基于機(jī)器學(xué)習(xí)的Web服務(wù)質(zhì)量預(yù)測(cè)

目錄第1章 緒論 11.1 服務(wù)計(jì)算與面向服務(wù)的架構(gòu) 11.1.1 面向服務(wù)的架構(gòu)與Web服務(wù) 11.1.2 服務(wù)計(jì)算、云計(jì)算和邊緣計(jì)算的關(guān)系 21.1.3 服務(wù)質(zhì)量 31.2 Web服務(wù)質(zhì)量預(yù)測(cè)的發(fā)展現(xiàn)狀 41.2.1 Web服務(wù)質(zhì)量預(yù)測(cè) 41.2.2 基于記憶的端到端服務(wù)質(zhì)量預(yù)測(cè)方法 61.2.3 基于模型的端到端服務(wù)質(zhì)量預(yù)測(cè)方法 71.2.4 端到端情境信息的應(yīng)用 71.2.5 服務(wù)端服務(wù)質(zhì)量預(yù)測(cè)模型及方法 81.3 本書主要內(nèi)容 10第2章 服務(wù)質(zhì)量預(yù)測(cè)的相關(guān)技術(shù)基礎(chǔ) 122.1 服務(wù)質(zhì)量預(yù)測(cè)的機(jī)器學(xué)習(xí)技術(shù) 122.1.1 概率圖模型與貝葉斯網(wǎng)絡(luò)建模 122.1.2 矩陣分解 162.1.3 非負(fù)矩陣分解 182.1.4 深度學(xué)習(xí) 192.1.5 集成學(xué)習(xí)技術(shù) 212.2 服務(wù)質(zhì)量預(yù)測(cè)的評(píng)估 232.2.1 數(shù)據(jù)基礎(chǔ) 232.2.2 評(píng)估度量 252.3 本章小結(jié) 25第3章 基于近鄰效應(yīng)的靜態(tài)服務(wù)質(zhì)量預(yù)測(cè) 263.1 引言 263.2 基于離差的近鄰模型 263.2.1 模型框架 263.2.2 用于基線估計(jì)的組件 273.2.3 情境感知的近鄰組件 293.2.4 參數(shù)學(xué)習(xí) 303.3 實(shí)驗(yàn)評(píng)估 313.3.1 數(shù)據(jù)集 313.3.2 評(píng)估指標(biāo) 313.3.3 實(shí)驗(yàn)對(duì)比 323.3.4 Top-K近鄰數(shù)影響分析 333.3.5 位置信息影響分析 353.3.6 計(jì)算復(fù)雜度分析 363.4 本章小結(jié) 37第4章 基于矩陣分解的靜態(tài)服務(wù)質(zhì)量預(yù)測(cè) 384.1 引言 384.2 情境感知矩陣分解 384.2.1 問題形式化 384.2.2 模型及參數(shù)學(xué)習(xí) 394.3 CSMF實(shí)驗(yàn)評(píng)估 414.3.1 數(shù)據(jù)集 414.3.2 評(píng)估指標(biāo) 424.3.3 實(shí)驗(yàn)對(duì)比 424.3.4 隱含特征維度影響分析 444.3.5 情境因素影響分析 464.4 位置感知的非負(fù)多矩陣分解 474.4.1 非負(fù)多矩陣分解模型 484.4.2 基于位置信息的輔助矩陣構(gòu)造 504.5 LNMMF實(shí)驗(yàn)評(píng)估 534.5.1 數(shù)據(jù)集 534.5.2 評(píng)價(jià)指標(biāo) 534.5.3 實(shí)驗(yàn)對(duì)比 544.5.4 參數(shù)*和*影響分析 554.5.5 隱含特征維度影響分析 564.6 本章小結(jié) 57第5章 基于貝葉斯魯棒張量分解的動(dòng)態(tài)服務(wù)質(zhì)量預(yù)測(cè) 585.1 引言 585.2 基于貝葉斯魯棒張量分解的模型 585.2.1 問題定義 585.2.2 模型設(shè)定 595.2.3 預(yù)測(cè)分布與服務(wù)質(zhì)量預(yù)測(cè)表達(dá)式 615.2.4 算法復(fù)雜度 625.3 基于貝葉斯推理的模型學(xué)習(xí) 635.3.1 因子矩陣的后驗(yàn)分布 635.3.2 超參數(shù)*的后驗(yàn)分布 645.3.3 稀疏張量*的后驗(yàn)分布 655.3.4 超參數(shù)*的后驗(yàn)分布 665.3.5 超參數(shù)*的后驗(yàn)分布 665.3.6 模型證據(jù)因子的下界 675.3.7 模型推理的初始化 675.4 實(shí)驗(yàn)評(píng)估 685.4.1 數(shù)據(jù)集 685.4.2 對(duì)比方法 685.4.3 不同張量密度下的性能對(duì)比 695.5 本章小結(jié) 71第6章 基于深度神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)服務(wù)質(zhì)量預(yù)測(cè) 726.1 引言 726.2 STCA模型 726.3 參數(shù)學(xué)習(xí) 786.4 實(shí)驗(yàn)評(píng)估 796.4.1 數(shù)據(jù)集 796.4.2 實(shí)驗(yàn)對(duì)比 806.4.3 自注意力機(jī)制可視化分析 856.4.4 參數(shù)影響分析 876.5 本章小結(jié) 90第7章 基于深度神經(jīng)網(wǎng)絡(luò)的多屬性服務(wù)質(zhì)量預(yù)測(cè) 917.1 引言 917.2 深度神經(jīng)網(wǎng)絡(luò)模型 917.3 模型訓(xùn)練 957.3.1 目標(biāo)函數(shù) 957.3.2 參數(shù)學(xué)習(xí) 967.3.3 利用服務(wù)文檔 977.4 實(shí)驗(yàn) 977.4.1 數(shù)據(jù)集 977.4.2 評(píng)估指標(biāo) 987.4.3 評(píng)估方法 997.4.4 參數(shù)設(shè)置 997.4.5 性能對(duì)比 1007.4.6 參數(shù)分析 1027.4.7 計(jì)算復(fù)雜度分析 1077.5 本章小結(jié) 108第8章 網(wǎng)絡(luò)拓?fù)涓兄姆?wù)質(zhì)量預(yù)測(cè)模型 1098.1 引言 1098.2 拓?fù)涓兄纳窠?jīng)網(wǎng)絡(luò)模型 1108.2.1 輸入層 1128.2.2 隱式端交叉建模層 1128.2.3 顯式路徑建模層 1148.2.4 門控層 1158.2.5 預(yù)測(cè)層 1168.2.6 利用旁側(cè)信息 1168.3 模型學(xué)習(xí) 1178.4 實(shí)驗(yàn) 1188.4.1 數(shù)據(jù)集 1188.4.2 評(píng)估指標(biāo) 1198.4.3 評(píng)估方法 1208.4.4 參數(shù)設(shè)置 1218.4.5 性能對(duì)比 1218.4.6 消融研究 1258.4.7 參數(shù)分析 1268.4.8 效率分析 1298.5 本章小結(jié) 131第9章 面向虛擬機(jī)服務(wù)質(zhì)量預(yù)測(cè)的帶分類參數(shù)的增廣貝葉斯網(wǎng)絡(luò) 1329.1 引言 1329.2 問題描述與背景知識(shí) 1339.2.1 問題描述 1339.2.2 預(yù)備知識(shí) 1359.3 CBN類參數(shù)增廣貝葉斯網(wǎng)絡(luò)的構(gòu)造 1389.3.1 CBN構(gòu)建過程中的約束 1389.3.2 CBN的結(jié)構(gòu)構(gòu)建及其參數(shù)計(jì)算 1409.4 基于CBN的虛擬機(jī)服務(wù)質(zhì)量預(yù)測(cè) 1429.4.1 基于XGboost的虛擬機(jī)特征配置分類 1429.4.2 基于變量消元法的虛擬機(jī)服務(wù)質(zhì)量預(yù)測(cè) 1439.5 實(shí)驗(yàn)結(jié)果與性能分析 1459.5.1 實(shí)驗(yàn)設(shè)置 1459.5.2 服務(wù)質(zhì)量預(yù)測(cè)的性能 1479.5.3 基于CBN預(yù)測(cè)服務(wù)質(zhì)量值的概率分布 1519.5.4 基于XGboost對(duì)虛擬機(jī)特征配置分類的有效性 1539.5.5 結(jié)果討論 1549.6 本章小結(jié) 155第10章 總結(jié) 15610.1 全書回顧 15610.2 未來(lái)工作 157參考文獻(xiàn) 159