云服务推荐中基于多源特征和多任务学习的时序QoS预测

摘要

随着云计算技术的普及，云服务数量指数级增长，用户不再满足于功能性需求，服务质量（Quality of Service,QoS）成为比较服务优劣的关键性能指标.如何在动态、复杂的云环境中实时、准确地预测服务质量并为用户推荐高质量服务成为热点问题.考虑到云服务器的负载、网络状态、用户接入云环境的偏好等随着时间变化，本文提出了基于多源特征和多任务学习的时序QoS预测方法（T-MST），它可以实时、准确地同时预测多种QoS属性.首先，TMST对用户、服务进行特征表示，通过Time2Vec刻画时序特征，再结合多种QoS属性的历史记录生成多源特征表示.其次，基于滑动窗口采用LSTM感知窗口内的时序关系，借助注意力机制细化窗口内不同时刻的关键性，从而构造待预测时刻的隐藏状态.最后，T-MST采用多任务预测层实现多种QoS属性的同时预测，它们共享上游模型，仅在预测层采用不同的感知模块以提升模型的鲁棒性和计算效率.本文基于真实世界的数据集进行了全面的实验验证，结果表明T-MST在吞吐量和响应时间的时序预测任务上平均绝对误差（Mean Absolute Error,MAE）分别平均提升了37.53%和20.38%，优于现有的时序QoS预测方法 ；而且TMST的计算效率更高，能够有效应对实时QoS预测的需求.

关键词

云服务 / QoS预测 / 多源特征 / 多任务学习 / 深度学习