基于Bootstrap方法最大熵优化过采样算法

随着数据时代的到来,非平衡数据的分类问题受到越来越多的关注。在非平衡数据的分类问题中,往往因为少数类样本与多数类样本比例失衡而导致分类结果错误。因此,提出了一种在最大熵原理下基于自助法（Bootstrap method）的过采样算法。首先,通过自助法获得数据样本的概率分布,并用最大熵原理对概率分布进行优化;其次,根据少数类生成新的少数类的能力不同,提出基于少数类样本分布的概率增强算法。该算法使数据随机性得到了充分体现,保证了少数类样本的概率密度在数据集平衡前后保持一致性,从而提高分类算法的有效性;最后,通过从UCI和KEEL数据库选取8组数据进行实验,实验结果表明所提出的新算法比现有的其他算法更有效。     

Web服务QoS数据多源采集方法及实现

随着Web服务的迅速发展,Web服务的服务质量,即QoS(Quality of Service,以下简称QoS)成为面向服务的应用能否成功的关键因素之一.目前的研究大多集中在基于QoS的Web服务应用,如支持QoS的动态服务组装和调度等;这些研究大多建立在能够获取大量真实可用的Web服务的QoS数据的假设之上.然而现有的研究缺乏一个灵活完善可用的QoS获取框架,QoS数据的获取存在获取方式单一、QoS数据量过少、获取的QoS数据不准确等问题.现以Web服务QoS数据的获取为研究对象,给出一个Web服务多源QoS数据采集框架,该框架包含了QoS数据的获取、存储及QoS的度量,为基于QoS的Web服务应用提供了基本的支持;基于该框架,从Web服务客户端、Web服务提供端、Web服务在线测试端等多个采集端设计并实现了多源Web服务QoS数据的采集,并通过实验证明了所提出方法的有效性与实用性.     

支持QoS和用户需求的Web服务选择模糊算法*

基于QoS的Web服务选择能为用户提供更好的服务质量,而基于用户对QoS的需求和偏好的模糊性来进行Web服务选择是其中的一种方法。如何通过这种方法合理地获得最优候选服务集,是Web服务架构亟待解决的一个问题。本文提出了一种支持QoS和用户需求的Web服务选择模糊算法,该算法将用户对QoS的需求及偏好的语言描述进行去模糊化,然后选择出最符合用户需求的服务集。通过对模拟的服务质量数据进行实验,验证了该算法的优越性和有效性。     

模式识别的最大熵神经网络方法

文章提出了模式识别的最大熵方法,其基本思想是求出最大熵概率分布,再求出条件概率分布,进而作出二值分类。它的特点是能最大限度地利用已有信息做出最合理的推测。求解最大熵分布时,需要解复杂的约束优化问题,为此使用了神经网络,从而使该方法结合了神经网络的很多优点。该方法的突出优点是在小样本情况下仍能保持很好的识别率。     

一种时效感知的动态加权Web服务QoS监控方法

服务质量（quality of service,简称QoS）是衡量Web服务好坏的重要标准,也是用户选择Web服务的重要依据.能够实时而准确有效地对Web服务进行监控,是Web服务质量保障的重要基础.为此,提出了一种时效感知的动态Web服务QoS监控方法.该方法在传统加权监控方法中融入了滑动窗口机制和信息增益原理,简称IgS-wBSRM（information gain and sliding window based weighted naive Bayes QoS runtime monitoring）.该方法以一定的初始训练样本进行环境因素权值初始化,利用信息熵（information entropy,简称IE）及信息增益（information gain,简称IG）对样本所处混沌状态的确定作用,依次读取样本数据流,计算样本数据单元出现前后各影响因子组合的信息增益,结合TF-IDF（term frequency-inverse document frequency）算法对早期的初始化权值进行动态更新,修正传统算法对监控分类的类间分布偏差问题和参数未更新问题.另外,考虑训练样本数据的时效性,结合滑动窗口机制来对影响因子组合权值进行同步更新,以消解长期累积的历史累赘数据对近期服务QoS的影响.在模拟数据集和开源数据集上的结果表明：利用滑动窗口机制可以有效摒弃历史数据的过期信息,结合滑动窗口机制实现的基于信息增益的动态权值算法能够更加准确地监控Web服务QoS,总体监控效果明显优先于现有方法.     

基于改进交叉熵算法的随机需求车辆路径设计方法

传统的车辆路径规划方法无法有效地应对实时在线客户需求量随机变化的情形且收敛速度过慢,为了克服其缺点,设计了一种基于蒙特卡罗和重要性采样的交叉熵车辆路径规划方法;首先对随机动态车辆路径规划问题进行了数学建模,然后,描述了蒙特卡罗和交叉熵算法实现稀有事件概率估计的原理,并引入Tsallis熵实现对传统交叉熵的改进,采用蒙特卡罗多次采样获得的费用期望作为路径真实费用的估计值,通过交叉熵算法对重要性概率密度函数和分位数进行不断更新,以增加重要样本获取的概率,从而实现最优路径的获取;最后定义了具体的基于Tsallis熵的随机动态车辆路径规划方法;在MATLAB仿真工具下进行试验,结果表明文中方法能有效地解决随机动态车辆路径问题,与其它方法相比,具有收敛速度快和收敛精度高的优点,是一种有效的随机动态车辆路径规划方法。     

一种综合考虑主客观权重的Web服务QoS度量算法

已有的Web服务QoS(quality of service)度量方法由于无法对用户偏好的模糊性予以准确量化,以及对候选服务 QoS 属性数据分布特征的忽视,导致其度量结果不准确。为此,提出了一种综合考虑主客观权重的 Web 服务QoS 度量算法。该算法利用自适应用户偏好的主观权重计算方法和服务潜能保障的客观权重计算方法,从主观和客观两个角度进行QoS度量,以保障度量结果在符合用户偏好的基础上能够准确地反映服务的整体性能。理论分析和基于QWS真实数据集的实验结果表明,所提出的方法能够准确地获得Web服务QoS的度量结果。     

服务时间随机条件下服务组合质量分析

本文分析采用业务过程执行语言（BPEL2WS）描述的web服务组合的执行时间,给出在服务执行时间随机情况下,根据单个服务的执行时间概率分布密度和BPEL2WS模型的结构求解web服务组合执行时间的概率分布密度函数的算法。根据概率密度函数可以求得业务过程执行时间在任意时限内的概率,从而可以根据给定的概率条件优化组合服务,使得服务执行成本最低．最后通过一个应用实例验证了算法的有效性。     

用户位置感知的Web服务QoS预测方法

随着互联网上Web服务数量的增多,服务的QoS开始成为用户在选择服务时关注的焦点.为了有效获取服务的QoS信息以便向用户推荐高质量的服务,提出一种用户位置感知的Web服务QoS预测方法--UL-WSRec.利用一些QoS属性受用户位置影响的事实和同一个自治系统中的用户在位置上邻近的特点,根据自治系统来计算用户位置和划分相似用户.在传统的协同过滤算法基础上,利用用户位置信息提出了改进的算法,以提高服务QoS预测的效率和精度.基于真实Web服务数据的实验表明了该方法的有效性.     

随机混成系统稀有属性的统计模型检测方法

统计模型检测,已成为随机混成系统安全性验证的重要方法.但对安全性要求较高的系统,其不安全事件和系统失效都是稀有事件.在这种情况下,统计模型检测很难采样到满足稀有属性的样本而变得不可行.针对该问题,提出了交叉熵迭代学习的统计模型检测方法首先,使用连续时间马尔可夫链表示随机混成系统的路径概率空间,推导出路径空间上的参数化概率分布函数族;然后构造了随机混成系统路径空间上的交叉熵优化模型,提出了在路径空间上迭代学习最优重要性采样分布的算法;最后给出了基于重要性采样的稀有属性验证算法.实验结果表明:该方法能够有效地对随机混成系统的稀有属性进行验证;且在相同样本数量下,与一些启发式重要性采样方法相比,该方法的估计值能够更好地分布在均值附近,标准方差和相对误差减少超过了一个数量级.     

随机QoS感知的Web服务组合概率分析

运行环境的开放性和动态性使Web服务的QoS具有内在的随机性。由QoS具有随机性的Web服务构造而成的组合服务,其QoS也具有随机性,从而使组合服务用户面临QoS需求不能被满足的风险。利用基于重要性采样的仿真方法,在随机PERT网络中对Web服务组合的QoS进行概率分析,以评估组合服务的QoS风险。方法通过一个简单的分布函数,引入权重函数以实现对目标分布函数的无偏估计。以实际的Web服务QoS数据为基础进行实验,对重要性采样技术和蒙特卡洛仿真的合理性和效率进行了对比,结果显示利用重要性采样技术进行组合服务QoS概率分析具有更高的精度与效率。     

多元时间序列的Web Service QoS预测方法

为准确并多步预测Web服务的服务质量（quality of service,简称QoS）,方便用户选择更好的Web服务,提出了一种基于多元时间序列的QoS预测方法MulA-LMRBF （multiple step forecasting with advertisement-levenberg marquardt radial basis function）.充分考虑多个QoS属性序列之间的关联,采用平均位移法（average dimension,简称AD）确定相空间重构的嵌入维数和延迟时间,将QoS属性历史数据映射到一个动力系统中,近似恢复多个QoS属性之间的多维非线性关系.将短期服务提供商QoS广告数据加入数据集中,采用列文伯格-马夸尔特法（Levenberg-Marquardt,简称LM）算法改进的径向基（radial basis function,简称RBF）神经网络预测模型,动态更新神经网络的权重,提高预测精度,实现QoS动态多步预测.通过网络开源数据和自测数据的实验结果表明,该方法与传统方法相比有较好预测效果,更适合动态多步预测.     

A probabilistic approach to modeling and estimating the QoS of web-services-based workflows

Web services promise to become a key enabling technology for B2B e-commerce. One of the most-touted features of Web services is their capability to recursively construct a Web service as a workflow of other existing Web services. The quality of service (QoS) of Web-services-based workflows may be an essential determinant when selecting constituent Web services and determining the service-level agreement with users. To make such a selection possible, it is essential to estimate the QoS of a WS workflow based on the QoSs of its constituent WSs. In the context of WS workflow, this estimation can be made by a method called QoS aggregation. While most of the existing work on QoS aggregation treats the QoS as a deterministic value, we argue that due to some uncertainty related to a WS, it is more realistic to model its QoS as a random variable, and estimate the QoS of a WS workflow probabilistically. In this paper, we identify a set of QoS metrics in the context of WS workflows, and propose a unified probabilistic model for describing QoS values of a broader spectrum of atomic and composite Web services. Emulation data are used to demonstrate the efficiency and accuracy of the proposed approach.     

基于核密度估计的软实时任务QoS控制

针对软实时任务的服务质量（QoS）控制问题, 提出一种采用核密度估计预测控制的资源自适应调整方法。该方法首先结合资源预留策略建立软实时任务的服务质量模型, 并采用核密度估计方法, 在无法预知和假设具体作业执行时间分布的前提下通过滑动窗口样本预测当前作业的执行时间概率分布, 反馈控制器基于预测值和上一个作业完成时获得的服务质量动态调整资源以保证当前作业服务质量。仿真实验结果表明, 采用核密度估计的预测控制能有效保证任务服务质量, 在大的系统扰动下能稳定收敛。     

CluCF: a clustering CF algorithm to address data sparsity problem

In QoS-based Web service recommendation, predicting Quality of Service (QoS) for users will greatly aid service selection and discovery. Collaborative filtering (CF) is an effective method for Web service selection and recommendation. Data sparsity is an important challenges for CF algorithms. Although model-based algorithms can address the data sparsity problem, those models are often time-consuming to build and update. Thus, these CF algorithms aren’t fit for highly dynamic and large-scale environments, such as Web service recommendation systems. In order to overcome this drawback, this paper proposes a novel approach CluCF, which employs user clusters and service clusters to address the data sparsity problem and classifies the new user (the new service) by location factor to lower the time complexity of updating clusters. Additionally, in order to improve the prediction accuracy, CluCF employs time factor. Time-aware user-service matrix Mu;s(tk, d) is introduced, and the time-aware similarity measurement and time-aware QoS prediction are employed in this paper. Since the QoS performance of Web services is highly related to invocation time due to some time-varying factors (e.g., service status, network condition), time-aware similarity measurement and time-aware QoS prediction are more trustworthy than traditional similarity measurement and QoS prediction, respectively. Since similarity measurement and QoS prediction are two key steps of neighborhood-based CF, time-aware CF will be more accurate than traditional CF. Moreover, our approach systematically combines user-based and item-based methods and employs influence weights to balance these two predicted values, automatically. To validate our algorithm, this paper conducts a series of large-scale experiments based on a real-world Web service QoS dataset. Experimental results show that our approach is capable of alleviating the data sparsity problem.     

基于SPEA2+算法的Web服务选择研究

服务选择算法是影响组合服务的QoS和服务组合性能高低的关键因素。针对将多维QoS属性加权聚合为一个目标函数进行优化的选择算法不能实质性地解决基于QoS的Web服务选择问题,采用改进的强度Pareto进化算法（SPEA2+）多目标优化求解该问题,设计了一种Web服务选择算法。该算法在满足声誉、可靠性和可利用性属性的约束下,同时最小化服务时间T和服务费用C,以产生Pareto最优解集。通过与运用SPEA2算法求解该问题的实验对比,表明了两算法所获取的Pareto最优解集中QoS属性T和C各均值各有优劣,用户可依据对T或C的偏好择优选择。     

一种基于多层神经网络的盲信号分离算法

基于多层神经网络,提出一种盲信号分离算法.该算法不对信号的密度模型做任何假设,通过多层神经网络估计任意信号的概率密度函数,并由此估计信号的评价函数.同其他方法相比,该方法不仅具有更好的分离性能,而且收敛速度较快.该方法可直接应用于所有以非线性函数代替评价函数的盲信号分离算法.实验验证了方法的有效性.     

融合遗传蚁群算法的Web 服务组合研究

为了提高Web服务组合流程中服务选择技术的收敛性能,提出了一种基于遗传算法与蚁群算法相融合的多目标优化策略,用于解决基于QoS的Web服务组合问题。本文首先将Web服务组合的全局最优化问题转化为寻求一条QoS最优解的路径问题,并通过改进遗传算法得到蚁群算法中初始路径的信息素分布,再通过改进蚁群算法来求得最优解。仿真实验结果表明,该改进算法能在较少的进化代数下得到最优路径,提高了Web服务组合的快速全局搜索能力。     

基于广义线性模型的QoE评估方法研究

基于简化的广义线性模型,建立了QoE等级概率分布回归模型。该模型能够通过网络QoS参数映射得到用户QoE等级累积概率分布。采用最大似然估计完成了对模型参数的估计,并使用皮尔逊方法对模型的拟合优度进行了检验。Web业务的QoE评估实例验证了方法的有效性。