一种面向稀疏目标时间片的历史锚定服务质量预测方法

本发明涉及服务计算、web 服务质量预测和智能服务管理，具体而言，涉及一种面向稀疏目标时间片的历史锚定服务质量预测方法。

背景技术：

1、随着面向服务计算和云服务生态的快速发展，大量web服务在功能上表现出相似性，用户在进行服务选择、服务推荐、服务组合以及服务调用调度时，往往需要依据服务质量（quality of service，qos）属性进行区分和决策。qos通常包括响应时间、吞吐量、可靠性、可用性等非功能属性，其中响应时间和吞吐量是服务选择中常用且对用户体验影响显著的指标。

2、然而，web服务qos具有明显的个性化、动态性和上下文依赖性。同一服务对不同用户可能呈现不同的响应性能，同一用户对不同服务的调用质量也会随着网络状态、服务负载、调用上下文和时间片变化而发生波动。在实际主动服务选择场景中，系统往往需要在目标时间片尚未积累充分调用证据之前，对目标时间片中的未知用户-服务qos值进行预测。由于全面调用所有候选服务会带来高昂的时间成本和资源成本，因此，如何在观测稀疏条件下准确预测目标时间片qos值，成为智能服务管理中的关键技术问题。

3、现有qos预测方法通常从协同过滤、矩阵分解、张量分解、图神经网络、时序建模或transformer等角度改进模型表达能力。这类方法能够在一定程度上利用用户-服务交互结构和时序变化规律，但在稀疏目标时间片预测场景下仍存在以下不足：

4、1、现有技术中的部分方法容易将目标时间片中已观测标签用于构建邻域、图结构、统计特征或其他输入证据，导致训练和预测过程依赖不稳定的同片观测结构，当目标时间片观测稀疏时，该结构难以支撑可靠的模型输入。

5、2、在目标时间片监督标签极少时，同片观测难以形成可靠的协同结构，若直接依赖目标片观测构造输入，容易降低模型泛化能力，使预测结果过度拟合于有限的同片噪声观测。

6、3、历史qos记录虽然能够提供有价值的个性化参考，但不同用户-服务对的历史可靠性不同，不同qos指标的数值尺度、波动幅度和长尾特征也不同，简单固定依赖历史均值或完全忽略历史参考都难以获得稳定预测效果。

7、因此，为解决上述问题，需要一种能够在目标时间片标签仅作为监督信号而不作为输入证据的约束下，充分利用历史协同关系、历史时序变化和个性化历史锚点，并能够根据样本历史可靠性自适应调整预测行为的稀疏时序qos预测方法。

8、为此，本技术提出了一种面向稀疏目标时间片的历史锚定服务质量预测方法，以解决上述问题。

技术实现思路

1、本发明的目的在于解决现有技术在稀疏目标时间片qos预测中存在的目标片标签使用边界不清、目标片同片结构不稳定、历史证据利用不足以及历史可靠性无法自适应建模的问题，提供了一种面向稀疏目标时间片的历史锚定服务质量预测方法。

2、本发明的上述目的是这样实现的：

3、本发明的方案提供了一种面向稀疏目标时间片的历史锚定服务质量预测方法，包括以下步骤：

4、s1、获取用户集合、服务集合、历史时间片qos调用记录并确定目标时间片；

5、s2、采样目标时间片有效条目作为训练、验证和测试条目，且不用于模型输入证据构建；

6、s3、由历史有效调用记录构建历史一阶交互图；

7、s4、经历史协同编码得到用户和服务历史协同表示；

8、s5、构造历史特征序列并经多尺度时序证据编码得到历史时序表示；

9、s6、计算历史锚点并构建直接预测路径和历史锚定预测路径；

10、s7、训练模型并通过门控融合输出目标时间片qos预测值。

11、进一步的，步骤s2中，目标时间片中的训练标签和验证标签仅用于监督损失计算和验证集模型选择，测试条目仅用于性能评估；所述目标时间片中的训练标签、验证标签和测试条目均不用于构建历史一阶交互图、历史特征序列、历史锚点、邻域统计、归一化证据或任一模型输入特征。

12、进一步的，步骤s3中，设用户集合为：

13、，

14、服务集合为：

15、；

16、第个时间片的qos观测矩阵为，历史时间片序列为：

17、；

18、则历史一阶交互图表示为，其边集定义为：

19、；

20、其中，表示用户在第个时间片调用服务时观测到的qos值，表示有效观测，表示未观测或无效条目。

21、进一步的，步骤s4中，历史协同编码模块对历史一阶交互图的邻接矩阵添加自环并进行对称归一化，得到归一化邻接矩阵：

22、；

23、将用户初始嵌入和服务初始嵌入拼接为初始节点表示：

24、；

25、在第层图传播中，根据下式获得传播表示：

26、；

27、并通过残差门控方式融合初始节点表示和末层图传播表示：

28、；

29、其中，表示历史一阶交互图的邻接矩阵，表示度矩阵，表示单位矩阵，表示第层可学习变换矩阵，表示可学习门控参数，表示sigmoid函数，经拆分后得到用户侧历史协同表示和服务侧历史协同表示。

30、进一步的，步骤s5中，针对待预测用户-服务对构造历史特征序列：

31、；

32、其中，每个历史特征向量由历史qos数值特征、局部时间窗口统计特征和邻域时序上下文特征拼接得到：

33、；

34、其中，表示历史数值特征，表示历史局部时间窗口统计特征，表示由历史时间片计算得到的邻域时序上下文特征。

35、进一步的，步骤s5中，多尺度时序证据编码模块包括历史特征嵌入单元、多尺度时序卷积分支、特征变换分支和注意力融合单元；其中，历史特征嵌入单元将历史特征向量映射至潜在空间：

36、；

37、将所述潜在表示与历史协同编码模块输出的用户分支表示和服务分支表示融合，得到时序输入表示：

38、；

39、多尺度时序卷积分支采用不同膨胀率提取不同感受野的历史时序证据：

40、；

41、注意力融合单元对时序分支输出和特征变换分支输出进行加权融合，并通过注意力池化获得序列级时序表示：

42、，；

43、其中，、和表示可学习映射函数，表示第个时序卷积分支的膨胀率，表示时序卷积分支数量。

44、进一步的，步骤s6中，针对待预测用户-服务对，设其非零历史观测序列为：

45、，；

46、当 k>0 时，采用时间递增权重计算历史锚点：

47、，；

48、当时，将历史锚点设为预设默认值；其中，表示时间权重控制参数，较大的使较近历史观测获得更高权重。

49、进一步的，步骤s6中，直接预测路径基于融合后的用户表示和服务表示构造方向性交互变换特征、元素乘积特征、差分特征和低秩双线性交互特征，并输出直接预测结果；历史锚定预测路径从融合后的用户表示和服务表示预测尺度修正项和偏置修正项：

50、；

51、并基于历史锚点输出历史锚定预测结果：

52、；

53、其中，表示历史锚定预测路径中的可学习预测函数，和分别表示尺度修正项的裁剪下界和裁剪上界。

54、进一步的，步骤s7中，先对历史锚点进行压缩变换：

55、；

56、再根据融合后的用户表示、服务表示和压缩后的历史锚点生成样本级门控权重：

57、；

58、并根据下式融合直接预测结果和历史锚定预测结果，得到目标时间片qos预测值：

59、；

60、其中，表示门控网络，表示分配给历史锚定预测路径的权重。

61、进一步的，步骤s7中，模型训练与预测输出具体包括如下步骤：

62、s71、将由步骤s3构建得到的历史一阶交互图、由步骤s5构造得到的历史特征序列以及由步骤s6计算得到的历史锚点输入qos预测模型；

63、s72、通过历史协同编码模块得到用户和服务的历史协同表示，通过多尺度时序证据编码模块得到待预测用户-服务对的历史时序表示，并对所述历史协同表示和历史时序表示进行融合，得到用户融合表示和服务融合表示；

64、s73、将所述用户融合表示和服务融合表示输入直接预测路径，得到直接预测结果；

65、s74、将所述用户融合表示和服务融合表示输入历史锚定预测路径，生成尺度修正项和偏置修正项，并将所述尺度修正项和偏置修正项作用于历史锚点，得到历史锚定预测结果；

66、s75、根据所述用户融合表示、服务融合表示以及历史锚点压缩特征生成门控权重，并利用所述门控权重对直接预测结果和历史锚定预测结果进行加权融合，得到目标时间片qos预测值；

67、s76、在模型训练阶段，根据目标时间片中的训练标签与所述目标时间片qos预测值计算预测损失并更新模型参数，利用目标时间片中的验证标签进行模型选择；在模型预测阶段，利用满足预设训练条件的qos预测模型对测试条目或待预测用户-服务对输出qos预测值。

68、与现有技术相比，本发明具有以下有益效果：

69、1、本发明通过严格限定目标时间片标签的使用边界，显著提升了模型在稀疏观测条件下的泛化能力和预测稳定性；现有技术中，部分方法将目标时间片的少量观测值同时用于构建输入特征和监督信号，在目标时间片观测极度稀疏时，同片观测结构不稳定，导致模型训练过拟合于噪声；本发明明确了目标时间片中的训练标签、验证标签和测试条目仅用于监督损失计算、模型选择和性能评估，均不用于构建历史一阶交互图、历史特征序列、历史锚点、邻域统计、归一化证据或任一模型输入特征；该技术手段使得模型的输入证据完全来源于历史时间片，避免了训练和预测过程对不稳定的同片观测结构的依赖，并且，通过实验结果表明，在5%-20%的不同目标时间片监督比例下，本发明方法在响应时间和吞吐量两类qos指标上均取得了最低的mae和rmse，验证了该技术方案的有效性。

70、2、本发明通过历史协同编码模块对历史一阶交互图进行归一化图传播和残差门控融合，有效提取了用户和服务的历史协同结构信息； 现有方法在利用历史交互时，往往简单聚合历史均值或忽略协同过滤信号；本发明通过对邻接矩阵添加自环并进行对称归一化，使得图传播过程中能够聚合多跳邻居信息，同时通过残差门控方式融合初始节点表示和末层图传播表示，避免了过度平滑，保留了节点的个性化特征；并且，通过结构对照实验表明，去除历史协同编码后，响应时间和吞吐量的预测误差均明显上升（响应时间mae从0.6412上升至0.6596，吞吐量mae从3.3116上升至3.5252），证明该模块能够为待预测用户-服务对提供有效的历史协同证据。

71、3、本发明通过多尺度时序证据编码模块，采用不同膨胀率的时序卷积分支和注意力融合机制，实现了对历史时序变化规律的多尺度表征；现有方法在时序建模时往往采用单一感受野，难以同时捕获短期波动和长期趋势；本发明通过多尺度时序卷积分支提取不同感受野的历史时序证据，并通过注意力融合单元自适应地加权不同分支的输出，最终通过注意力池化获得序列级时序表示；该技术手段使得模型能够根据不同的qos指标特性和用户-服务对的历史变化模式，灵活地融合不同时间尺度的时序信息，提高了预测的准确性。

72、4、本发明提出了历史锚点的计算方式以及“直接预测+历史锚定”的双路径预测架构，实现了对历史个性化参考信息的结构化利用；现有方法将历史统计量简单拼接作为普通输入特征，无法有效利用历史参考的基准价值；本发明通过对非零历史观测采用时间递增权重计算历史锚点，使较近的历史观测获得更高权重，历史锚点表征了用户-服务对的个性化历史qos参考值；在此基础上，直接预测路径提供不依赖历史锚点的灵活预测能力，历史锚定预测路径将历史锚点作为预测参考基准，从中预测尺度修正项和偏置修正项，并且，通过对照实验表明，将历史锚点作为普通特征输入时（mae 0.6544 / rmse 2.5010），预测误差高于本发明的结构化锚定预测路径（mae 0.6412 / rmse 2.4387），证明本发明对历史锚点的利用方式更为充分和有效。

73、5、本发明通过样本级门控融合机制，实现了根据用户-服务对历史可靠性自适应调整双路径贡献比例的技术效果；现有的方法往往采用固定权重融合历史参考和直接预测，无法适应不同样本的历史可靠性差异；本发明通过先对历史锚点进行压缩变换以降低不同qos指标取值尺度差异的影响，再根据融合后的用户表示、服务表示和压缩后的历史锚点生成样本级门控权重，从而实现样本自适应的双路径融合，并且，通过对照实验表明，固定门控权重的变体方法（mae 0.6776 / rmse 2.5151）误差高于本发明的样本级门控机制（mae 0.6412 / rmse 2.4387），证明该技术手段能够根据样本历史可靠性自适应调整预测行为。

74、综上所述，本发明的方法在目标时间片观测稀疏、目标时间片标签不作为模型输入证据的严苛条件下，有效解决了现有技术中目标片标签使用边界不清、同片结构不稳定、历史证据利用不足以及历史可靠性无法自适应建模的问题，显著提高了web服务qos预测的准确性和稳定性。