Web服务QoS监控和预测技术

《Web服务QoS监控和预测技术》从 Web 服务质量的监控和预测技术两个方面着手，系统而全面地介绍服务质量的动态管理技术，为终端用户提供满意的 Web 服务。《Web服务QoS监控和预测技术》共13章。第1 章介绍 Web 服务和 Web 服务质量的基础知识。第2 章介绍 Web 服务监控和预测的一般思想与研究现状。第3 章～第6 章介绍各种 Web 服务质量的监控方法，包括基于贝叶斯统计、加权朴素贝叶斯、结合信息增益和滑动窗口机制及多元的监控方法。第7 章～第11 章介绍各种 Web 服务质量的预测方法，包括基于贝叶斯组合预测模型、径向基神经网络、贝叶斯网络模型和深度学习的服务 Qo S 预测方法。第12 章和第13 章介绍 Web 服务监控和预测的原型工具。

目录
前言
第1章 Web服务技术概述 1
1.1 面向服务计算与面向服务架构 1
1.2 Web服务和Web服务质量 2
1.3 本书的主要贡献 4
1.4 本书的章节安排 5
参考文献 9
第2章 Web服务QoS监控和预测技术综述 11
2.1 运行时监控技术 11
2.1.1 运行时监控一般过程 11
2.1.2 运行时监控与传统验证模型检验技术的比较 12
2.2 Web服务QoS监控技术研究现状 13
2.2.1 传统Web服务QoS相关监控技术 13
2.2.2 概率监控方法 13
2.3 Web服务QoS预测技术 15
2.4 Web服务QoS预测技术研究现状 16
2.4.1 基于相似度的预测方法 16
2.4.2 基于人工智能的预测方法 18
2.4.3 基于时间序列的预测方法 19
参考文献 19
第3章 基于贝叶斯统计的Web服务QoS监控方法 22
3.1 引言 22
3.2 概率时态逻辑PLTL3 22
3.3 贝叶斯统计监控 24
3.3.1 基本原理 24
3.3.2 算法实现 27
3.4 实验及结果分析 30
3.5 本章小结 35
参考文献 35
第4章 环境因素敏感的Web服务QoS监控方法wBSRM 36
4.1 引言 36
4.2 预备知识 37
4.2.1 加权朴素贝叶斯分类器 37
4.2.2 二项分布的经验贝叶斯估计 38
4.2.3 TF-IDF算法 39
4.3 一种考虑环境因素影响的Web服务QoS监控方法 40
4.3.1 方法概述 40
4.3.2 核心算法 42
4.4 实验及结果分析 45
4.4.1 实验环境配置 45
4.4.2 实验结果与分析 46
4.5 本章小结 53
参考文献 54
第5章 结合信息增益和滑动窗口的Web服务QoS监控方法 56
5.1 引言 56
5.2 预备知识 57
5.2.1 信息熵与信息增益 57
5.2.2 结合信息增益的改进TF-IDF 加权 58
5.3 一种时效感知的动态加权Web服务QoS监控方法IgS-wBSRM 59
5.3.1 IgS-wBSRM方法引入与概述 59
5.3.2 IgS-wBSRM方法实现 61
5.4 实验及结果分析 65
5.4.1 实验数据集及环境配置 66
5.4.2 自定义模拟数据集下的实验分析与验证 66
5.4.3 真实数据集下的实验分析 69
5.4.4 时间效率分析 71
5.5 本章小结 72
参考文献 73
第6章 一种基于信息融合的多元QoS监控方法 75
6.1 引言 75
6.2 基于信息融合的多元QoS监控方法 76
6.2.1 数据预处理 77
6.2.2 计算特征因子分类倾向性 78
6.2.3 基于特征因子与分类的相关性的贝叶斯分类器模型 79
6.2.4 算法描述 79
6.3 实验及结果分析 80
6.3.1 实验设置 80
6.3.2 实验结果分析 83
6.3.3 时间效率分析 86
6.4 本章小结 87
参考文献 87
第7章 基于组合贝叶斯模型的Web服务QoS预测方法 89
7.1 引言 89
7.2 贝叶斯组合模型 89
7.2.1 时间序列特征识别 90
7.2.2 组合预测基本原理 90
7.3 基本模型 91
7.3.1 基于小波分析的ARMA 模型 92
7.3.2 小波神经网络 95
7.3.3 ARIMA-GARCH模型 97
7.3.4 K-近邻预测模型 99
7.3.5 RBF神经网络模型 99
7.3.6 多元回归分析模型 100
7.4 模型评估标准 101
7.4.1 预测模型精度评估 101
7.4.2 预测模型有效性评估 102
7.5 实验及结果分析 104
7.6 本章小结 113
参考文献 113
第8章 基于径向基神经网络的Web服务QoS组合预测方法 115
8.1 引言 115
8.2 预备知识 116
8.2.1 灰色预测 116
8.2.2 遗传算法 117
8.2.3 检验方法 118
8.3 Web服务QoS组合预测方法 120
8.3.1 方法概述 120
8.3.2 基于K-S 检验的时间序列模型 121
8.3.3 改进的GM(1，1)动态预测模型 126
8.3.4 HGA-RBFC 模型 128
8.4 实验及结果分析 134
8.4.1 软硬件环境 134
8.4.2 实验设置 134
8.4.3 实验结果与分析 139
8.5 本章小结 152
参考文献 152
第9章 基于深度学习模型的Web服务QoS预测方法 154
9.1 引言 154
9.2 预备知识 155
9.2.1 深度神经网络模型 155
9.2.2 小波变换 158
9.2.3 神经网络性能优化 159
9.3 基于深度学习的Web服务QoS预测方法研究 161
9.3.1 方法概述 161
9.3.2 数据预处理 163
9.3.3 改进的粒子群算法 168
9.3.4 粒子群算法改进的DBN 预测模型 172
9.3.5 GPU 加速计算 175
9.4 实验及结果分析 176
9.4.1 软硬件环境 176
9.4.2 实验设置 176
9.4.3 实验结果与分析 180
9.5 本章小结 188
参考文献 188
第10章 基于贝叶斯网络模型云服务QoS预测方法 190
10.1 引言 190
10.2 预备知识 191
10.2.1 BP 神经网络预测模型 191
10.2.2 算术平均值预测模型 192
10.2.3 贝叶斯网络预测模型 193
10.3 云服务QoS预测方法 194
10.3.1 方法概述 194
10.3.2 方法流程 195
10.4 实验及结果分析 206
10.4.1 实验软硬件环境 206
10.4.2 实验工具箱 207
10.4.3 验证方案 208
10.4.4 实验设置 209
10.4.5 实验结果与分析 211
10.5 本章小结 219
参考文献 219
第11章 基于多元时间序列的Web服务QoS预测方法 221
11.1 引言 221
11.2 预备知识 223
11.2.1 相空间重构 223
11.2.2 LM算法 224
11.3 一种基于多元时间序列的Web服务QoS预测方法 225
11.3.1 数据收集和预处理 225
11.3.2 LM算法改进的RBF 神经网络预测模型 227
11.4 实验及结果分析 231
11.4.1 实验设置 231
11.4.2 实验过程 232
11.4.3 实验结果与分析 233
11.5 本章小结 239
参考文献 239
第12章 Web服务QoS监控工具 242
12.1 引言 242
12.2 Web服务QoS监控工具的设计 243
12.2.1 Web服务QoS监控工具的整体设计 243
12.2.2 Web服务QoS监控方法的详细设计 246
12.2.3 Web服务QoS监控工具的数据形式 249
12.2.4 Web服务QoS监控工具界面 250
12.3 Web服务QoS监控工具的实现 251
12.3.1 开发环境及工具 251
12.3.2 Web服务QoS监控工具的程序结构 252
12.3.3 Web服务QoS监控工具的数据结构 252
12.3.4 Web服务QoS监控方法的实现与分析 253
12.3.5 Web服务QoS监控工具的Web端实现 260
12.3.6 不同监控方法的比较与分析 261
12.4 本章小结 266
参考文献 266
第13章 Web服务QoS预测工具 267
13.1 引言 267
13.2 Web服务QoS预测工具的设计 268
13.2.1 Web服务QoS预测工具架构 268
13.2.2 Web服务QoS预测工具整体设计 269
13.2.3 Web服务QoS预测数据形式 270
13.2.4 Web服务QoS预测工具的功能结构 271
13.2.5 Web服务QoS预测工具界面设计 272
13.2.6 预测模块的详细设计 274
13.3 Web服务QoS预测工具的实现 278
13.3.1 开发平台及工具 278
13.3.2 工具的程序结构 278
13.3.3 工具的客户端和服务器端实现 280
13.3.4 主要功能模块的实现 282
13.3.5 工具测试与分析 291
13.4 本章小结 298
参考文献 298

　　《Web服务QoS监控和预测技术》：
　　纵观软件技术发展的历史，即从起初的个人作坊、面向过程的结构化方法、面向对象的开发方法到面向构件的开发方法，这些开发方法无不对软件技术的发展产生了深远的影响。在个人作坊阶段，程序设计仅是一种发挥创造才能的活动，程序往往被称为只是少数人编写的“艺术品”。面向过程的结构化方法[1]，强调数据结构、程序模块化结构等特征，从而大大提高了程序的可读性。伴随着结构化软件技术而出现的软件工程方法（包括计算机辅助软件工程（Computer Aided Software Engineering，CASE）工具）[2]，使得软件开发的工作范围从只考虑程序的编写扩展到整个软件生命周期（包括需求分析、设计、实现、验证和确认、运行和维护）。由此，软件由个人作坊的“艺术品”变为团队的工程商品。面向对象（Object-Oriented，OO）的方法[3]在很大程度上提高了软件的易读性、可维护性、可重用性，进一步使得从软件分析到软件设计的转变非常自然，从而大大降低了软件开发的成本。另外，通过有效地重用OO 技术开辟了提高软件生产率的新篇章。之后，面向构件技术[4]的出现实现了软件产业向工业化生产的飞跃，带来了新的契机。同样，由于网络和分布式应用的广泛发展与应用，面向服务的计算（Service-Oriented Computing，SOC）[5]和面向服务的体系架构（Service-Oriented Architecture，SOA）[6]应运而生，这是对传统的软件开发技术的改进，势必会对软件技术发展历程产生深远的影响。
　　随着网络和分布式计算的快速发展，现代企业的软件开发面临的挑战是快速改变的市场条件、企业外部环境的不断变化、企业内部的结构不断调整等。现代企业只有快速地适应这些多变的需求，才能紧跟时代的步伐，在激烈的市场竞争环境中立于不败之地。所以传统的“一次性”软件开发方式显然不能满足这种快速增长和多变的需求。而如何解决企业应用所面临的挑战是当今软件界的焦点问题之一。SOC和SOA的提出为解决这一难题提供了新型的计算模式和软件开发方法。
　　……