Web服務QoS監控和預測技術（簡體書）

《Web服務QoS監控和預測技術》從 Web 服務質量的監控和預測技術兩個方面著手，系統而全面地介紹服務質量的動態管理技術，為終端用戶提供滿意的 Web 服務。《Web服務QoS監控和預測技術》共13章。第1 章介紹 Web 服務和 Web 服務質量的基礎知識。第2 章介紹 Web 服務監控和預測的一般思想與研究現狀。第3 章～第6 章介紹各種 Web 服務質量的監控方法，包括基于貝葉斯統計、加權樸素貝葉斯、結合信息增益和滑動窗口機制及多元的監控方法。第7 章～第11 章介紹各種 Web 服務質量的預測方法，包括基于貝葉斯組合預測模型、徑向基神經網絡、貝葉斯網絡模型和深度學習的服務 Qo S 預測方法。第12 章和第13 章介紹 Web 服務監控和預測的原型工具。

目錄
前言
第1章 Web服務技術概述 1
1.1 面向服務計算與面向服務架構 1
1.2 Web服務和Web服務質量 2
1.3 本書的主要貢獻 4
1.4 本書的章節安排 5
參考文獻 9
第2章 Web服務QoS監控和預測技術綜述 11
2.1 運行時監控技術 11
2.1.1 運行時監控一般過程 11
2.1.2 運行時監控與傳統驗證模型檢驗技術的比較 12
2.2 Web服務QoS監控技術研究現狀 13
2.2.1 傳統Web服務QoS相關監控技術 13
2.2.2 概率監控方法 13
2.3 Web服務QoS預測技術 15
2.4 Web服務QoS預測技術研究現狀 16
2.4.1 基于相似度的預測方法 16
2.4.2 基于人工智能的預測方法 18
2.4.3 基于時間序列的預測方法 19
參考文獻 19
第3章 基于貝葉斯統計的Web服務QoS監控方法 22
3.1 引言 22
3.2 概率時態邏輯PLTL3 22
3.3 貝葉斯統計監控 24
3.3.1 基本原理 24
3.3.2 算法實現 27
3.4 實驗及結果分析 30
3.5 本章小結 35
參考文獻 35
第4章 環境因素敏感的Web服務QoS監控方法wBSRM 36
4.1 引言 36
4.2 預備知識 37
4.2.1 加權樸素貝葉斯分類器 37
4.2.2 二項分布的經驗貝葉斯估計 38
4.2.3 TF-IDF算法 39
4.3 一種考慮環境因素影響的Web服務QoS監控方法 40
4.3.1 方法概述 40
4.3.2 核心算法 42
4.4 實驗及結果分析 45
4.4.1 實驗環境配置 45
4.4.2 實驗結果與分析 46
4.5 本章小結 53
參考文獻 54
第5章 結合信息增益和滑動窗口的Web服務QoS監控方法 56
5.1 引言 56
5.2 預備知識 57
5.2.1 信息熵與信息增益 57
5.2.2 結合信息增益的改進TF-IDF 加權 58
5.3 一種時效感知的動態加權Web服務QoS監控方法IgS-wBSRM 59
5.3.1 IgS-wBSRM方法引入與概述 59
5.3.2 IgS-wBSRM方法實現 61
5.4 實驗及結果分析 65
5.4.1 實驗數據集及環境配置 66
5.4.2 自定義模擬數據集下的實驗分析與驗證 66
5.4.3 真實數據集下的實驗分析 69
5.4.4 時間效率分析 71
5.5 本章小結 72
參考文獻 73
第6章 一種基于信息融合的多元QoS監控方法 75
6.1 引言 75
6.2 基于信息融合的多元QoS監控方法 76
6.2.1 數據預處理 77
6.2.2 計算特征因子分類傾向性 78
6.2.3 基于特征因子與分類的相關性的貝葉斯分類器模型 79
6.2.4 算法描述 79
6.3 實驗及結果分析 80
6.3.1 實驗設置 80
6.3.2 實驗結果分析 83
6.3.3 時間效率分析 86
6.4 本章小結 87
參考文獻 87
第7章 基于組合貝葉斯模型的Web服務QoS預測方法 89
7.1 引言 89
7.2 貝葉斯組合模型 89
7.2.1 時間序列特征識別 90
7.2.2 組合預測基本原理 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 小波神經網絡 95
7.3.3 ARIMA-GARCH模型 97
7.3.4 K-近鄰預測模型 99
7.3.5 RBF神經網絡模型 99
7.3.6 多元回歸分析模型 100
7.4 模型評估標準 101
7.4.1 預測模型精度評估 101
7.4.2 預測模型有效性評估 102
7.5 實驗及結果分析 104
7.6 本章小結 113
參考文獻 113
第8章 基于徑向基神經網絡的Web服務QoS組合預測方法 115
8.1 引言 115
8.2 預備知識 116
8.2.1 灰色預測 116
8.2.2 遺傳算法 117
8.2.3 檢驗方法 118
8.3 Web服務QoS組合預測方法 120
8.3.1 方法概述 120
8.3.2 基于K-S 檢驗的時間序列模型 121
8.3.3 改進的GM(1，1)動態預測模型 126
8.3.4 HGA-RBFC 模型 128
8.4 實驗及結果分析 134
8.4.1 軟硬件環境 134
8.4.2 實驗設置 134
8.4.3 實驗結果與分析 139
8.5 本章小結 152
參考文獻 152
第9章 基于深度學習模型的Web服務QoS預測方法 154
9.1 引言 154
9.2 預備知識 155
9.2.1 深度神經網絡模型 155
9.2.2 小波變換 158
9.2.3 神經網絡性能優化 159
9.3 基于深度學習的Web服務QoS預測方法研究 161
9.3.1 方法概述 161
9.3.2 數據預處理 163
9.3.3 改進的粒子群算法 168
9.3.4 粒子群算法改進的DBN 預測模型 172
9.3.5 GPU 加速計算 175
9.4 實驗及結果分析 176
9.4.1 軟硬件環境 176
9.4.2 實驗設置 176
9.4.3 實驗結果與分析 180
9.5 本章小結 188
參考文獻 188
第10章 基于貝葉斯網絡模型云服務QoS預測方法 190
10.1 引言 190
10.2 預備知識 191
10.2.1 BP 神經網絡預測模型 191
10.2.2 算術平均值預測模型 192
10.2.3 貝葉斯網絡預測模型 193
10.3 云服務QoS預測方法 194
10.3.1 方法概述 194
10.3.2 方法流程 195
10.4 實驗及結果分析 206
10.4.1 實驗軟硬件環境 206
10.4.2 實驗工具箱 207
10.4.3 驗證方案 208
10.4.4 實驗設置 209
10.4.5 實驗結果與分析 211
10.5 本章小結 219
參考文獻 219
第11章 基于多元時間序列的Web服務QoS預測方法 221
11.1 引言 221
11.2 預備知識 223
11.2.1 相空間重構 223
11.2.2 LM算法 224
11.3 一種基于多元時間序列的Web服務QoS預測方法 225
11.3.1 數據收集和預處理 225
11.3.2 LM算法改進的RBF 神經網絡預測模型 227
11.4 實驗及結果分析 231
11.4.1 實驗設置 231
11.4.2 實驗過程 232
11.4.3 實驗結果與分析 233
11.5 本章小結 239
參考文獻 239
第12章 Web服務QoS監控工具 242
12.1 引言 242
12.2 Web服務QoS監控工具的設計 243
12.2.1 Web服務QoS監控工具的整體設計 243
12.2.2 Web服務QoS監控方法的詳細設計 246
12.2.3 Web服務QoS監控工具的數據形式 249
12.2.4 Web服務QoS監控工具界面 250
12.3 Web服務QoS監控工具的實現 251
12.3.1 開發環境及工具 251
12.3.2 Web服務QoS監控工具的程序結構 252
12.3.3 Web服務QoS監控工具的數據結構 252
12.3.4 Web服務QoS監控方法的實現與分析 253
12.3.5 Web服務QoS監控工具的Web端實現 260
12.3.6 不同監控方法的比較與分析 261
12.4 本章小結 266
參考文獻 266
第13章 Web服務QoS預測工具 267
13.1 引言 267
13.2 Web服務QoS預測工具的設計 268
13.2.1 Web服務QoS預測工具架構 268
13.2.2 Web服務QoS預測工具整體設計 269
13.2.3 Web服務QoS預測數據形式 270
13.2.4 Web服務QoS預測工具的功能結構 271
13.2.5 Web服務QoS預測工具界面設計 272
13.2.6 預測模塊的詳細設計 274
13.3 Web服務QoS預測工具的實現 278
13.3.1 開發平臺及工具 278
13.3.2 工具的程序結構 278
13.3.3 工具的客戶端和服務器端實現 280
13.3.4 主要功能模塊的實現 282
13.3.5 工具測試與分析 291
13.4 本章小結 298
參考文獻 298