随着5G技术的发展,移动服务的数量迅速增长,用户选择合适服务的难度也随之增大。在这一背景下,Web服务推荐系统应运而生,意在帮助用户快速找到符合其需求的高质量服务。目前大部分Web服务推荐技术都是在服务质量(Quality of service,QoS...
详细信息
随着5G技术的发展,移动服务的数量迅速增长,用户选择合适服务的难度也随之增大。在这一背景下,Web服务推荐系统应运而生,意在帮助用户快速找到符合其需求的高质量服务。目前大部分Web服务推荐技术都是在服务质量(Quality of service,QoS)预测的基础上进行推荐,因此,服务质量预测的精确度直接影响其推荐的准确性以及用户使用推荐系统的体验。然而,目前的QoS预测技术仍存在着如下问题:(1)移动边缘计算环境下由于传统QoS预测方法在处理非线性非平稳的QoS数据时效果不好,存在着计算成本高、预测能力有限并且预测结果受QoS数据的稀疏性影响较大等问题。(2)移动边缘计算环境下的设备和用户是移动的,QoS数据受到时空动态性的影响,因此,造成预测结果不准确。基于深度学习的方法虽然在服务预测准确度上有所提升,但是容易导致模型的过拟合。基于上述存在的挑战,本文进行了深入研究,提出了两种移动边缘计算环境下的服务质量预测模型:基于统计分析的短期服务质量预测模型和基于深度学习的中长期服务质量预测模型。
针对(1)中提及的问题,本文提出了一种基于差分自回归移动平均的服务质量预测模型(SE-ARIMA)。该模型结合截断的奇异值分解和经验模态分解两种方法。首先,利用经验模态分解对非线性非平稳的QoS数据的时间序列进行分解,实现QoS数据时间序列的平稳化。其次,引入截断的奇异值分解对QoS数据的压缩,以降低计算成本以及噪声的影响。最后,将经典的差分自回归移动平均模型扩展为矩阵形式,并将经过降维处理的QoS矩阵输入其中,以进行QoS时序预测。为了验证方法的有效性,本文在真实的数据集上进行了广泛的实验。实验结果表明,SE-ARIME模型提升了在移动边缘计算环境下的服务质量预测能力,并且相较其他模型预测准确度也有所提高。
针对(2)中提及的问题,本文提出了一种基于图卷积网络和门控循环单元的混合服务质量预测模型(GWGCN-GRU)。该模型融合了图卷积网络和门控循环单元。首先,通过在图卷积网络中添加门控机制防止原始QoS数据的丢失,即每次图卷积时额外输入原始数据,保持节点特征的多样性,从而解决过拟合问题。其次,在图卷积网络的邻接矩阵中增加了一个可学习的权重矩阵,以优化邻接矩阵的权重,从而使图卷积网络能够更好地捕获移动边缘计算环境下服务节点之间的空间关系,最后,将得到的特征矩阵带入门控循环单元模型中进行QoS时序预测,并在真实数据集上针对该方法进行对比和消融实验。实验结果表明,GWGCN-GRU模型有着更好的预测精度,能够更好的处理移动边缘计算环境下的QoS数据。
移动边缘计算（Mobile Edge-computing,MEC）系统中,智能移动设备（Smart Mobile Device,SMD）通过向边缘基站卸载任务能够有效的降低SMD的能量消耗,降低任务处理的时延。现有的有关移动边缘计算的研究主要集中在智能移动设备的能耗和...
详细信息
移动边缘计算（Mobile Edge-computing,MEC）系统中,智能移动设备（Smart Mobile Device,SMD）通过向边缘基站卸载任务能够有效的降低SMD的能量消耗,降低任务处理的时延。现有的有关移动边缘计算的研究主要集中在智能移动设备的能耗和任务处理时延,而有关基站群协作处理任务的研究很少。现有的关于基站群协作任务处理的研究中,主要采用集中式的方法进行任务分配,但是模型中忽略了集中式处理的数据交互代价,同时集中式的任务分配不适合高实时性的移动边缘计算系统。本文主要以最小化基站的总能耗为目标,研究基站间的任务卸载策略和计算资源分配方案,给出不需要全局信息的分布式任务卸载策略和计算资源分配方案,并分析无全局信息的分布式卸载策略和计算资源分配方案和全网络最优分配方案之间的差距。针对基站任务队列负载较低的情形,引入动态电压调整技术,建立基站群协作处理任务的能耗模型,分别给出了任务卸载策略和计算资源分配方案,确定紧急任务的阈值,以最小化基站群处理任务的能量消耗为优化目标,使用最优化的方法设计了任务卸载策略,采用动态规划的思路设计了计算资源分配方案。通过实验表明,在一个低负载的10?10的蜂窝网络中,使用任务卸载决策算法和任务分片处理算法,可以使得整个网络的能耗降低30%40%。针对基站任务队列高负载的情形,同样引入动态电压调整技术,联合考虑任务卸载策略和计算资源分配方案,建立了相应的基站群协作处理任务的能耗模型,给出了适用范围更广的任务卸载判断条件;通过对任务分片处理算法的分析,将基站群协作处理任务的能耗模型分为两种,同样以最小化基站群处理任务的能量消耗为优化目标,建立了两个非线性问题,设计了负载均衡算法和断点搜索算法求解问题。通过实验表明,在一个高负载的10?10蜂窝网络中,使用负载均衡算法和断点搜索算法,可以降低整个网络15%左右的能耗。同时展示了无预测性实时任务卸载策略在基站网络不同负载状态下的卸载冲突率。
暂无评论