-
公开(公告)号：CN113743675B
公开(公告)日：2024-01-30
申请号：CN202111066541.0
申请日：2021-09-13
Applicant: 南京信息工程大学
IPC: G06F18/21 , G06F18/25 , G06F18/2133 , G06F18/22 , G06N3/0499 , G06N3/08 , H04L67/61 , H04L67/10
Abstract: 本发明公开一种云服务QoS深度学习预测模型，所述模型构建过程包括以下步骤：S1：确定本模型的基本概念；S2：根据确定的基本概念，提出QoS深度学习预测模型；S3：提出算法流程，算法流程包括多尺度特征提取和MM‑DNN学习；S4：评估QoS深度学习预测模型的性能。该模型融合了三种尺度的特征：全局、局部和个体特征，通过非负矩阵分解获得全局和个体特征矩阵，从中可以提取全局和个体特征。由于云服务的QoS值会受到地理位置的影响，基于距离相似度计算获取相似用户和相似服务，并形成用户和服务的局部特征。通过深度神经网络分阶段逐步融合这三种特征，进行特征处理和学习，并在每个阶段中使用个体评价对该阶段的特征进行修正，从而更准确地预测云服务的QoS值。
-
公开(公告)号：CN113743675A
公开(公告)日：2021-12-03
申请号：CN202111066541.0
申请日：2021-09-13
Applicant: 南京信息工程大学
Abstract: 本发明公开一种云服务QoS深度学习预测模型，所述模型构建过程包括以下步骤：S1：确定本模型的基本概念；S2：根据确定的基本概念，提出QoS深度学习预测模型；S3：提出算法流程，算法流程包括多尺度特征提取和MM‑DNN学习；S4：评估QoS深度学习预测模型的性能。该模型融合了三种尺度的特征：全局、局部和个体特征，通过非负矩阵分解获得全局和个体特征矩阵，从中可以提取全局和个体特征。由于云服务的QoS值会受到地理位置的影响，基于距离相似度计算获取相似用户和相似服务，并形成用户和服务的局部特征。通过深度神经网络分阶段逐步融合这三种特征，进行特征处理和学习，并在每个阶段中使用个体评价对该阶段的特征进行修正，从而更准确地预测云服务的QoS值。
-
公开(公告)号：CN114117945A
公开(公告)日：2022-03-01
申请号：CN202210093058.X
申请日：2022-01-26
Applicant: 南京信息工程大学
Abstract: 本发明公开了基于用户‑服务交互图的深度学习云服务QoS预测方法，根据用户‑服务原始QoS矩阵构建用户‑服务交互图，进而获取用户和服务的特征向量，根据用户/服务特征向量计算相似度，根据相似度获取用户/服务特征向量集；基于两个高效深度卷积单元构建双流深度神经网络模型，将获取的用户特征向量集作为其中一个高效深度卷积单元的输入，将获取的服务特征向量集作为另一个高效深度卷积单元的输入，对双流深度神经网络模型进行训练；利用训练好的双流深度神经网络模型预测某用户对某服务的QoS值，得到QoS预测结果。本发明通过构建用户‑服务交互图以及通过设计双流深度神经网络结构，使得云服务QoS预测值更加准确。
-
公开(公告)号：CN114117945B
公开(公告)日：2022-04-15
申请号：CN202210093058.X
申请日：2022-01-26
Applicant: 南京信息工程大学
Abstract: 本发明公开了基于用户‑服务交互图的深度学习云服务QoS预测方法，根据用户‑服务原始QoS矩阵构建用户‑服务交互图，进而获取用户和服务的特征向量，根据用户/服务特征向量计算相似度，根据相似度获取用户/服务特征向量集；基于两个高效深度卷积单元构建双流深度神经网络模型，将获取的用户特征向量集作为其中一个高效深度卷积单元的输入，将获取的服务特征向量集作为另一个高效深度卷积单元的输入，对双流深度神经网络模型进行训练；利用训练好的双流深度神经网络模型预测某用户对某服务的QoS值，得到QoS预测结果。本发明通过构建用户‑服务交互图以及通过设计双流深度神经网络结构，使得云服务QoS预测值更加准确。
-
-
-
Search Results
4
records
(took 0.031 seconds)
