上下文感知移动云计算环境的云服务选择模型

文摘

移动云计算(MCC)近年来引起了广泛关注。MCC的患病率,如何选择值得信赖的和高质量的移动云服务成为最紧迫的问题之一。因此,本文关注的是值得信赖的服务选择和建议在移动云计算环境中。我们提出一个新颖的服务选择和推荐模型(SSRM),在用户相似性计算基于用户上下文信息和兴趣。此外,服务之间的关联度计算基于PropFlow算法,我们利用它来改善搜索结果排名的准确性。SSRM支持云服务的个性化和可信的选择考虑到移动用户的信任的期望。ns3模拟器上进行了仿真实验研究的预测性能SSRM相比其他两种传统方法。实验结果显示SSRM的有效性。

1。介绍

移动云计算(MCC)是一种新的计算模式,云计算(CC)是集成到移动计算环境。新的计算模式突破资源限制的移动终端通过移动数据处理和存储从移动设备通过无线网络云服务平台。丰富的移动应用程序可以很容易地创建和访问基于web浏览器的移动设备(1]。世纪挑战集团的架构如图所示1。互联网内容提供商在图1把视频信息、游戏和新闻资源在适当的数据中心为用户提供更加丰富和有效的内容服务。移动用户使用无线连接来访问公共云在互联网上的数据中心。数据中心的公共云分布在不同的位置,为用户提供弹性、可伸缩的计算和存储服务。此外,一些手机用户更高的隐私保护需求,降低网络延迟,能源消耗可以通过局域网连接到薄云。薄云位于网络的边缘是一个mobility-enhanced小规模的云数据中心,扩展云计算基础设施(2]。

MCC来自云计算;因此,继承了云计算的优势,如动态移动应用程序的发展,资源的可伸缩性、多用户共享,和多服务集成。但是,除此以外,它还包括资源限制,一些问题弱电池强度、用户移动性和低网络覆盖。与MCC的流行,越来越多的互联网用户通过无线移动设备使用云计算服务接口(例如,GPRS / 3 g / WiFi)。如图1,出口有丰富的功能类似的云不同的云服务提供商提供的服务。因此,如何选择合适的云服务对于移动用户成为最紧迫的问题之一。

解决云服务选择的问题和建议,研究人员做了很多著名的作品在云计算文献[3- - - - - -7]。现有方法的最主要取决于服务质量(QoS)排名来选择最优的云服务的功能上等价的云服务。服务质量(QoS)通常描述了云服务的非功能性能。QoS的云服务提供有价值的信息,帮助决策值(3]。

这里的挑战是推荐一个最优移动云服务基于动态QoS属性。在真实的应用程序中,QoS在MCC是指动态的QoS属性(丢包率、端到端吞吐量、延迟等),受影响的用户上下文信息(8]。上下文信息包括位置、时间、资源能力(处理能力、内存或电池容量),带宽,和状态(在线或离线)。例如,有限的带宽和资源能力可以使QoS属性的值降低。当然,消费者希望选择丰富的候选人中最值得信赖的云服务通过考虑动态上下文信息在多个时期。然而,为云计算做的工作很少关注调查用户上下文信息服务选择的影响。用户移动性MCC可能导致用户上下文信息的动态变化。移动用户的选择结果可能会有所不同根据用户上下文信息的变化。因此,用户上下文信息中扮演一个重要角色在设计这样的选择和推荐算法。

此外,现有的方法总是以为云服务是独立的,忽略了一个事实,那就是云服务之间的关系对推荐结果的准确性有着重要的影响。相关的服务将由同一用户可能选择基于直觉(9]。例如,在旅游服务场景中,用户购买机票服务可能更愿意在未来购买汽车租赁服务。

攻击这个关键的挑战,预计MCC的算法不仅满足用户所需的服务水平,也适应用户上下文信息的动态变化。在本文中,我们利用基于用户的协同过滤方法提出一种新颖的环境敏感服务选择和推荐模型(SSRM),并结合用户上下文信息,用户兴趣,历史服务使用经验(QoS价值或客户评级)的云服务和云服务之间的关系对云服务。协同过滤技术(10]领域的在线推荐系统为我们提供有力的理论基础来解决服务选择和推荐的问题。最近,他们已经成功地应用于预测失踪的QoS云计算的价值。协同过滤技术分为基于用户的协同过滤方法,基于项目协同过滤方法,及其融合方法。此外,SSRM只选择值得信赖的移动云服务的移动用户的候选人。不同的用户有不同的信任需求,因此要求个性化的服务选择和推荐方法不同的用户(3]。支持云服务的个性化选择,SSRM考虑移动用户的信任期望通过使用信任阈值。

SSRM内,有几个模块。图2SSRM显示了系统架构,支持云服务的个性化的选择和推荐。

用户请求服务选择和推荐叫做目标用户模型中。服务使用一个用户提供历史经验被称为用户培训。我们的目标是让服务排名结果SSRM通过预测失踪的服务为目标用户使用体验。SSRM包括以下关键步骤:

步骤1。目标用户请求服务选择和推荐。

步骤2。用户相似性计算目标用户和培训用户基于上下文相似度和用户兴趣相似。

步骤3。基于相似的价值观,一组类似的用户标识。

步骤4。基本服务排名结果获得通过过去的优势服务使用经历相似的用户。

第5步。云服务之间的关系程度评估。通过利用关系程度提高排名的结果的准确性,我们成功地获得最终的服务排名结果。

步骤6。SSRM只选择可信移动云服务作为候选人基于信任过滤模块。

步骤7。排名预测结果提供给活跃的用户。

本文的研究任务目标准确地使QoS排名预测,考虑用户上下文信息和云服务之间的关系,根据不同的应用场景的需求。本文以下贡献:(1)本文关注的是值得信赖的服务选择和建议在移动云计算环境中。我们提出一个新颖的服务选择和推荐模型(SSRM),相似性计算是基于用户上下文信息和兴趣。(2)SSRM计算服务基于PropFlow算法之间的关系程度和利用关系程度提高排名的结果的准确性。(3)SSRM支持云服务的个性化和可信的选择考虑到移动用户的信任的期望。(4)ns3模拟器上进行了仿真实验研究的预测性能SSRM相比其他两种传统方法:基于项目CF方法(IBCF)和基于用户的CF方法(UBCF)。实验结果显示SSRM的有效性。

本文组织如下。部分2描述了相关工作。节3,SSRM提出讨论。部分4描述了测试场景和仿真结果。最后,我们的结果,我们总结和新的研究方向5。

2。相关工作

移动云计算(MCC)近年来引起了广泛关注,因为它提供了实时访问实时信息通过移动设备上的应用程序。移动云技术的快速进步已经显著扩张的主要原因这一市场,那里存在丰富的功能类似的云供应商提供的服务包括亚马逊、谷歌,Inc .)、苹果公司和微软公司。市场和市场11)预测,全球移动云计算市场将增长到2019年的超过469亿美元。移动云计算市场的指数增长使得用户选择最适合移动云服务。因此,如何选择值得信赖的和高质量的移动云服务成为最紧迫的问题之一。许多工作已经进行云服务选择问题包括rating-oriented协同过滤方法(4,5[],ranking-oriented协同过滤方法3),和一些其他方法。

Rating-oriented或ranking-oriented协同过滤方法能产生QoS预测或服务使用协同过滤技术排名。Rating-oriented协同过滤方法排云服务的基础上,预测QoS值。QoS提供云服务的非功能属性,包括安全性、可用性、吞吐量和响应时间属性。基于QoS的服务措施,提出了各种方法进行服务选择。锅等。4)提出一个互信云基于QoS的服务选择模型分析。在模型中,信任是用来发现类似的邻居和预测失踪的QoS的价值观。丁等。5)提出一个个性化的云服务选择方法进行体验可用性和相似性值分布测量服务。Rating-oriented协同过滤方法首先预测失踪的QoS值之前QoS排名。rating-oriented方法的目标是尽可能准确预测QoS值。然而,准确的QoS值预测可能不会导致准确QoS排名预测(3]。

与rating-oriented方法相比,ranking-oriented方法直接预测QoS排名。不同于先前ranking-oriented方法,郑et al。3)提出一个全面研究如何为云服务提供准确的QoS级别。尽管ranking-oriented方法可以用来制造云服务选择从一组最优的功能与服务的候选人,这些方法忽略QoS的变化。QoS在MCC可能很大程度上不同,即使是同一类型的移动云服务。QoS MCC的用户上下文信息的影响。rating-oriented的协同过滤方法和ranking-oriented协同过滤方法都可以帮助用户预测失踪QoS值,但是他们并没有考虑在MCC动态QoS属性。

其他类型的服务选择方法也被广泛研究。最使用的方法包括多准则决策分析服务选择(7,12- - - - - -14],reputation-aware服务选择[15),自适应学习系统,服务选择(8,16),经济理论基于模型的服务选择17,18),服务水平协议服务排名(6为服务选择[],可视化框架19),和信任评价中间件云服务选择(20.]。虽然这些方法可以有效地测量服务质量,实现一些方法是费时和昂贵的。

马等。7]提出一种利用区间neutrosophic time-aware服务选择方法。本文选择值得信赖的服务的策略从一个丰富的候选人包括制定time-aware服务选择性能成本之间权衡的问题和潜在风险multicriterion决策(指标)排名问题,创建了一个服务列表使用间隔neutrosophic组(INS)理论。实验结果表明,该方法可以有效工作的风险敏感性服务选择的模式和performance-cost-sensitive服务选择模式,但这种方法忽略了MCC环境中用户上下文信息的变化。

Whaiduzzaman et al。12)识别和合成几个多准则决策分析(MCDA)技术和提供的综合分析技术对于一般读者。此外,本文提出一种分类法源于当前文学的调查。结果表明,MCDA技术确实是有效的,可以用于云服务选择,但不同的技术不选择相同的服务。

摘要(14)提出了一种云服务选择方法,利用服务质量云服务在不同的历史时期和执行并行多准则决策分析排名所有云服务在每个时间段按照用户偏好聚合结果确定前的整体排名对于云服务选择所有可用的选项。这种方法帮助云服务用户选择最好的可用服务根据需求。主要缺点是框架提出了处理服务选择preinteraction时期。工作postinteraction服务迁移决策是必要的,和其他几个重要的因素等的迁移成本服务中断和数据传输方面也需要包含在决策过程中。

风扇等。15)提出一个多维trust-aware云服务选择机制基于证据推理方法聚合多维信任反馈评级形成声誉值的云服务提供商。尽管实验结果表明,这种方法是有效的在云系统,它只能用于推荐最优的云服务,满足用户的QoS要求的关键。

王等人。16)提出一个动态云服务选择方法通过使用一种自适应学习机制,包括激励,忘记,退化函数,可以实现自适应调节优化未来服务选择根据当前服务选择的状态。帮助用户有效地选择他们喜欢的云服务,云服务选择模型给出了采用云服务代理。然而,在纸上券商方案云服务选择通常假定经纪人完全信任,不提供任何保证正确性的服务建议。然后受损或不诚实的经纪人可以很容易地利用有限的客户和提供的功能不正确或不完整的反应。

做et al。17)提出一个动态服务选择方法提供了一个游戏在异构云市场价格。本文研究在一个异构云市场价格竞争,用户可以识别成本效益和云服务应用程序并选择最好的一个通过分析market-relevant因素。但本文只考虑一个服务。在真实的应用程序中,有很多实用的云计算市场的云服务。此外,本文并没有考虑服务水平协议为云用户问题也很重要。

服务选择的可视化框架(19)需要到认知的云服务集匹配用户的请求和基于QoS属性,用户可以通过泡沫图形可视化与结果比较和对比搜索结果确定最好的选择。虽然从实验结果表明,可视化框架简化了决策,使用泡沫图介绍了额外的复杂性为用户在做一个合适的服务选择。

作者(20.]讨论的方法提高服务信任评估和提出一个可信赖的选择云服务框架选择,名叫桁架。针对发展中一个有效的信任评估中间件桁架,本文提出了一个集成的信任评价方法通过结合客观信任评估和主观信任评价。仿真实验验证了该方法的性能,但该方法假定大多数服务用户是诚实和不诚实的用户提供了不公平的评级比公正的评价。这种假设是不现实的。

云计算和移动云计算有很大的不同。移动云注重服务可以通过移动网络运营商(MNOs像Verizon和AT&T)。而大量的研究都集中在云计算服务选择和建议,人们却很少关注致力于移动云计算中值得信赖的服务选择。这些现有的方法不同,我们的工作着重于如何选择值得信赖的和高质量的移动用户在MCC云服务,这是一个迫切需要研究的问题。因此,我们提出了一个上下文感知云服务选择方法对于移动云计算环境,认为用户上下文信息和兴趣来计算用户相似性和利用云服务之间的关系程度提高服务排名结果的准确性。

3所示。SSRM

在本节中,我们提出一个详细的讨论提出了新颖的服务选择和推荐模型(SSRM)。首先,用户相似性计算和基本的个性化服务排名结果获得的部分3所示。1。其次,计算关联度和用于提高排名的结果的准确性3所示。2。

3.1。用户相似度计算

鉴于用户和移动云服务,用户服务矩阵(预测)失踪的服务使用经验来标示 在哪里表达历史服务使用经验(QoS价值或客户评级)的移动云服务由用户 。” ”国家,没有调用然而。为了获得排名的结果,我们首先计算用户相似性。用户相似性测量以下方程: 在哪里和表示两个用户。 和 分别表达上下文相似度和用户兴趣相似性和 。 确定相似性度量的定义依赖于上下文和兴趣。在时间间隔 。

3.1.1。上下文相似度计算

云服务选择用户的上下文(例如,一台笔记本电脑有足够的电池)可能远不同于另一个用户在一个不同的上下文(例如,智能手机没有足够的电量)。因此,云服务的选择可以影响用户上下文。评估目标用户上下文相似性和培训用户,我们提供上下文的定义。的定义(21)是我们所引用。让使用云服务的经验由用户 。

定义1(上下文)。上下文是可以用来描述任何信息的情况下使用经验的云服务是由用户 。
上下文信息有不同的属性,包括位置、资源能力和地位。让上下文属性的类型 。
上下文表示为 在哪里是标准化的属性值。
皮尔逊相关系数(PCC)已经成功地获得了数值之间的距离不同的用户相似性计算(4,5]。让和两个用户;然后PCC应用于计算上下文相似性和在服务通过 在哪里 表示上下文相似性和它的时间间隔 ,和和上下文的平均价值。

3.1.2。兴趣相似度计算

在移动云计算环境中,每个用户的朋友住在一个大的网络被称为社交网络。据报道,用户兴趣的相似可以利用支持服务和产品推荐(22]。用户更愿意选择其他用户推荐的该项目具有相似兴趣的社交网络。探索那些与现有客户高兴趣相似的用户可以有效地扩大客户群体对于云服务提供商(22]。

在这里,我们使用余弦相似性计算兴趣相似,类似于(22]。兴趣相似的用户之间和然后定义为余弦距离各自的云服务调用设置: 在哪里 (是移动云服务的数量已被调用),是移动云服务的数量已coinvoked和 。如果 或 , 是未定义的。

云服务调用是一个重要因素来确定用户的兴趣(5]。例如,用户移动云服务调用吗 , , ,和 , 有调用和 ,和有调用和 。虽然 , ,和不知道彼此在现实世界,和有很高的兴趣相似度比和 ,当他们两个调用和(4]。

3.1.3。得到初始排名结果

我们第一次预测缺失值移动云服务的由用户前初始排名结果。对于每个移动云服务,只有最高类似的培训用户选择缺失值的预测。基于 值,一组顶部-k类似的培训用户在服务确定目标用户通过 在哪里是一组顶部-k类似的培训用户目标用户和 排除了不同用户提供负相似的价值观。的价值 在(6)是计算(2)。缺失值预计如下: 在哪里和是服务使用经验的平均值(QoS价值或客户评级)的移动云服务的用户和 ,分别。不同的QoS属性有不同的维度和范围的值,我们首先保证预测缺失值的范围 。在[5),QoS属性分为两类:“成本”和“效益。”“成本”属性(响应时间),其值越低,用户会选择更大的可能性就越大。SSRM,所有QoS属性视为“好处”属性。规范化缺失值计算如下: 在哪里和表示用户的最小和最大QoS属性值他们受到以下限制:

在的范围 。更大的价值,用户的可能性将满意的服务。最后,云服务排名递减的顺序价值观对于云服务选择,类似于(4]。基本的排名算法是算法所示1。基本的排名算法类似于(3]。相比之下,(3- - - - - -5),在我们的排名算法,用户相似性测量基于用户上下文信息和用户兴趣。此外,基本的排名算法是增强部分3所示。2。在增强的排名算法,我们计算云服务之间的关系程度和利用它来改善搜索结果排名的准确性。

基本算法中采用移动云服务基于观察到的历史服务的使用体验。排名结果存储在的时间间隔 。一个更小的值显示更高的排名。表达了一个移动云服务。对于每个云服务 ,归一化值计算。从高到低排名的服务服务最大的价值。

3.2。提高排名结果的准确性

通过计算用户之间的相似关系,缺失值成功地预测节吗3所示。1。然而,云服务之间的关系无疑是一个重要的评价因素的缺失值的预测。相关的服务将由同一用户可能选择基于直觉(9]。因此,我们计算关系程度和利用它来改善缺失值的准确性计算的部分。服务之间的关系程度和服务表示为 。摘要PropFlow [23是用来计算 。PropFlow算法计算服务之间的信息流动,一个更大的值表示更严格的关系。为了计算 ,我们首先描述服务的正式定义关系图。

定义2(服务关系图)。给定一组服务的MCS和完全有序域权重 ,服务关系图是一个加权无向图 。边缘 在一组 编码的链接权重( )之间的服务和服务 。优势描绘了直接联系关系和 。作为是无向, 。
方程(10)展示了如何计算 。 初始输入被认为是1和在哪里的邻居吗 。

图3显示了一个示例的关系程度计算,有六种移动云服务。和间接相关。我们假设开始节点。

四个路径可以到达从 ,但只有两条路径被认为是基于PropFlow的计算算法。他们是 和 。

首先,我们计算 。链接的权重的总和和它的邻居是4。是计算

是计算

用同样的方法,是计算

更详细的计算所示(24]。

接下来,我们假设服务最近由用户调用吗 。 纳入(7),然后,缺失值计算(14在基本的排名算法。最后,最终排名结果

SSRM,我们只选择可信移动云服务作为候选人。因此,一套可信的候选人进行标识通过 在哪里表示移动云服务的可信度和表达了信任阈值由用户决定 。许多现有的方法(4- - - - - -6可以应用于计算 。在这里,如何计算不是要讨论。我们为了简便起见,我们省略细节。

4所示。实验研究

在本节中,为了评估SSRM的有效性,开发一系列的测试场景。研究预测性能,我们比较SSRM与其他两种传统方法:基于项目CF方法(IBCF)和基于用户的CF方法(UBCF)。SSRM、IBCF UBCF rating-oriented方法,对云服务的基础上,预测QoS的价值观。由于没有合适的实际数据支持移动云计算模拟,我们使用ns3模拟器生成实验数据集。首先,我们云服务调用代码生成Axis2 (25),为云服务的一个基于java的开源包。然后我们模拟移动云服务ns3 [26根据调用代码)。ns3、创建服务器,移动用户和服务模型容易与其他网络模拟器。模拟数据集的过程中,实际的web服务QoS数据集从WS-DREAM团队(3)是我们所引用。公开发布的详细真实的QoS值在线(27可再生的),这使得我们的实验评估。我们模拟100移动用户,300年25服务器和服务。两个服务之间的链接权重的值是随机生成的,这是在的范围 。为了开展我们的实验实际,模拟用户上下文信息的变化。三种类型的上下文被认为是包括带宽、内存和电池容量。移动用户的带宽值4 M-8 M的范围。内存和电池容量的值随着时间的推移将会下降。这些值在100000000 - 100000000 MB 2和0.5 KVA。

我们正常的上下文信息 在哪里用户表示归一化背景下的价值在云服务 。反正切函数应用于正常化原始数据 。然后,这些规范化属性值用于计算上下文相似性与(4)。一旦环境模拟完成,目标用户为每个云服务将获得上下文相似度结果。

类似于(3),QoS属性包括吞吐量和响应时间的范围0 - 1000 kbps 0-20第二,分别。大部分的吞吐量和响应时间值介于有些kbps 0.1 - -0.8秒。为了简单的实验过程,200服务QoS记录随机选择和两个100×200用户服务矩阵构造。分别两个矩阵包括吞吐量和响应时间。用户服务矩阵被分成两个部分:训练集(80%历史使用体验矩阵)和测试集(剩下的20%使用经验)。矩阵中的每个条目QoS值(例如,响应时间和吞吐量)观察到的移动云服务的用户。实验采用的QoS值独立响应时间和吞吐量排名服务。表1显示的描述获得实用的云服务QoS的价值观和上下文信息。

我们使用平均绝对误差(MAE)和均方根误差(RMSE)作为指标来评价预测的性能建议的方法与其他方法相比。美和RMSE被定义为 在哪里和分别表示实际的QoS值和预测值。是预测QoS的数量值。小美和RMSE值显示更好的结果。

4.1。的影响

是权重因子(2)。决定了相似性测量依赖于上下文和兴趣。在实验中,我们不同权重因子0.1从0到1的增量。——顶部k设置为5。矩阵密度设置为10%。矩阵密度意味着选择的百分比QoS条目用于预测失踪的QoS的价值。实验结果如图所示4。的价值增加,美首先降低然后迅速增加。当 ,我们的研究结果有最好的价值。如图4 (b)RMSE呈现类似的趋势。

4.2。SSRM性能比较,IBCF, UBCF

比较的性能SSRM、IBCF UBCF相似性计算方法,我们实现IBCF和UBCF方法。

基于项目CF方法(IBCF)。我们PCC应用于计算用户之间的相似性和预测QoS值基于相似用户。用户相似度计算 在哪里是一组移动云服务coinvoked的吗和 。 和平均QoS云服务调用的值吗和 ,分别。

基于用户的CF方法(UBCF)。我们将PCC应用于计算相似性预测服务和QoS值基于类似的服务。相似度计算的服务 在哪里是一组用户调用云服务和 。 和云服务的平均QoS值吗和由 。

在实验中,诚信的云服务没有影响相似度计算和服务决策的实验。为了简化实验过程中,我们考虑所有云服务是值得信赖的。权重因子设置为0.4。我们首先研究邻居的影响大小 。矩阵密度设置为10%。我们改变从5到30的增量5。图5显示了响应时间和吞吐量的实验结果。

如图5SSRM的预测性能优于其他两种方法。IBCF UBCF相似的性能。的值增加,可以实现更好的精度。这表明更相似邻居记录可以提供更多的信息缺失值的预测。然而,当大于25岁的梅和RSME无法下降的价值吗增加。主要原因是数量有限的相似的邻居。观测还表明,RMSE有类似的趋势,但在更大的波动。

接下来,我们探讨矩阵密度的影响。矩阵密度从10%变化到50%,增量的10%。相似的用户规模k这个实验被设置为5。图6显示了响应时间和吞吐量的实验结果。

提出了图6,预测性能也提高矩阵密度增加的价值。主要原因是密度矩阵提供了更多的信息用户服务缺失值的预测。NARM有更好的性能比LBCF UBCF在所有实验设置一致,自NARM考虑上下文相似性和云服务之间的关系程度。LBCF的实验结果和UBCF是相似的在这个实验中,因为这两个相似度计算方法是相似的,都是rating-oriented。

4.3。性能比较与其他流行的方法

研究SSRM的预测性能,我们比较SSRM与三个现有的QoS属性预测方法:CloudRank2 [3],TECSS [4],JV-PCC [5]。

前的大小类似的服务是CF方法的一个重要因素,决定了有多少邻居的历史记录用来生成预测(5]。因此,矩阵密度的影响没有考虑实验。我们设置密度为10%。我们不同从5到30的增量5。为了简化实验过程中,我们考虑所有云服务是值得信赖的。图7显示了响应时间和吞吐量的实验结果。在相同的模拟条件下,SSRM明显优于CloudRank2, TECSS, JV-PCC。观测还表明,更好的精度可以通过我们的模型,当更多的历史记录是可用的服务选择的研究。主要原因是计算上下文相似度可以提高预测的性能评价在MCC环境中。

数据7(一)和7 (b)描绘的美分数SSRM、CloudRank2 TECSS JV-PCC响应时间和吞吐量,而数字7 (c)和7 (d)描绘了RMSE分数。它可以观察到,梅和RMSE SSRM达到小于其它方法对响应时间和吞吐量。

5。结论和未来的

在本文中,我们提出一种新颖的服务选择和推荐模型(SSRM)移动云计算环境。在计算用户相似度,上下文信息和兴趣。通过利用关系程度提高排名的结果的准确性,我们的服务选择和推荐方法成功地获得最终的服务排名结果。此外,SSRM只选择可信移动云服务作为候选人。因此,一套可信的候选人为目标用户识别。实验结果表明,我们的方法大大提高了预测性能相比与其他两种传统方法:基于项目CF方法(IBCF)和基于用户的CF方法(UBCF)。

SSRM有一些缺点。首先,我们利用节点距离计算上下文相似性。在这个开发有一个基本的假设:每两个相邻节点有相同语义距离或粒度的节点在每个级别是相同的。在某些情况下,这种潜在的假设是不正确的,它恶化相似的性能评估。第二,信任阈值用于选择可信移动云服务的候选人。然而,它不能检测和排除恶意QoS值由用户提供。第三,在我们的实验中只有三种类型的上下文信息。

因此,在未来,我们将研究提高上下文相似性度量的方法。我们将研究如何选择最值得信赖的云服务的特定类型的基于多维信任证据的活跃用户。我们还会进行更多的实验调查,处理不同的环境变化对服务选择的影响。此外,我们将提高排名的准确性的方法利用额外的技术(结合rating-oriented方法和ranking-oriented方法,矩阵分解,智能优化算法,等等)。

的利益冲突

作者宣称没有利益冲突。

确认

本文的工作已经由中国国家自然科学基金(项目没有。71501156)和中国博士后科学基金会(项目号2014 m560796)和山西省教育部门(项目号15 jk1679)。

引用

1. 白皮书,短暂的移动云计算解决方案,2010年AEPONA。
2. https://en.wikipedia.org/wiki/Cloudlet。
3. z郑,吴x, y, m . r .律和j·王,“云服务QoS排名预测,”IEEE并行和分布式系统,24卷,不。6,1213 - 1222年,2013页。视图:出版商的网站|谷歌学术搜索
4. y, s .丁w .粉丝,j . Li和s .杨“互信云基于QoS的服务选择模型分析,“《公共科学图书馆•综合》,10卷,不。11日文章ID e0143448, 2015。视图:出版商的网站|谷歌学术搜索
5. 美国叮,彭译葶。夏,K.-L。周,S.-L。杨,j·s·商”,通过多属性决策支持个性化云服务选择可信度评估,”《公共科学图书馆•综合》,9卷,不。6篇文章ID e107821 2014。视图:出版商的网站|谷歌学术搜索
6. s . k . Garg s Versteeg, r . Buyya”排名的云计算服务的框架”,未来一代计算机系统卷,29号4、1012 - 1023年,2013页。视图:出版商的网站|谷歌学术搜索
7. h .妈,z, k . Li和h·张,“向值得信赖的云服务选择:time-aware方法使用间隔neutrosophic组,“杂志的并行和分布式计算卷,96年,第94 - 75页,2016年。视图:出版商的网站|谷歌学术搜索
8. a·艾哈迈德和a . s . Sabyasachi”移动云服务选择使用反向传播神经网络,”国际期刊的计算机应用程序,卷129,不。14日,1 - 5,2015页。视图:出版商的网站|谷歌学术搜索
9. l .郭j . Ma Z.-M。陈,H.-R。江”,将项目关系社会的建议,”中国电脑杂志,37卷,不。1,第228 - 219页,2014。视图:出版商的网站|谷歌学术搜索
10. z, b . Wu k .郑x Wang和l . Lei“的调查合作filtering-based推荐系统对于移动互联网应用程序,”IEEE访问4卷,第3287 - 3273页,2016年。视图:出版商的网站|谷歌学术搜索
11. 市场和市场,http://www.marketsandmarkets.com/PressReleases/mobile-cloud.asp。
12. m . Whaiduzzaman a . Gani n . b . Anuar m .设拉子,m . n . Haque i t . Haque,“云服务使用多准则决策分析选择,”科学世界日报文章ID 459375卷,2014年,10页,2014。视图:出版商的网站|谷歌学术搜索
13. k . Tserpes f . Aisopos、d . Kyriazis和t . Varvarigou”服务选择的推荐机制在面向服务的环境中,“未来一代计算机系统,28卷,不。8,1285 - 1294年,2012页。视图:出版商的网站|谷歌学术搜索
14. z Rehman, o·k·侯赛因,f·k·侯赛因,“平行云服务选择和排名基于QoS的历史,”国际期刊的并行编程,42卷,不。5,820 - 852年,2014页。视图:出版商的网站|谷歌学术搜索
15. W.-J。风扇,S.-L。杨,h . Perros, j .贝聿铭“多维trust-aware云服务选择机制基于证据推理方法,”国际期刊的自动化和计算,12卷,不。2、208 - 219年,2015页。视图:出版商的网站|谷歌学术搜索
16. 曹j . x g . Wang, y,“动态云服务选择在多重云计算,使用一种自适应学习机制”《华尔街日报》的系统和软件卷,100年,第210 - 195页,2015年。视图:出版商的网站|谷歌学术搜索
17. c t, n . h . Tran E.-N。嗯,c . s .香港、d . Niyato和z汉,“动态服务选择和提供者在异构云市场定价游戏,”网络和计算机应用》杂志上卷,69年,第165 - 152页,2015年。视图:出版商的网站|谷歌学术搜索
18. r . Pal和p .回族经济模型对云服务市场:价格和容量规划,“理论计算机科学卷,496年,第124 - 113页,2013年。视图:出版商的网站|谷歌学术搜索|MathSciNet
19. a . Ezenwoke o . Daramola, m . Adigun”对服务选择的可视化框架云电子市场,”学报2017年IEEE国际会议上的Web服务(ICWS 17)火奴鲁鲁,页828 - 835年,美国,2017年6月,你好。视图:出版商的网站|谷歌学术搜索
20. m . Tang x戴,j·刘,j .陈”对信任评估中间件云服务选择,”未来一代计算机系统卷,74年,第312 - 302页,2017年。视图:出版商的网站|谷歌学术搜索
21. a·k·戴伊“理解和使用上下文,”个人和无处不在的计算,5卷,不。1,4 - 7,2001页。视图:出版商的网站|谷歌学术搜索
22. 韩x l . Wang s公园。Cuevas和n . Crespi”一样的人,一样的利益?大规模的研究兴趣相似性在社交网络上,“在学报2014年IEEE / ACM国际会议上社交网络分析和挖掘的进步(ASONAM 14)2014年8月,页491 - 496。视图:出版商的网站|谷歌学术搜索
23. r . n . Lichtenwalter j·t·西尔和n v·乔,“链接预测,新的视角和方法”第16届ACM SIGKDD学报》国际会议上知识发现和数据挖掘(KDD ' 10)2010年7月,页243 - 252。视图:出版商的网站|谷歌学术搜索
24. l . Munasinghe和r . Ichise”链接预测在社交网络使用信息流通过主动联系,“IEICE交易信息和系统,E96-D卷,不。7,1495 - 1502年,2013页。视图:出版商的网站|谷歌学术搜索
25. 轴,http://axis.apache.org/axis2。
26. ns3、https://www.nsnam.org/ns3。
27. 数据集,http://www.zibinzheng.com/tpds。

版权

版权©2018徐吴。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。