预测满足QoS要求的云服务组合。时间序列预测方法[11-15]都比较适合实时预测云服务的QoS，但是预测的准确性不高。 　　针对以上存在的问题，本文提出了一个基于时间序列预测方法的云服务QoS预测方法，主要采用改进的贝叶斯常均值（Improved Bayesian Constant Mean， IBCM）模型[16]对云服务的QoS进行预测，再根据云服务的QoS监测值和预测值，选择满足QoS要求的云服务来执行云任务和感知可能即将发生QoS违规的云服务，保证分配的云服务执行过程中满足云任务的QoS要求。 　　2.3准确性对比 　　由于本文采用的IBCM模型属于时间序列预测方法，因此选择几种比较常用的时间序列预测方法作为比较对象，分别为：BCMD模型、自回归积分滑动平均（Autoregressive Integrated Moving Average， ARIMA模型、一次数值平均法（Moving Average Method， MAM）和一次指数平滑（Single Exponential Smoothing， SES）法。表2为5种预测方法对4组QoS数据预测结果的4种评价指标。图1为3种预测方法对四组QoS数据的预测结果。表2和图1中的QoS观测值都