基于WebService服务质量预测建模摘要随着计算机技术的快速发展，网络上出现越来越多的Web服务，伴随而来的结果就是大量功能相同或相似的Web服务的涌现，这给用户服务的选择制造了一个难题，因而在功能选择的前提下基于服务质量来选择Web服务成为一种趋势。为了帮助用户动态择出最能满足用户需求的Web服务，本文提出一个基于WebService服务质量的预测建模，通过动态的预测Web服务下一阶段服务质量来帮助用户选择最优服务。关键词Web服务；QoS预测；建模中图分类号TP39文献标识码A文章编号1674-6708(2012)78-0193-021背景随着Web服务的发展，Web服务技术已从最初的理论实验阶段逐步走向了大规模的商业应用阶段(如亚马逊，微软等公司)，这样的结果就是网络上出现了大量功能相同或相似的Web服务。而这些类似的Web服务，往往具有不同的诸如稳定性、响应时间、可靠性等非功能性属性。这也使得我们在选择这些Web服务时，就必须考虑他们的非功能性属性,即服务质量(QoS,QualityofService)o用户在面对网络上海量的Web服务，特别是面对这些功能上相同或相似的候选服务时，如何动态地选择出最能满足用户需求的服务已经成为Web服务发现与选择以及组合领域中的一个核心问题。面对动态最优服务选择问题，在功能匹配前提上，考虑Web服务的服务质量是一个行之有效的解决途径。我们根据Web服务质量来动态选择服务时，就必须对Web服务的服务质量进行准确的评估预测。我们知道，互联网具有不稳定性、网络延时，抖动等特性，因而Web服务的服务质量是动态变化的。现提出的一些Web服务质量评估方法在服务质量评估过程中没有充分考虑服务质量的动态变化，没有建立一个比较合适合对服务质量进行动态评估的评估机制，不能达到对服务的表现进行准确预测的效果。为了克服这一局限性，本文提出了一种利用遗传算法优化的BP神经网络对服务质量进行动态预测的评估方法。在此强调一下，本文中提出的预测评估是对服务质量中反映服务表现的动态客观属性(如响应时间，可靠性，可用性等)进行预测。2WebService服务质量预测模型2.1服务质量预测模型介绍BP(BackPropagation)网络是由Rumelhart和Mc-Celland为首的科学家小组于1986年提出的一种神经网络算法，具有信号向前传递，误差反向传播的特性。利用该特性结合使用大量的训练数据训练网络，即得到一个具有最优权值和阈值的神经网络。遗传算法是由J.Holland教授于1975年首先提出来的一种神经网络算法。它的最大特征就是模拟达尔文进化论的自然选择和遗传学机理，实现“优胜劣汰，适者生存”，从而得到优解。遗传算法的核心就是把“优胜劣汰，适者生存”的进化论理论应用到算法里面的具体参数当中。它将初始的群体进行编码，个体之间进行交叉和变异操作，然后按照适应度函数对群体中的个体进行筛选，实现优胜劣汰。本文提出的预测模型就是遗传算法优化BP神经网络的预测模型。遗传算法优化的BP神经网络总体可以分为三步:第一步，利用BP神经网络来确定网络结构，确切来说是根据拟合函数的输入输出参数个数来确定BP神经网络结构，从而确定遗传算法中个体的编码长度；第二步，利用遗传算法来优化神经网络，即使用遗传算法来不断优化BP神经网络的权值和阈值，我们在编码时设置种群中的每个个体都包含了一个网络中所有的权值和阈值，个体通过适应度函数计算个体适应度值，遗传算法通过选择，交叉和编译操作找到最优适应度值的个体；最后是用前面得到的最优BP神经网络来做Web服务服务质量预测，以Web服务的历史QoS数据作为神经网络的输入，经过网络的计算得到我们所需的QoS预测值，为Web服务的选择提供依据。遗传算法优化BP神经网络算法流程如图1所示。2.2仿真实验为了验证本文提出的WebService服务质量预测算法，我们将采用由ZibinZheng和MichaelR.Lyu提供的WS-DREAMdataset,这些数据是由他们以调研大量现实WebService为基础采集而得，在Web服务QoS领域具有很大的说服力与权威性。我们将采用数据集中的响应时间(responsetime)来做本次仿真实验。在实验中，我们取dataset中id为1992的WebSer-vice的响应时间实验数据,BP神经网络结构为：输入层2个节点，隐含层5个节点，输出层1个节...