基于人工蜂群優化的支持向量機模型在Web服務QoS預測中的應用

安吉宇　楊　瑜　劉志中

(河南理工大學計算機科學與技術學院　河南 焦作 454000)

?

基于人工蜂群優化的支持向量機模型在Web服務QoS預測中的應用

安吉宇楊瑜劉志中

(河南理工大學計算機科學與技術學院河南 焦作 454000)

摘要在開放的網絡環境下，Web服務的服務質量QoS具有很強的動態性。為了提高服務QoS的準確性，為服務選擇、服務組合提供可靠的QoS信息，在考慮Web服務所處的網絡環境和所要處理任務的特征對服務QoS影響的前提下，提出一種基于人工蜂群優化的支持向量機QoS動態預測方法。該方法首先對人工蜂群算法進行改進，提出了面向觀察蜂的免疫選擇機制和面向偵查蜂的改進逃逸機制；然后，采用改進的人工蜂群算法對支持向量機的參數進行優化；最后采用優化的支持向量機預測Web服務處理具體任務時的QoS。實驗結果表明，該提出的QoS預測方法具有較好的預測速度和精度。

關鍵詞改進人工蜂群算法支持向量機Web服務服務質量動態預測

0引言

隨著云計算、物聯網、虛擬化、面向服務、高性能計算等高新信息技術的快速發展，網絡中涌現了很多功能相似或相同但QoS具有很大差異的Web服務，QoS已經成為評價和選擇最佳候選服務的重要依據。由于Web服務運行環境的開放性、用戶任務的不確定性、服務負載的波動性等不確定因素，使得Web服務的QoS具有很強的動態性[1]。如何準確地預測Web服務的QoS，為服務選擇、服務組合提供可靠的QoS數據，成為服務計算領域亟需解決的關鍵問題。

目前，國內外學者針對Web服務的QoS預測問題展開了初步的研究，并取得了一定的研究成果。Shao等人[2]在2007年最早提出使用協同過濾法對用戶未使用過的Web服務的QoS進行預測。在此基礎上，紹凌霜等人[3]對協同過濾方法進行了改進，提出了基于歐幾里德距離的相似度計算公式，并給出了一種綜合考慮用戶相似度和服務相似度的QoS預測方法。為了提高目標服務QoS的準確度，Zheng等人[4]提出了一種基于混合協同過濾方法的QoS預測方法。該預測方法設計了兩種信心權重，其中一種信心權重表示對基于用戶之間相似度得到的QoS預測值的信任程度，另一種信心權重表示對基于服務之間相似度得到的QoS預測值的信任程度。通過引入這兩種信心權重，可以自動地調整QoS預測過程中對兩種預測值的依賴程度，從而提高QoS預測的準確度。

事實上，由于用戶任務自身屬性的差異性，以及服務的執行環境的動態性、公開性和多樣化，導致Web服務的QoS具有很強的波動性、非線性等特點，難以對其確立精準的線性預測模型。文獻[5]提出了一種支持QoS動態預測的多Agent QoS預測模型，采用SOM神經網絡對Web服務QoS進行非線性學習和動態預測，在一定程度上提高了模型的靈活性。但神經網絡存在著過學習和局部極小值的缺陷，導致預測精度不高。文獻[6]從服務自身和運行環境出發，考慮任務類型、任務量、服務器負載和網絡傳輸速率對Web服務QoS的影響，使用事例推理CBR(Case-based reasoning)方法對Web服務QoS進行動態預測，該方法不需要復雜的計算過程，但對事例庫的規模具有一定的依賴性，且對事例庫更新規則的定義仍不夠完善。

為了更好地描述Web服務QoS與其影響因素之間復雜的非線性關系，進一步提高Web服務QoS預測的精度，構建了基于改進人工蜂群算法I-ABC(Improved artificial bee colony)優化支持向量機SVM的Web服務QoS動態預測方法，該方法首先使用I-ABC對SVM參數進行優化，然后采用優化的參數建立SVM預測模型并對Web服務QoS進行預測。實驗結果表明，本文的改進方案在提高SVM參數尋優速度和精度的基礎上，取得了較好的QoS預測效果。

1改進的人工蜂群算法

人工蜂群算法[7]ABC(Artificial bee colony)是由Karaboga D提出的一種模擬蜜蜂群體覓食行為的智能優化算法。算法不需要復雜的操作過程且具有很好的魯棒性，并在優化復雜高維多峰函數方面比遺傳算法、粒子群算法具有更優的性能[8]。目前，人工蜂群算法已廣泛用于解決各類優化問題，如信號處理[9]、多目標優化[10]及函數數值優化[11]等。然而作為一種新興的智能算法，傳統ABC存在著進化速度緩慢、過早收斂、易陷入局部最優等問題。

ABC算法中，蜜蜂種群中的個體分為雇傭蜂、觀察蜂和偵查蜂三種類型，并依靠三個蜂種間的相互協作使算法朝著最優方向進化。傳統蜂群算法中，有以下兩個原因導致算法容易陷入局部最優[8,12]：

(a) 觀察蜂選擇食物源時采用輪盤賭機制。在這種機制中，適應度越高的食物源被選中的概率越大，這有助于提高算法的收斂性，但適應度較差的食物源幾乎得不到更新，破壞了種群的多樣性；同時隨著算法的進化，食物源的適應度趨于一致會導致各食物源吸引到觀察蜂的概率接近，造成算法的進化停滯，導致算法陷入局部最優；

(b) 偵查蜂在發現和更新可能導致算法過早收斂的個體時，存在以下缺陷：偵查蜂個體選擇主要依賴于參數limit，而在不同應用環境中的limit值具有很大的差異性，導致算法的通用性低；僅根據個體的更新次數來確定導致算法早熟的個體，忽略了個體位置對種群多樣性的影響，存在片面性；逃逸算子式在一定的范圍內隨機產生新個體，不確定的逃逸尺度造成了逃逸操作的盲目性，導致算法的尋優精度降低，收斂速度緩慢。

鑒于以上觀察蜂選擇食物源機制和偵查蜂逃逸行為的不足，本文在平衡種群收斂性和多樣性的基礎上，通過借鑒文獻[8]與文獻[12]的研究思路，提出了面向觀察蜂的免疫選擇機制與面向偵查蜂的逃逸機制，形成了改進的人工蜂群算法(I-ABC)。

設求解的優化問題為D維，I-ABC首先需要對群體進行初始化，即采用隨機的方式生成SN個初始解(SN代表雇傭蜂或觀察蜂的數目)。每個解xi(i=1,2,…,SN)是一個D維向量，相應于第i個食物源，其食物源質量為Fiti(即適應度)。初始化結束后，雇傭蜂、觀察蜂和偵查蜂分別進行循環搜索，求解具有最優適應度的食物源。I-ABC搜索過程如下：

(1) 雇傭蜂搜索機制

I-ABC中，雇傭蜂仍采取原有的搜索機制。雇傭蜂在種群中每個食物源位置附近按照下式搜索新的食物源：

vij=xij+φij(xij-xkj)

(1)

式中，j∈{1,2,…,D}，k∈{1,2,…,SN}，k和j都是隨機選取，且k≠i，φij為[-1,1]間的隨機數。xij為食物源xi的第j維分量，xkj為隨機選擇食物源xk的第j維分量。

當產生的新食物源質量相對于原食物源沒有得到提升時，則保持舊食物源位置不變，并對食物源個體xi未更新的次數triali進行記錄：

(2)

(2) 觀察蜂的免疫選擇機制

I-ABC中，觀察蜂選取食物源的概率由適應度比例式(4)和每個食物源對應的抗體濃度式(5)共同決定。每一處食物源對應某一抗體，則雇傭蜂所提供食物源訊息xi被觀察蜂重用的幾率如下：

Pi=αPfi+(1-α)Pai

(3)

(4)

式中，α為常數且α∈(0,1]，Pai為抗體濃度決定的選擇概率，如式(5)所示，實現了高濃度的抗體選擇幾率小，低濃度的抗體選擇幾率大。

(5)

式中，k為常數且k∈(0,1]，Cxi為抗體xi的濃度，表示為：

(6)

式中，axij表示抗體xi和xj之間的親和度，TH表示確定的閾值。axij如下式表示：

(7)

式中，ED表示抗體xi和xj之間的Euclid距離。

觀察蜂的免疫選擇機制中，當多個食物源具有相同的適應度時，食物源對應的抗體濃度越大，則被選擇的概率越小，反之，食物源被選擇的概率越大；當食物源對應的抗體濃度相同時，具有較高適應度的食物源被選擇的概率則較大。這樣，在保留了具有高適應度的食物源的同時，維持了種群的多樣性，增加了算法獲得全局最優解的可能性，避免算法過早收斂。

(3) 偵查蜂逃逸行為的改進

I-ABC中，為了消除偵查蜂個體選擇對參數limit的依賴性，采用輪賭法的方式選擇偵查蜂個體，個體xi被選擇的概率為：

(8)

式中，Espi表示蜂群個體xi的逃逸指標，主要受以下兩個要素的綜合制約：個體未更新次數、個體位置對種群多樣性影響程度；其中，(Espi)max與(Espi)min分別表示屬性Espi的最大值及最小值。

Espi=triali-disi

(9)

式中，disi表示個體xi位置對種群多樣性的影響程度，表示如下：

(10)

式中，aveFit表示種群中個體適應度的平均值。式(10)采用個體xi的適應度與種群平均適應度的偏離程度來判定xi位置對種群多樣性變化的影響。

在基于上述選擇機制確定目標偵查蜂后，需要對相應的食物源進行更新操作。為了克服傳統ABC中偵查蜂逃逸操作的盲目性，在有效控制逃逸尺度的基礎上，設定了改進的逃逸算子式：

(11)

(12)

從式(9)和式(10)可以發現，設定的逃逸指標全面衡量了個體位置對算法過早收斂的影響程度；式(8)中采用自適應選擇機制來確定偵查蜂個體，使偵查蜂不再受參數的控制；式(11)設計了變尺度的逃逸算子，使算法初期進行大尺度的逃逸，后期的逃逸尺度逐漸減小，在兼顧種群多樣性的同時，加強了算法后期的深度尋優性能。

2基于I-ABC優化的SVM模型

2.1SVM的參數優化

支持向量機是通過尋求結構風險最小化來最小化實際風險的機器學習方法，主要目標是在有限信息的條件下得到最優結果，能夠較好地解決小樣本、非線性、高維數以及局部極小值問題，并具有很好的泛化性能[13]。

支持向量機回歸主要是通過非線性映射的方式，將n維輸入空間映射到高維的特征空間(Hilbert空間)；然后在特征空間中構造最優線性回歸函數[14]：

y=f(x)=wTφ(x)+b

(13)

式中，w為偏置項，b為閾值，φ(x)表示非線性映射。

根據結構風險最小化原則，支持向量機實質上就是求解一個優化問題[14]：

(14)

(15)

對式(14)引入Lagrange函數，可將原問題轉化為其對偶形式：

(16)

(17)

式中，k(xi,xj)=φ(xi)·φ(xj)為核函數。由此可以得到支持向量機回歸函數：

(18)

大量的實驗結果顯示，支持向量機時間序列預測結果的精度與嵌入維數m，懲罰因子c、損失函數參數ε、選擇的核函數以及核函數參數σ之間存在一定的關系，且共同制約著SVM預測的準確率[15]。其中，核函數是任何一個滿足Mercer條件的正定函數，合適的核函數可以很好地避免維數災難，是提高預測準確度的關鍵。c控制著經驗風險和VC維之間的平衡。ε用來確定誤差的邊界。σ主要體現SVM對輸入變量的敏感程度，σ值過大或過小都會對SVM性能產生負面影響，導致學習效率和預測質量的下降[16]。

因此，為了保證SVM的學習能力和推廣能力，需要選用高效的優化算法在一定的先驗區間內搜索出支持向量機各參數的最優組合，進而獲取具有高預測性能的支持向量機。

支持向量機核函數主要有四種，即多項式核函數、Sigmoid核函數、徑向基核函數和q次多項式核函數[17]，本文選取當前應用最廣泛的徑向基核函數。同時，由文獻[18]可知，對于選擇的參數ε總是可以找到最佳的(c,σ)組合，并且這種組合對參數ε具有魯棒性。本文在確定ε的情況下，使用I-ABC對參數組合(c,σ)進行參數尋優。

2.2基于I-ABC的支持向量機參數優化算法

將I-ABC算法用于支持向量機參數優化過程中，其中采用(c,σ)來表示食物源位置，位置(c,σ)相應的適應度Fiti表示在取該參數對時算法的整體性能。計算適應度時，需要對相應的食物源使用SVM模型利用訓練集進行訓練，并由訓練好的模型對測試集的數據進行測試，測試所得到的性能評價即為食物源對應的適應度[19]。此處定義I-ABC算法的適應度函數為模型在測試數據集上的回歸準確率，表示為：

(19)

Algorithm1基于I-ABC的支持向量機參數優化算法

輸入支持向量機訓練集數據

輸出最優參數對(c,σ)

Step1相關參數的設定

首先，需要對I-ABC中的控制參數進行初始化，在多次試驗后，I-ABC中參數設定規則如下：食物源數量SN=20，最大進化代數G=75，D為優化參數的個數，設為2。然后，初始化模型參數c和σ的搜索范圍，設定為[0.1,1000]。

Step2初始食物源生成

采用隨機的方式產生SN個食物源，并分配蜂群；然后依據適應度函數Fiti對每個食物源進行評價；

Step3雇傭蜂階段

雇傭蜂按照式(1)搜索新的食物源并對其適應度進行評價；若新食物源適應度優于當前食物源則保存，反之則放棄，并記錄其未更新次數triali。

Step4觀察蜂階段

觀察蜂根據式(3)所得的概率，采用輪盤賭方法選取食物源；然后依據式(1)生成新的食物源，并根據新食物源的適應度通過貪婪機制保留最優食物源。

Step5偵查蜂階段

按照式(8)所定義的逃逸指標，采用輪盤賭方式來選擇偵查蜂個體，并使用逃逸算子式(11)對偵查蜂對應的食物源進行更新；同時計算出新食物源的適應度，且需判斷是否更新triali。

Step6更新全局最優解

對具有全局最優適應度的食物源進行記錄。

Step7結束條件判定

若算法達到最大進化代數則停止迭代，此時得到的全局最優解為最終SVM模型的參數。否則轉Step3。

3基于優化SVM的QoS預測方法

采用I-ABC得到SVM的最優參數后，需要采用優化的參數建立SVM預測模型，并將預測模型應用到Web服務QoS預測中。其中，定義Web服務QoS的影響因素為：QoS_influence_factors = 。基于優化SVM的Web服務QoS預測算法描述如下：

Algorithm2基于優化SVM的Web服務QoS預測算法

輸入{pf1,pf2,…,pfn}

// QoS_influence_factors

輸出Web服務QoS預測值qf

Step1訓練樣本的構建

Step2數據預處理

由于各影響因子量綱的差異性，為了提高SVM的泛化能力和減少訓練時間，建模之前需要對樣本數據進行歸一化處理，將其范圍控制在區間[0,1]。歸一化公式為：

(20)

Step3參數優化

采用改進的蜂群算法在先驗區間內選擇最優的參數對(c,σ)。

Step4建立預測模型

使用優選的參數對Step1中構造的訓練樣本進行學習，獲得形如式(18)的決策函數，建立Web服務QoS預測模型。

Step5QoS預測

根據Step4建立的預測模型，利用預測樣本完成對tf時刻Web服務QoS的預測，并輸出預測結果。

4實驗分析

4.1實驗設計

為了對上文所提QoS動態預測方法的有效性進行測試，開發了模仿實際環境中客戶端對Web服務調用的實驗環境。其中，Web服務類型分為兩種：Task A為上傳文件操作，Task B為下載文件操作，相應的執行次數代表任務的量。實驗過程中，客戶端采用隨機的方法生成任務，其中，任務類型在Task A和Task B中隨機生成，并在[500,2000]內隨機生成任務量的大小，然后將任務隨機地提交給Web服務進行處理?？紤]到實際中Web服務運行環境的波動性，服務器通過定期隨機的產生背景任務量，來控制Web服務負載的變化。

實驗過程中，每當生成一個新的任務請求時，記錄任務的類型和任務量，并記錄任務提交時間Tsub和任務處理完成時間Tcomplete，則任務處理時間為Tcomplete-Tsub，任務處理時間即為任務反應時間。在任務執行過程中，每5 s記錄一次Web服務所在服務器的CPU負載(CPU利用率)，每處理完一個任務，用該任務處理期間CPU負載的平均值作為服務處理該任務時的CPU負載。任務處理完成后，根據任務執行時的Web服務負載、任務類型、任務量和反應時間，構成SVM格式的QoS數據樣本：，其中，QoS_influence_factors = 為輸入向量，反應時間為輸出。實驗共收集QoS數據896個，數據涵蓋了在不同的負載狀況下，Web服務處理不同類型任務的情況。實驗中只對Web服務反應時間這一QoS屬性進行預測，其他QoS屬性值的預測方法相同。實驗基于Libsvm工具箱。

4.2實驗分析

4.2.1基于不同智能優化算法的預測結果比較

為了評估改進算法的收斂速度和精度，本文同時實現了I-ABC優化的SVM (I-ABC_SVM)和現有的一些智能算法優化的SVM對Web服務QoS進行預測，如粒子群算法優化的SVM[20](PSO_SVM)、遺傳算法優化的SVM[15](GA_SVM)以及標準的蜂群算法優化的SVM[21](ABC_SVM)，并對它們的預測性能進行了比較。

實驗中，從獲取的數據集中取前100個QoS數據用作訓練集，同時從剩余的數據中隨機取4組數據用作測試集，并采用智能算法優化的SVM對其QoS進行預測。由于實驗中使用的優化算法都屬于啟發式算法，它們對數據進行多次尋優預測的結果會出現不同值，因此對每組數據作5次試驗，并對預測準確率和預測時間分別取平均值，實驗結果如表1、表2所示。

表1　基于不同智能算法優化的SVM預測準確率比較

表2　基于不同智能算法優化的SVM預測時間比較

從表1和表2可以看出，本文所提算法得到的預測模型，可以得到較高的預測準確率。本方法在參數尋優時不僅能夠搜索到全局最優解，而且具有較高的尋優效率，通過減少參數的尋優時間，從而大大減少了整個模型的預測時間，能夠很好地滿足即時預測中對預測時間的高要求。

圖1為本實驗運用不同智能算法優化的SVM預測進化圖。從圖1可以看出，相較于傳統ABC方法，I-ABC由于引入了觀察蜂在選擇食物源時的免疫系統抗體濃度調節機制和改進的偵查蜂逃逸方式，有效地逃離了早熟收斂，并加快了算法的收斂速度。與其他智能優化算法相比，I-ABC僅需要更少的進化代數就能達到比其他算法更好的預測精度，表現出更快的全局收斂速度(用進化代數表示)和更好的全局搜索能力。而PSO算法和GA算法在進化過程中收斂速度緩慢，且在實驗中由于未尋得最優數據而導致預測準確率較低。

圖1　基于不同智能算法優化SVM的Web服務QoS預測進化圖

4.2.2本文預測方法與基于CBR預測方法的比較

即時預測中，對預測過程執行時間和數據存取速度都具有較高的要求。為了驗證本文即時預測方法的性能，在歷史數據數目不同的情況下，分別采用CBR和I-ABC_SVM方法對一組QoS數據進行預測。實驗結果如圖2所示。

圖2　不同歷史數據數目情況下CBR和I-ABC_SVM方法預測準確率比較

從圖2中可以看出，隨著歷史事例數目的增加，CBR方法的預測準確率呈上升趨勢，但上升速度緩慢且相較于I-ABC_SVM方法整體預測準確率較低，主要原因是CBR方法對事例庫規模有一定依賴性，當歷史數目比較少時，由于獲取的有用信息有限，導致預測準確率低；隨著歷史數目的增多，獲取的數據能夠包含更多的有用信息，從而可以通過對預測數據進行更好的指導來提高預測準確率。實驗中，由于事例庫沒有涵蓋預測所需的有效信息導致準確率較低。

而對于I-ABC_SVM方法來說，在不同歷史數據數目情況下均達到了較好的預測效果，體現出了在小樣本預測方面的優良性能；但預測準確率整體呈下降趨勢，主要是由于當歷史數目過多時，I-ABC_SVM會出現過擬合現象，從而導致模型推廣能力降低。由此得出，基于小樣本預測的I-ABC_SVM可以減少對歷史數據的存儲代價，從而在即時預測中表現出了一定的優勢。

5結語

Web服務QoS預測是Web服務選擇和服務組合過程中非常重要的步驟。為了保證Web服務QoS的精確度，本文設計了一種基于改進蜂群算法優化SVM的Web服務QoS動態預測方法，該方法針對傳統蜂群算法存在搜索速度慢、過早收斂、易陷入局部最優的缺陷，利用觀察蜂的免疫選擇機制和偵查蜂的改進逃逸機制來維持種群多樣性，加快收斂速度和精度。實驗結果證明，引入I-ABC的SVM不僅具有更好的魯棒性和收斂性，且取得了優異的預測性能。下一步的工作重點是通過獲取更多的QoS數據集，從而對CBR和SVM方法在即時預測中的特性做更深入的分析。

參考文獻

[1] 張淼淼,李決龍,邢建春,等.基于灰色神經網絡的多Agent服務集成系統服務質量預測[J].南京大學學報(自然科學),2013,49(2):268-277.

[2] Shao Lingshuang,Zhang Jing,Wei Yong,et al.Personalized QoS prediction for Web services via collaborative Filtering[C]//Web Ser-vices,2007.ICWS 2007.IEEE International Conference on.IEEE,2007:439-446.

[3] 邵凌霜,周立,趙俊峰,等.一種Web Service的服務質量預測方法[J].軟件學報,2009,20(8):2062-2072.

[4] Zheng Zibin,Ma Hao,Michael R Lyu,et al.WSRec:A collaborative filtering based Web service recommender system[C]//IEEE International Conference on Web Services,2009:437-444.

[5] Malak J S,Mohsenzadeh M,Seyywdi M.A Web service QoS prediction based on multi agents[C]//International Conference on Computer Technology and Development,2009:265-269.

[6] 劉志中,王志堅,周曉峰,等.基于事例推理的Web服務QoS動態預測研究[J].計算機科學,2011,38(2):119-121,137.

[7] Karaboga D.An idea based on honey bee swarm for numerical optimization,Technical Report-TR06[R].Kayseri: Erciyes University,2005.

[8] 付麗,羅鈞.引入跟蹤搜索和免疫選擇的人工蜂群算法[J].模式識別與人工智能,2013,26(7):688-694.

[9] Yu Xiangyu,Zhu Zucong.A modified artificial bee colony algorithm with its applications in signal processing[J].International Journal of Computer Applications in Technology,2013,47(2-3):297-303.

[10] Adaryani M R,Karami A.Artificial bee colony algorithm for solving multi-objective optimal power flow problem[J].International Journal of Electrical Power & Energy Systems,2013,53(1):219-130.

[11] Xiang Wanli,An Meiqing.An efficient and robust artificial bee colony algorithm for numerical optimization[J].Computers & Operations Research,2013,40(5):1256-1265.

[12] 葛宇,梁靜,王學平,等.求解函數優化問題的改進的人工蜂群算法[J].計算機科學,2013,40(8):252-257.

[13] 鄧乃揚,田英杰.支持向量機理論、算法與拓展[M].北京:科學出版社,2009:87-102.

[14] 吳新杰,張丹,許超.基于支持向量機處理圓度誤差[J].遼寧大學學報(自然科學版),2007,34(3):204-206.

[15] 張穎璐.基于遺傳算法優化支持向量機的網絡流量預測[J].計算機科學,2008,35(5):177-179.

[16] 單黎黎,張宏軍,王杰,等.一種改進粒子群算法的混合核ε-SVM參數優化及應用[J].計算機應用研究,2013,30(6):1636-1639.

[17] 苗志剛,付強.基于灰色支持向量機的城市用水量預測研究[J].計算機仿真,2012,29(8):196-199.

[18] 劉靖旭,蔡懷平,譚躍進.支持向量回歸參數調整的一種啟發式算法[J].系統仿真學報,2007,19(7):1540-1543,1547.

[19] 馬元良,裴生雷.基于改進遺傳算法的SVM參數優化研究[J].計算機仿真,2013,26(7):150-152,193.

[20] 胡云艷,彭敏放,田成來,等.基于粒子群算法優化支持向量機的模擬電路診斷[J].計算機應用研究,2012,29(11):4053-4055.

[21] 劉路,王太勇.基于人工蜂群算法的支持向量機優化[J].天津大學學報,2011,44(9):803-809.

APPLICATION OF SVM MODEL OPTIMISED BY ARTIFICIAL BEE COLONY ALGORITHM IN WEB SERVICE QOS PREDICTION

An JiyuYang YuLiu Zhizhong

(CollegeofComputerSciencesandTechnology,HenanPolytechnicUniversity,Jiaozuo454000,Henan,China)

AbstractThe QoS of Web service has a strong dynamism in the open network environment. In order to improve the accuracy of Web service QoS and provide reliable QoS information for service selection and service combination, this paper proposes a dynamic QoS prediction method which is based on the support vector machine (SVM) optimised by artificial bee colony under the premise of taking into consideration the networks environment of the Web service and the effect of the features of the task to be processed on Web service QoS. The method firstly makes the improvement on artificial bee colony algorithm (I-ABC), presents the immune selection mechanism for onlooker bees and the improved escape mechanism for scout bees. Then, it uses the I-ABC to optimise the parameters of SVM. Finally it uses the optimised SVM to predict the QoS of Web service which is processing some specific tasks. Experimental results show that this QoS prediction method can get higher prediction efficiency and accuracy.

KeywordsImproved artificial bee colonySupport vector machineWeb serviceDynamic quality of service prediction

中圖分類號TP393

文獻標識碼A

DOI:10.3969/j.issn.1000-386x.2016.01.066

收稿日期：2014-06-16。國家自然科學基金面上基金項目(6117 5066)；國家自然科學基金青年基金項目(61300124)；河南省高?？萍紕撔氯瞬庞媱濏椖?2011GGJS-056)；河南省理工大學校博士基金項目；河南理工大學校創新團隊；河南省教育廳科學技術重點研究項目(13B 630034)。安吉宇，副教授，主研領域：服務建模及流程優化。楊瑜，碩士生。劉志中，博士。