基于深度学习的服务系统在线可靠性预测.pdfVIP

摘 要 随着大规模复杂系统需求的出现以及服务计算技术的高速发展，基于SOA 构建的 服务系统应运而生。它是指将具有不同功能的服务通过一定的方式组合起来，以满足用 户的复杂需求。所以，服务系统需要多个组件服务的高度协作，这就要求每个组件服务 都必须具有良好的性能，尤其是处于高度动态波动的网络环境中，否则单个组件服务出 现故障，很可能会产生级联效应，使得整个服务系统无法正常工作。因此，研究组件服 务的质量保障问题对于整个服务系统而言显得尤为重要。 可靠性预测作为服务系统质量保障的一种手段，近年来受到许多专家学者的研究。 本文要解决的是大数据环境下，服务系统中组件服务在动态波动网络环境下的在线可靠 性预测问题。该问题的解决面临着以下四大挑战：反映组件服务可靠性的参数难以定义 和获取；高度动态波动的网络环境下组件服务可靠性变化不具有明显的规律性；为了给 服务系统提供前摄性指导，预测算法最好能提供组件服务在未来一段时间内的实时的可 靠性；大数据环境下如何提高组件服务可靠性预测模型的精度。 针对以上这些挑战，本文展开研究并完成了以下工作：（1）定义了反映组件服务可 靠性的参数指标；（2）使用聚类算法找出参数序列的特征值以解决原始数据不具备明显 规律性的问题；（3）提出了两种用于开展大规模数据环境下的组件服务实时可靠性预测 的模型：基于深度置信网络与长短期记忆神经网络相结合的模型，以及对该模型的改 进：基于深度置信网络与双向长短期记忆神经网络相结合的模型。其中，深度置信网络 可以对高维数据进行降维，长短期记忆神经网络与双向长短期记忆神经网络可以有效地 处理时序数据。（4）为了验证两种模型的有效性，本文开展了一系列的实验与已有的用 于可靠性预测的经典算法做比较。实验结果表明，本文所提出的两种模型在组件服务可 靠性预测方面具有明显的优势。 关键： 服务系统；可靠性预测；深度置信网络；长短期记忆神经网络；双向长短期 记忆神经网络 Abstract With the emergence of the requirements of large-scale complex systems and the rapid de- velopment of service computing technology, Service-Oriented Systems based on SOA have emerged. Service-Oriented Systems refer to the combination of services with different func- tionsinacertainwaytomeetthecomplexneedsofusers. Therefore,Service-OrientedSystems need a high degree of collaboration of multiple component services, which requires that each componentservicemusthavegoodperformance,especiallyinahighlydynamicnetworkenvi- ronment. Otherwise, the failure of single component service may lead to cascade effect, which can make the whole system unable to work properly. Therefore, it is particularly important to studythequalityassuranceofcomponentservicesforthewholeservice-orientedsystem. As a means of quality assurance of Service-Oriented Systems, reliability prediction has been studied by many experts and scholars in recent years. The present study aims to solve theproblemofonlinereliabilitypredictionofcomponentservicesinService-