文摘
与日益增长的各移动web服务共享平台边缘,有必要评估所有候选人都基于他们的服务质量,减少用户的服务选择成本。然而,由服务提供者发布的服务质量数据不能简单地视为信任由于各种主观或客观的原因,进一步产生一系列严重的trust-aware服务评价问题,包括服务质量数据稀疏和缺乏激励的反馈。针对这一点,我们总结了当前研究领域中存在的具有挑战性的问题值得信赖的移动边缘服务评估。之后,我们检查可信服务评价的研究现状在移动边缘环境和讨论的一个典型应用场景基于信任的服务评价,也就是说,推荐系统,以及各自不同的类别。我们相信这项研究可能有助于协助移动优势平台建立一个受信任的声誉系统为各种智能应用程序驻留在移动平台边缘。
1。介绍
网络结构软件的可信度或web服务是至关重要的建立一个高度信任的移动计算平台边缘(即。,边缘计算在移动设备上)1]。由于固有的开放性和动态性移动边缘环境中,web服务的运行的进程在移动平台边缘往往是受到许多不确定因素的影响,大大降低了服务运行质量的信誉(2]。因此,为保证设备的正常运转,移动edge-based web服务或业务流程、紧急和必要研究credibility-guaranteed web服务的机制。目前,学术界和工业领域进行了初步的探索和研究的主题“信任web服务”(3- - - - - -7),提出了一系列重要的研究课题,如信任web服务的选择,信任协作服务的组合,相信更换服务异常。
Web服务的第一步是选择用户调用Web服务,然后构造复杂的边缘移动应用程序。(在这里,“服务”的范围是非常广泛和全面的。每一件产品都可以提供用户可以被视为一种服务,例如,电影,新闻,博客,商业产品)。与越来越多的成功服务计算技术在e-Economy [8),项目(9),电子政务10),和其他领域,越来越多的web服务是新兴移动边缘环境中相同的功能。因此,在选择web服务时,用户不仅要考虑他们的应用程序需求的功能也更加关注web服务的非功能质量性能,即QoS(服务质量),如响应时间、吞吐率。通过客观的测量和评价每个维度的web服务的QoS特性,用户可以选择一个web服务和最好的质量满足功能需求的许多类似的web服务可用的候选人参加他们的移动edge-based业务执行过程。
然而,由于动态和不可预测的服务运行环境和商业竞争的虚假宣传和恶意欺骗,由服务提供者服务QoS公布的数据并不总是真实的(11- - - - - -14]。这个数据不可信的QoS将干扰用户的正常服务选择过程,导致用户做出错误的决定和判断(如没有可靠的传感器服务QoS引起火灾报警的故障)。他们会破坏服务对象之间的公平、合理的竞争秩序。因此,寻找更加真实和可靠的QoS来源数据替换不可信的服务提供者发布的是移动边缘用户的关键。
在本文中,我们关注问题和挑战现有领域的可信服务在移动边缘计算评价。具体地说,本文的其余部分安排如下:在部分2搜索的挑战和问题,我们总结当前信任服务评价基于历史服务质量记录。随后,节3,我们回顾当前的研究文献从两个方面:主观用户评分和客观QoS记录。节4未来,我们讨论一个可信的服务质量信息的应用程序模式,也就是说,推荐系统在移动计算边缘。最后,在节5,我们总结本文并分析改善在未来的工作方向。
2。研究挑战
在移动计算环境中,用户往往会留下记录调用web服务后,如主观用户评级(例如,常见的评级“1星”“五星级”)或客观的QoS记录(web服务的质量信息在这个调用的执行,例如,一个web服务的响应时间是2秒)。调用记录更多真正反映了web服务在过去的质量;因此,它成为了一个最可靠的依据测量的真实质量移动边缘环境中web服务。目前,学术界广泛使用web服务的调用历史记录来评估和选择web服务的服务质量来克服这个缺陷不可靠的QoS服务提供者发布的数据在传统方法(15- - - - - -18]。然而,这“web服务选择方法调用基于历史记录在移动边缘环境”仍面临着许多需要解决的问题,信任。
2.1。激励和稀疏的用户评分的预处理
首先,由于缺乏有效的激励机制,用户没有积极性高评级后,调用web服务。因此,web服务是稀疏的用户评分移动边缘环境(19,20.),这大大减少了评估的可行性和准确性web服务的web服务通过用户评价质量。其次,确保用户评分的真实性,恶意评价不好的用户(如故意欺诈和恶意勾结服务提供者和用户)应该识别和惩罚。然而,当用户评级非常稀疏,的影响恶意评级基于统计的识别方法的传统观念是不好的21,22]。而且,通过掺杂主观偏好的用户,web服务用户评级不是无偏估计量的质量服务,所以你需要确定和相对地正确的主观偏好在用户评级。然而,传统的,首选评级基于统计的识别方法想法需要大量的已知的用户评分数据,这是不适合非常稀疏的用户评级。
通常,我们把情况反馈是非常稀疏的本身问题,这常常使可信服务评价不可行。移动边缘环境中固有的弊病,许多研究者把他们的注意力转向减轻预热将更好的服务选择的问题。王等人。23)将用户的信任评估投入使用,将信任关系与评级记录实现健壮的服务选择。王等人。24)采用metalearning嵌入合奏(ML2E)算法进行更准确的评估新服务。然而,上述研究并不能从根本上解决本身的问题,这需要进一步研究。
2.2。保护和QoS的评价记录
首先,生成的QoS记录用户在调用web服务也是一种私有数据。因此,对于隐私保护,用户不愿意披露QoS监测记录(25,26],它强化了稀疏的QoS记录在移动边缘环境和减少评估的可行性和准确性的质量通过web服务的QoS记录web服务。其次,一些web服务的QoS性质不是完全独立的,而是相互关联(27,28]。然而,现有的web服务评价方法(如常用的加权方法)不考虑这样的属性相关性,从而降低服务质量的评价结果的准确性。此外,一些web服务(如移动边缘服务)延长了运行周期(如运行了一个星期),和他们的服务质量在运行周期中不断波动。因此,一些QoS记录这种类型的web服务不仅仅是固定值(质量分)但质量曲线波动随时间(29日]。然而,现有的web服务评价方法不考虑这种特殊形式的QoS记录。因此,很容易导致服务质量评价的片面和不完备,从而减少服务评价结果的准确性。
2.3。重量分配调用历史记录
可能有多个web服务调用历史记录更频繁地使用(30.(即。,multiple user ratings, or multiple QoS records, or a combination of user ratings and QoS records). For the multiple invocation records (such as ratings and rating scores, etc.), the context information (such as invocation time and network environment) are probably distinctive. Thus, multiple invocation records for the same web service are not exactly the same for evaluating and forecasting the web service quality. In addition, for different candidate web services, the number of invocation records (i.e., user ratings or QoS records) also varies. To a certain extent, this will also affect the degree of trust of mobile edge users in web service quality. Therefore, treating all invocation records of all candidate web services equally will result in inaccurate web service selection results.
总之,在移动计算环境中,与web服务的日益加剧的竞争和不断变化的服务操作环境,QoS服务提供者发布的数据可能不是真正的和可靠的。因此,预测未来质量基于历史的一个web服务调用记录是一个有效的方法来实现可信服务选择。然而,由于用户评分的稀疏,QoS记录的多样性(如不同的隐私需求,不同属性关联,和多样化的记录形式),并调用不同的记录,目前的选择调用web服务基于历史记录在移动边缘环境”仍然面临许多信任问题,迫切需要解决。因此,我们开展的研究“可信服务选择调用基于历史记录在移动边缘环境”基于以前的成就。最终研究目标是提供真实可靠的服务质量参考数据为移动边缘用户的web服务选择,然后提供必要的理论和技术支持,高可靠的网络软件平台的开发和维护,当QoS服务提供者发布的数据是不可信的。
3所示。研究评论
目前,学术界作出了积极探索和研究的主题“web服务选择调用基于历史记录下移动边缘环境”,并取得了许多阶段性科研成果。以下从两个方面总结了现有的研究成果:主观用户评分和客观QoS记录(提到文学的主题分布和时间分布数据所示1和2)。
3.1。主观用户评级
从四个方面总结(简要介绍了在桌子上1):反馈激励用户评级,识别和惩罚恶意评价,识别和修正偏好评级,和重量分配用户评级。
3.1.1。反馈用户评级的激励
为了从根本上解决用户评级的稀疏,应该设计一个有效的激励机制来提高用户的反馈评级的热情。李等人。16)计算每个用户的“推荐信”,推荐信任和用户提供高为主得到高度重视鼓励用户给予积极的和可靠的反馈评级。根据前面的评级数据的用户,Yu et al。32)计算的可信度评级。用户提供高可信度将优先获得优质服务的建议来提高用户的评级的热情。然而,上述激励机制的激励基础相对单一,没有治疗的方法重复评级。因此,激励效果相对有限,不能有效降低用户评级边缘移动环境下的稀疏。
3.1.2。识别和惩罚恶意评价
恶意评价不好的用户将带来极大的破坏和干扰的信任系统移动平台边缘。马利克等人发现了可能的恶意评价(21)通过比较评级差异一个用户、一组用户相同的web服务。他使用的方法分析大量用户评分的分布找到可能的错误和恶意评价。王等人发现恶意评价(31日)通过比较正常的反馈水平和平均采样反馈水平的步骤。其他恶意评级基于模式识别方法包括识别方法分析(33)和识别方法基于用户注册信息(34]。然而,提及识别方法针对恶意评级主要是依靠大量的用户评分数据。因此,当用户评级非常稀疏,效果并不令人满意。此外,Web服务运行在不同的时间不同的,在不同的环境中,所以不同的用户可能有不同的评级相同的Web服务。然而,上述方法无法区分这些正常的差异,很容易“误判”真正的用户评分。
更重要的是,为了鼓励用户给真实的反馈,有必要给惩罚恶意用户评级从不良。Witkowski等人设计了一个惩罚方法(35基于服务价格。张等人惩罚坏的用户提供恶意评价(36)通过减少不良用户的信任和关注。上面的惩罚方法考虑“好处”和“风险”的恶意评级坏用户,分别。然而,惩罚基础相对比较单一,不能适应复杂的web服务信任系统。
3.1.3。识别和修正偏好评级
识别隐性主观偏好在用户评级有利于客观、准确的web服务的质量评估。根据用户服务质量的敏感程度,李等人发现,用户可分为宽容和僵化的用户。他们讨论的评级规则两种类型的用户:一个是积极的,另一个是消极的(16]。马利克和Bouguettaya显示积极的用户评级分布被描述为j形(21]。
3.1.4。通过统计分析
为了最小化的负面影响偏好等级评估服务,我们需要做反向修正的优先等级。根据用户反馈之间的排名和用户上下文信息,王等人计算当前用户的虚拟评级和虚拟评级的冲突和实际评级,然后反向修正用户提供大型冲突(31日]。然而,上述方法识别和修正偏好评级主要取决于许多用户评分数据。当用户评级非常稀疏,效果不会很漂亮。
3.1.5。用户评级的重量分配
准确地评估一个web服务的真实质量,有必要为其用户评级分配不同的权重。金等。7)之间的相关性研究评级,评级的重量。胡锦涛等人使用用户评级得分大小作为设计基础的加权评级削弱负面影响积极的用户评分的客观评价。
此外,用户的信誉评级也会影响用户评级服务质量评价的贡献。刘等人分析了用户的信誉和评级的体重之间的关系(15]。然而,上述文献更侧重于定性分析各种影响因素的评级重量,缺乏定量的理论分析和数据支持,从而导致无法有效地支持web服务的质量评估基于多重速率的加权聚合。
3.2。客观的QoS记录
它总结了QoS记录(简要介绍了隐私保护的表2),QoS相关性、服务评价基于QoS的记录,和重量分布的QoS记录。
3.2.1之上。隐私保护的QoS记录
为了保护隐私信息的QoS记录,Razaque et al。37)合并QoS隐私的合同SLA(服务QoS通过机密隐私数据的隐私保护。
3.2.2。合同
Zhang et al。41王),et al。43],Khazbak et al。44]讨论了可能的隐私泄露问题在各个领域。例如,作者介绍了隐私暴露当前各种分享经济服务中存在的问题和挑战,包括骑自行车位置隐私。换句话说,当人们在享受方便的自行车租赁企业提供的服务,他们通常面对隐藏和不安全的隐私问题,因为传感器和GPS模块嵌入到自行车将实时监控和收集用户位置信息在任何时间和任何地方。此外,孟et al。38和王et al。39,40)缓解QoS记录传播的隐私泄露问题的分布式计算平台。然而,上述文献只研究QoS的隐私保护记录从一个更高的层次和角度,缺乏具体的解决方案。因此,隐私保护的影响相对有限,不能有效地消除用户的QoS隐私泄露的担忧。
3.2.3。QoS性质的相关性
Web服务的QoS性质的一部分不是完全独立的,而是相关的。罗和其他人之间的关系建模QoS属性通过服务相关模型BSCM [27]。他们分析了反向不同的QoS属性之间的关系。钟山等人利用TOPSIS方法在多目标优化降维针对多维和相关的web服务的QoS属性(28]。在某种程度上,它削弱了QoS性质的相关性对服务质量评价的负面影响。然而,上述文献侧重于建模和定性描述的QoS性质相关性,缺乏量化相关性计算。许多QoS记录需要支持属性相关性的计算,但适用范围窄。此外,上述文献没有讨论不同QoS特性之间的非线性相关的web服务,这进一步降低了它的应用范围。
3.2.4。基于QoS的服务评价记录
后生成web服务的QoS记录后引起,信任web服务可以被评估,选择和组合。张等人使用web服务的历史记录来预测未来使用者的需求和适当的建议做出决定41]。钟等。28)使用web服务的QoS记录web服务通过multiquality评估选择最好的。马利克et al。21)确定web服务的质量信誉通过比较SLA web服务QoS记录其承诺的质量水平。然而,上述文献所有假设web服务QoS记录是一个简单的固定值(即。,the quality point), the diversity of QoS record is not considered under the mobile edge environment (i.e., quality, quality curve) and their integration problem. Therefore, it is likely to cause the partial and incomplete problem of service quality evaluation, thus reducing the accuracy of the service evaluation results.
3.2.5。QoS记录的重量分布
为了更准确地评估一个web服务的真正的品质,不同的权重应该分配给每个QoS记录web服务。李等人分析了QoS记录时间和体重之间的关系(42]。目前,在这方面有一些研究,不能有效支持web服务质量评估基于加权聚合multi-QoS记录。可以找到其他类似的工作在10,45- - - - - -47),multiple-dimensional权重问题用不同的方法进行了研究。
4所示。未来发展方向:服务质量的建议
通过利用现有的和已知的web服务质量数据(包括客观QoS记录和主观用户评级),我们可以执行为潜在用户个性化服务的建议。本节讨论的一个研究方向使用服务质量信息:推荐系统。一般来说,研究领域可分为以下六大类。
4.1。基于内容的推荐系统
服务内容主要是关于“什么”的细节服务执行的用户涉及或讨论。例如,用户看一部电影叫《罗马假日》的女演员奥黛丽·赫本和电影流派就是爱。然后,根据基于内容的推荐理论,在不久的将来,用户将推荐的电影女演员奥黛丽·赫本的类型就是爱。换句话说,基于内容的推荐只考虑服务的内容中包含的信息由用户执行,没有涉及其他人。
基于内容的推荐理论的优点是,它不需要考虑别人的信息。相反,它只需要了解目标用户的历史上执行服务信息。因此,如果服务执行历史数据很少或稀疏,基于内容的推荐是一种很有前途的解决方案来缓解稀疏数据或预热将推荐的问题。
4.2。基于知识的推荐系统
知识通常是在各种关键信息来源家中智能或智能应用程序,如赌博、象棋和数学推理。同样,在推荐系统中,知识也起着至关重要的作用在输出一组高质量的推荐项目。例如,如果电视说今天会下雨,你会建议带把伞当你打算出门,雨之间有一个明显的知识和一把雨伞。除了上面提到的明显的知识,还有各种隐藏的和隐含的知识。例如,如果爱丽丝搭出租车去医院2:00点。有一个隐性知识,爱丽丝很不舒服。这样的隐性知识也更有助于提高用户满意度明显的知识是缺席时的决策过程。
通常情况下,知识图(公斤)提供了一个有前途的方式服务建议,把人的注意力吸引到该领域的研究人员基于知识的推荐系统。Zhang et al。48)协同过滤的问题作为一个知识建模图链接预测和建议。然而,这项研究没有考虑隐私保护。鉴于这一点,于et al。49)采用拉普拉斯算子噪声优化建议过程基于公斤。然而,上述文献仅利用单一关系构建公斤框架,在实践中难以涵盖多个关系。为了解决这个问题,史等。50)提出了多维知识推荐电子学习者个性化学习路径图框架。总之,知识推荐的优势在于它是精确和准确的知识可以捕获用户的偏好,而缺点是知识往往不容易捕捉,有时是隐藏在数据和隐含的足够了。
4.3。关联规则的推荐系统
关联规则是有价值的信息包含在不同的数据维度之间的相关性。从大数据中提取关联规则意味着隐藏的知识,可以用来减少使定向信息。例如,我们可以推断或预测未来猪肉价格在一定时期内通过分析用户评论、博客和总结记录在网络上,因为猪肉价格之间的关联规则和网络信息。这样,通过关联规则,我们可以减少沉重负担频繁的经济统计数据的活动。
协会的优势基于规则的建议,大数据的关联规则挖掘,可以准确反映所涉及的不同的东西之间的相关关系。缺点是关联规则我通常很难获得,特别是当可用数据挖掘是稀疏的。
4.4。协同推荐系统
协作推荐是最可以理解的推荐方式之一,被广泛应用在各种工业领域。协作推荐的基本思想是通过相似度计算。例如,如果爱丽丝是一个类似的朋友汤姆,我们可以喜欢爱丽丝的东西推荐给汤姆,反之亦然,这是用户开始推荐系统的基本思想。另一个例子是,如果用户喜欢可口可乐,我们可以推荐百事可乐,可口可乐和百事可乐是类似的饮料在某种程度上,这是一项开始推荐系统的基本思想。因此,通过计算各种相似值,我们可以向用户提出相应的建议。
这个建议的方式的优点是很容易理解,可以应用于各个领域。缺点是无法在交付一个快速反应的相似度计算是计算密集型和耗时。因此,它不太适合大数据应用环境中,需要快速反应。
4.5。Demography-Based推荐系统
人口统计学包含各种有用的信息,描述了用户的配置文件,如用户的年龄、工资、性别、教育程度、工作职位。这些个人信息共同构成用户的个性化配置文件,因此,可以预测用户首选项。例如,一个教授在大学很容易购买与教育相关的工具;一个有钱人经常买一些奢侈品。
背后的基本原理demography-based推荐系统很容易解释,这是这一建议的主要优势。相反,缺点是它不能捕获用户偏好准确、动态、用户偏好往往与时间变量和不固定。因此,它通常只使用不当的人口统计学信息成功的推荐系统。
4.6。混合推荐系统
如果一个推荐系统结合了多个推荐技术,它被称为混合推荐系统。一般来说,任何成功的推荐系统是混合动力车,如亚马逊,阿里巴巴和eBay混合推荐系统可以整合所有相关推荐方式的优点。因此,混合推荐系统可以带来更好的用户体验和满意度。
5。结论
可信的服务评价基于历史服务质量记录是一个移动的关键优势平台,构建一个可靠的服务信誉系统。然而,由于动态服务执行上下文和恶意的商业竞争,由服务提供者的QoS公布的数据往往是不可信的,特别是对于一个新人的移动平台边缘。鉴于这个缺点,我们回顾当前文学的可信服务评价移动边缘计算和分析具有挑战性的领域中存在的问题。作为一个有前途的扩展,我们讨论的一个杀手级应用程序可信服务评价:推荐系统。我们相信这项研究可能有助于帮助移动优势平台建立一个受信任的声誉系统以协助成功部署各种服务相关的智能应用程序。
在移动计算环境中,数据不同的移动设备或终端边缘之间的协作是不可避免的51- - - - - -59]。因此,如何保障用户隐私(包括隐私度量),同时保证其他冲突表现在服务的评价是一个开放的研究问题需要深入研究。此外,计算过载是正常的在大数据环境(60- - - - - -66年]。因此,如何有效地减轻繁重的计算任务或工作高峰时段仍然需要具有挑战性的工作。
数据可用性
本研究是一个评论文章,所以没有数据是可用的。
的利益冲突
作者声明没有利益冲突有关提交,和提交的手稿没有其他期刊或会议审议。