利用Hawkes過程模型的移動邊緣計算服務(wù)質(zhì)量預(yù)測

李媛媛,付曉東,2,劉 驪,劉利軍,彭 瑋

1(昆明理工大學(xué) 信息工程與自動化學(xué)院,昆明 650500) 2(昆明理工大學(xué) 云南省計算機技術(shù)應(yīng)用重點實驗室,昆明 650500)

1 引 言

為了更好地滿足用戶需求、提高服務(wù)質(zhì)量,傳統(tǒng)的解決方法是利用移動云計算(Mobile Cloud Computing,MCC)技術(shù)[1]為用戶提供計算服務(wù).雖然 MCC 技術(shù)為用戶終端的智能應(yīng)用程序提供了強大的計算能力與存儲能力,但仍存在延遲高等問題,為了解決MCC延遲高等問題,提出一種新的網(wǎng)絡(luò)架構(gòu)概念,即移動邊緣計算[2](Mobile Edge Computing,MEC),MEC技術(shù)讓靠近用戶的網(wǎng)絡(luò)邊緣提供計算、存儲、網(wǎng)絡(luò)、加速、人工智能以及大數(shù)據(jù)處理能力,同時為第三方服務(wù)應(yīng)用提供開放的部署平臺[3],最終實現(xiàn)節(jié)省回傳帶寬、降低業(yè)務(wù)時延的目的,現(xiàn)如今越來越多的服務(wù)可以通過移動邊緣服務(wù)器被調(diào)用[4].

為了提高用戶的滿意度,為用戶提供QoS(Quality of Service)較高的邊緣服務(wù)器變得尤為重要.評價服務(wù)QoS的性能指標有響應(yīng)時間、吞吐量、網(wǎng)絡(luò)帶寬、丟包率等[5],每個指標表示服務(wù)在某一方面的質(zhì)量信息.服務(wù)QoS影響著用戶在移動邊緣計算下訪問服務(wù)的體驗,服務(wù)的非功能屬性,即服務(wù)質(zhì)量,是衡量服務(wù)或邊緣服務(wù)器是否適合用戶的關(guān)鍵標準.因此,移動邊緣計算服務(wù)QoS的預(yù)測成為提高用戶滿意度的基礎(chǔ).目前已經(jīng)有很多致力于服務(wù)QoS預(yù)測的研究,傳統(tǒng)的服務(wù)QoS預(yù)測研究是針對單個服務(wù),為用戶選出功能相近、響應(yīng)時間較短、吞吐量較高等特性的服務(wù)供用戶選擇使用,然而用戶的移動性導(dǎo)致用戶使用的邊緣服務(wù)器經(jīng)常發(fā)生改變,導(dǎo)致傳統(tǒng)的預(yù)測結(jié)果出現(xiàn)較大的偏差.為了解決用戶移動性的問題,已經(jīng)有許多基于移動邊緣計算環(huán)境下的服務(wù)QoS預(yù)測研究,主要方法有基于協(xié)同過濾[6-8](Collaborative Filtering,CF)和基于矩陣分解[9](Matrix Factorization,MF).這些在移動邊緣計算環(huán)境下的QoS預(yù)測方法都是根據(jù)已有的響應(yīng)時間或吞吐量等指標進行預(yù)測,然而隨著時間的變化,邊緣服務(wù)器的QoS也會改變.為了使預(yù)測結(jié)果更加準確,目標用戶的相似用戶QoS在預(yù)測中具有重要作用,相似用戶歷史訪問該邊緣服務(wù)器的QoS高,對當前用戶訪問該邊緣服務(wù)器有激勵作用,并且使用該邊緣服務(wù)器QoS高的用戶越多,起到的激勵作用也會隨之累加.

為考慮激勵作用提高QoS預(yù)測結(jié)果準確性,本文提出基于Hawkes過程模型[10]的邊緣計算服務(wù)QoS預(yù)測方法.Hawkes過程模型是一種特殊的線性自激模型,它認為以往時刻發(fā)生的事件對當前時間發(fā)生該事件有激勵作用,并且歷史事件的影響以累加的形式進行疊加[11],從而考慮了歷史相似用戶產(chǎn)生的激勵作用對服務(wù)QoS的影響,提高預(yù)測結(jié)果的準確性.

2 相關(guān)工作

近幾年,國內(nèi)外學(xué)者對服務(wù)QoS預(yù)測展開了一系列的研究,傳統(tǒng)的服務(wù)QoS預(yù)測方法沒有考慮到用戶的移動性導(dǎo)致用戶使用的邊緣服務(wù)器發(fā)生變化的問題,導(dǎo)致傳統(tǒng)的預(yù)測方法結(jié)果存在偏差[12],針對這一問題,已經(jīng)有許多基于移動環(huán)境中的邊緣服務(wù)QoS預(yù)測研究,目前的預(yù)測研究主要有基于協(xié)同過濾、基于模型和基于矩陣分解的方法.

基于協(xié)同過濾的方法又分為基于用戶的協(xié)同過濾、基于服務(wù)的協(xié)同過濾、基于邊緣服務(wù)器的協(xié)同過濾等.文獻[13]提出基于用戶的協(xié)同過濾是將用戶的相似度用皮爾遜相關(guān)系數(shù)(Pearson Correlation Coefficient,PCC)度量,利用相似用戶使用目標服務(wù)的QoS值對目標用戶使用目標服務(wù)的QoS進行預(yù)測;文獻[14]提出基于服務(wù)的協(xié)同過濾是將服務(wù)的相似度用PCC度量,利用當前用戶對與目標服務(wù)相似的服務(wù)的調(diào)用QoS值進行預(yù)測;文獻[15]結(jié)合了用戶和服務(wù)的相似性對當前用戶調(diào)用目標服務(wù)的QoS進行預(yù)測;文獻[16]提出基于邊緣服務(wù)器的協(xié)同過濾是將邊緣服務(wù)器的相似度用PCC度量的同時,結(jié)合用戶和服務(wù)的相似性對當前用戶使用目標服務(wù)進行預(yù)測;文獻[17]將用戶評分的均值差考慮到用戶相似度的計算中,基于改進后的用戶相似性提出了一種協(xié)同過濾推薦算法;文獻[18]考慮位置信息對用戶和服務(wù)聚類,基于聚類結(jié)果對 QoS 進行預(yù)測.

基于模型的方法是通過歷史服務(wù)QoS數(shù)據(jù)學(xué)習(xí)QoS的計算模式,用學(xué)習(xí)的模式進行建模后用來預(yù)測.文獻[19]基于QoS矩陣是低秩的假設(shè)提出了基范數(shù)正則化的矩陣分解方法對未知服務(wù)QoS進行預(yù)測;文獻[20]提出了基于矩陣分解的非負張量分解方法對未知服務(wù)QoS進行預(yù)測;文獻[21]提出了基于協(xié)同過濾的SVM4SR方法對未知服務(wù)的評分排序進行預(yù)測,用來做服務(wù)推薦.基于模型的預(yù)測方法在考慮預(yù)測準確度的同時,還需要考慮模型的復(fù)雜度,模型過于簡單時預(yù)測的準確性有所降低,預(yù)測的準確性提高后,模型變得過于復(fù)雜[22].

基于矩陣分解的方法是把原來的大矩陣,近似分解成兩個小矩陣的乘積,實際推薦計算時不再使用大矩陣,而是使用分解得到的兩個小矩陣.矩陣分解化后的模型訓(xùn)練完是靜態(tài)的,無法對更新做出靈活的改變,而更新在現(xiàn)實情境下十分常見的,比如用戶進行了移動,那么對于用戶使用移動邊緣服務(wù)器的預(yù)測就會出現(xiàn)準確率降低的情況,這就要求模型能較好地反映出這些變化.

上述研究雖然在一定程度上優(yōu)化了移動邊緣服務(wù)環(huán)境下對服務(wù)QoS的預(yù)測結(jié)果,但是都沒有考慮到相似用戶歷史訪問該邊緣服務(wù)器的QoS高,對當前用戶訪問該邊緣服務(wù)器有激勵作用,針對此問題,本文提出了基于Hawkes過程模型的邊緣服務(wù)QoS預(yù)測方法,該方法充分考慮了相似用戶歷史時刻使用該邊緣服務(wù)器對于QoS預(yù)測的影響,保證了模型不過于復(fù)雜的同時提高了對移動邊緣服務(wù)QoS預(yù)測的準確性.

3 問題定義

為了更好的闡述并解決基于Hawkes過程模型的邊緣計算服務(wù)QoS預(yù)測問題,本文先對相關(guān)概念及問題進行定義,本文使用用戶訪問服務(wù)的響應(yīng)時間和吞吐量作為衡量服務(wù)QoS值的指標.

定義1.集合U={u1,u2,…,ux}為所有用戶的集合,集合S={s1,s2,…,sy}為所有服務(wù)的集合,集合E={e1,e2,…,ez}為所有邊緣服務(wù)器的集合.其中x為用戶的個數(shù),y為服務(wù)的個數(shù),z為邊緣服務(wù)器的個數(shù).

定義2.用qi,k,j表示用戶ui在邊緣服務(wù)器ej上訪問服務(wù)sk的響應(yīng)時間和吞吐量.其中,i∈{1,2,…,x},k∈{1,2,…,y},,j∈{1,2,…,z},ui∈U,sk∈S,ej∈E.

定義5.集合Ti={t1,t2,…,tv}為相似用戶使用邊緣服務(wù)器QoS高的時刻集合,其中,v表示相似用戶訪問邊緣服務(wù)器QoS高的時刻數(shù)量,tp∈Ti,p∈{1,2,…,v}.

定義6.用tq表示預(yù)測的用戶即將使用邊緣服務(wù)器的時刻,其中tq>tv.

對未知的邊緣計算服務(wù)QoS的預(yù)測是指,當用戶從當前位置移動至其他位置時,用戶經(jīng)常訪問的服務(wù)不會發(fā)生改變,但用戶使用的邊緣服務(wù)器會隨著用戶的移動而改變.此時,為用戶提供服務(wù)質(zhì)量高的邊緣服務(wù)器尤為重要,本文基于相似用戶在邊緣服務(wù)器上訪問服務(wù)的響應(yīng)時間和吞吐量,使用Hawkes過程模型對用戶使用未知的邊緣服務(wù)器QoS高的概率進行預(yù)測.

4 基于Hawkes過程模型的QoS預(yù)測

Hawkes過程[23]是點過程經(jīng)過線性疊加構(gòu)成的一種特殊的線性自激過程,其物理含義可以理解為:考察當前事件(點過程)的發(fā)生概率,認為當前事件發(fā)生概率受歷史該類事件的影響,因而可以通過建立歷史事件與當前事件的某種關(guān)系,進而預(yù)測當前事件發(fā)生的概率.

對于本文研究的使用邊緣服務(wù)器QoS高的概率預(yù)測,用戶u在不同的時間使用邊緣服務(wù)器e訪問服務(wù)可以理解成點過程.因此,可以通過響應(yīng)時間、吞吐量等QoS預(yù)測用戶u使用多個邊緣服務(wù)器QoS高的概率,選取出QoS最高的邊緣服務(wù)器.本文使用Hawkes過程模型刻畫邊緣服務(wù)器QoS模型,進行邊緣服務(wù)器QoS預(yù)測以及后續(xù)應(yīng)用.

4.1 相似用戶的確定

在移動邊緣計算環(huán)境下,由于對用戶未知服務(wù)QoS的預(yù)測都是基于相似用戶進行預(yù)測的,所以首先確定目標用戶的相似用戶集合.

本文使用PCC方法計算用戶的相似度,PCC方法可以很好地刻畫出兩個變量間的相關(guān)性.用戶ua和ub的相似度計算為:

(1)

相似度值φua,ub的范圍為-1到1之間,當φua,ub值位于(-1,0)時為負相關(guān),當φua,ub值位于(0,1)時為正相關(guān),所以本文將目標用戶與其他所有用戶均計算φ值,并將φ值位于(0,1)的用戶確定為相似用戶,得到目標用戶ui的相似用戶集合Ui.

4.2 Hawkes過程模型的參數(shù)訓(xùn)練

確定目標用戶的相似用戶集合Ui后,使用相似用戶的響應(yīng)時間和吞吐量用Hawkes過程模型對移動邊緣計算服務(wù)QoS進行預(yù)測,首先對Hawkes過程模型的參數(shù)進行訓(xùn)練.

Hawkes過程模型是一種特殊的線性自激模型,在該模型提出后廣泛應(yīng)用于預(yù)測領(lǐng)域,都取得了較好的實驗效果.目前,求解Hawkes過程最常用的方法是最大似然估計法,本文也采用該方法對問題進行求解.式(2)為Hawkes過程模型具體公式:

(2)

一般情況下,gexc(t)=αe-β(tq-tp),其中α表示激勵系數(shù),e-β(tq-tp)表示衰減函數(shù),每多一個激勵項,激勵效果會呈衰減趨勢,β表示歷史事件對當前影響的衰減指數(shù),為自由參數(shù).因此,本文使用式(3)對使用邊緣服務(wù)器QoS高的概率進行預(yù)測:

(3)

為了求解參數(shù)μ和α,本文使用最大似然估計方法來估計模型參數(shù).令t0=0,tn+1=T,則:

(4)

其中G(t)是激勵項gexc(t)從0到t的積分,因此G(0)=0.

為了求解參數(shù),本文使用期望最大化(expectation maximization,EM)算法[24],通過構(gòu)造目標函數(shù)的下界,在每一次迭代中,將所有參數(shù)解耦,使得每一個參數(shù)可以獨立求解.

在expectation步引入輔助變量xii和xij,使用琴生不等式得到對數(shù)似然函數(shù)的下界,估計輔助變量,式(5)為對數(shù)似然函數(shù)的下界:

(5)

估計出的輔助變量xii表示目標用戶訪問邊緣服務(wù)器的QoS高是由基礎(chǔ)概率μ導(dǎo)致的,輔助變量xij表示目標用戶訪問邊緣服務(wù)器的QoS高,是由其他相似用戶歷史訪問該邊緣服務(wù)器的QoS高引起的.

在maximization步,求其偏微分,得出式(6)、式(7):

(6)

(7)

自由參數(shù)β的取值根據(jù)實驗結(jié)果進行調(diào)整,不斷試驗,選取使得預(yù)測準確率最高的β值供后續(xù)實驗使用.

算法1. Hawkes過程模型的參數(shù)估計算法

輸入:目標用戶的相似用戶集合Ui,自由參數(shù)β,相似用戶使用邊緣服務(wù)器QoS高的時刻集合Ti,預(yù)測的目標用戶即將使用邊緣服務(wù)器的時刻tq,EM迭代次數(shù)設(shè)置為100.

輸出:模型的未知參數(shù)α和μ.

1．FORk=1 to 100DO

2．Ti=?

3．FORi=1 toxDO

4．IFui∈Ui

5．ti∈Ti

7．ELSE

8．BREAK

9．ENDIF

10．ENDFOR

11．ENDFOR

12．RETURNα,μ

算法1的Hawkes過程模型的參數(shù)估計算法,首先為保證模型收斂,確定迭代次數(shù)為100次;然后,使用相似用戶使用邊緣服務(wù)器的QoS高的時刻,通過式(6)、式(7)對未知參數(shù)進行訓(xùn)練,迭代100次后得到未知參數(shù)α和μ的估計值;最后,代入式(3)中進行預(yù)測.

確定相似用戶算法時間復(fù)雜度為O(m2),算法1的對參數(shù)估計算法時間復(fù)雜度為O(mn),對Hawkes過程模型的訓(xùn)練就是確定相似用戶后對參數(shù)進行估計,因此,訓(xùn)練Hawkes過程模型的時間復(fù)雜度為O(m2+mn),其中m是用戶個數(shù),n是服務(wù)個數(shù).

4.3 移動邊緣服務(wù)QoS預(yù)測

在確定相似用戶后,先基于Hawkes過程模型進行訓(xùn)練,然后利用訓(xùn)練得到的參數(shù)對邊緣計算服務(wù)QoS進行預(yù)測,預(yù)測過程如下:

1)在基于目標用戶的相似用戶的響應(yīng)時間和吞吐量對Hawkes過程模型訓(xùn)練后,得出參數(shù)α和μ,從而得到基于Hawkes過程模型的概率函數(shù):

(8)

2)對自由參數(shù)β反復(fù)進行實驗,得到使得預(yù)測準確率最高的β值.

4)對每個移動的目標用戶使用上述方法進行預(yù)測,得出服務(wù)QoS最高的邊緣服務(wù)器.

4.4 一個例子

本節(jié)用一個例子對本文的方法進行進一步闡述,例子使用響應(yīng)時間作為衡量服務(wù)QoS的指標.

假設(shè)有4個用戶{u1,u2,u3,u4},3個服務(wù){(diào)s1,s2,s3},3個邊緣服務(wù)器{e1,e2,e3},4個歷史時刻{t1,t2,t3,t4}.用戶u1訪問過的服務(wù)為{s1,s3},用戶u2訪問過的服務(wù)為{s1,s2},用戶u3訪問過的服務(wù)為{s1,s2,s3},用戶u4訪問過的服務(wù)為{s2,s3},4個用戶在4個時刻使用3個邊緣服務(wù)器訪問服務(wù)的歷史響應(yīng)時間數(shù)據(jù)分別為:

5 實 驗

為了驗證Hawkes方法的有效性,實驗通過是否使用過相同服務(wù)確定相似用戶后進行預(yù)測,然后與幾種典型的QoS預(yù)測方法比較預(yù)測的準確度.

所有實驗使用PyCharm 2019.2.1,在Python 3.7環(huán)境下實現(xiàn),運行在Intel Core i7 CPU,64位Windows 10 操作系統(tǒng)上.

5.1 數(shù)據(jù)集描述及度量標準

實驗使用的是WS-DREAM數(shù)據(jù)集中的響應(yīng)時間數(shù)據(jù)rtdata和吞吐量數(shù)據(jù)tpdata作為QoS數(shù)據(jù).該數(shù)據(jù)集描述了64個不同時間段內(nèi)來自4500個服務(wù)上的142個用戶的真實響應(yīng)時間和吞吐量.本文將4500個服務(wù)的響應(yīng)時間和吞吐量分別取均值作為在當前邊緣服務(wù)器上的QoS值,并且每8個時間片作為一個邊緣服務(wù)器的數(shù)據(jù).

平均絕對誤差MAE( Mean absolute error)是常用來度量預(yù)測值與真實值之間差異的指標,本文采用MAE來評估所提出的服務(wù)QoS預(yù)測值的準確度.MAE的定義如式(9)所示:

(9)

在度量基于Hawkes過程模型的預(yù)測方法準確性時,將預(yù)測得出QoS高概率最大的邊緣服務(wù)器的真實響應(yīng)時間和吞吐量作為預(yù)測值進行度量.

5.2 不同方法預(yù)測準確度比較

目前對于邊緣服務(wù)QoS預(yù)測常用的方法是基于協(xié)同過濾的,基于協(xié)同過濾的預(yù)測方法又分為基于用戶的協(xié)同過濾、基于服務(wù)的協(xié)同過濾和基于邊緣服務(wù)器的協(xié)同過濾,因此,本文將Hawkes方法與目前主要的3種方法進行比較,比較方法如下:

UPCC[6]是基于相似用戶的協(xié)同過濾預(yù)測方法,用戶之間的相似度用PCC來度量,通過當前用戶的相似用戶使用目標服務(wù)的QoS值來對當前用戶使用目標服務(wù)的QoS值進行預(yù)測.

IPCC[7]是基于相似服務(wù)的協(xié)同過濾預(yù)測方法,服務(wù)之間的相似度用PCC來度量,通過當前用戶對與目標服務(wù)相似的服務(wù)的QoS值來對當前用戶使用目標服務(wù)的QoS值進行預(yù)測.

UEPCC[8]是基于邊緣服務(wù)器的相似性的預(yù)測方法,該方法分別考慮用戶和邊緣服務(wù)器的相似性,取Top-k相似用戶和相似邊緣服務(wù)器提供的數(shù)據(jù)預(yù)測移動用戶位置發(fā)生移動后使用目標服務(wù)可能獲得的QoS值.

實驗將矩陣數(shù)據(jù)分為75%的測試數(shù)據(jù)和25%的測試數(shù)據(jù),對所有方法先使用完整數(shù)據(jù)集進行實驗,而后分別改變用戶數(shù)量至總用戶數(shù)量的75%和50%進行實驗,再改變服務(wù)數(shù)量至總服務(wù)數(shù)量的75%和50%進行實驗,每次實驗為了保證結(jié)果的準確性均使用4折交叉驗證進行20次實驗.

如表1所示,給出了4種方法對響應(yīng)時間和吞吐量的預(yù)測結(jié)果.

表1 Hawkes方法與其他3種預(yù)測方法的預(yù)測準確度比較Table1 Comparison of the prediction accuracy between Hawkes method and the other three prediction methods

如圖1～圖5對4種方法分別改變用戶數(shù)量和服務(wù)數(shù)量進行交叉驗證.根據(jù)實驗結(jié)果調(diào)整自由參數(shù)β值為-0.05,使得預(yù)測準確率最高.

圖1可以看出在完整數(shù)據(jù)集中,對于響應(yīng)時間和吞吐量的預(yù)測,UEPCC方法和Hawkes方法遠好于UPCC方法和IPCC方法,說明在預(yù)測過程中,僅考慮用戶的相似性或僅考慮服務(wù)的相似性會使預(yù)測結(jié)果產(chǎn)生較大的偏差,UEPCC方法考慮了邊緣服務(wù)器的相似性,預(yù)測結(jié)果雖有提高,但沒有考慮時間對服務(wù)QoS的影響,由圖可以看出考慮了時間影響以及激勵作用的Hawkes方法比其他3種方法預(yù)測響應(yīng)時間和吞吐量的準確度更高.

圖2可以看出當改變用戶數(shù)量至總用戶數(shù)量的75%時,對于響應(yīng)時間的預(yù)測中,UEPCC方法與Hawkes方法的預(yù)測準確度相近,說明用戶的數(shù)量對于Hawkes方法有較大影響,用戶數(shù)量降低時,Hawkes方法的優(yōu)勢不夠明顯,但Hawkes方法預(yù)測響應(yīng)時間的準確度仍好于其他方法.對于吞吐量的預(yù)測中,UEPCC方法和Hawkes方法遠好于另外兩種方法,但兩種方法的預(yù)測準確度相差較小,但Hawkes方法預(yù)測吞吐量的準確度好于其他方法.

圖3可以看出當改變用戶數(shù)量至總用戶數(shù)量的50%時,對于響應(yīng)時間的預(yù)測中,Hawkes方法預(yù)測響應(yīng)時間的準確度好于UPCC、IPCC兩種預(yù)測方法,略差于UEPCC預(yù)測方法.對于吞吐量的預(yù)測中,Hawkes方法預(yù)測吞吐量的準確度好于UPCC、IPCC兩種預(yù)測方法,略差于UEPCC預(yù)測方法.實驗結(jié)果表明,用戶數(shù)量減少至總用戶數(shù)量的50%時,由于Hawkes方法中的激勵數(shù)據(jù)變少,導(dǎo)致對服務(wù)QoS的預(yù)測結(jié)果有一定的偏差,這一結(jié)果說明了激勵項越多,Hawkes方法的預(yù)測準確度也會越高.

圖4可以看出當改變服務(wù)數(shù)量至總服務(wù)數(shù)量的75%時,對于響應(yīng)時間的預(yù)測中,UEPCC方法和Hawkes方法仍遠好于另外兩種方法,與完整數(shù)據(jù)集的實驗結(jié)果相差較小.對于吞吐量的預(yù)測中,UEPCC方法和Hawkes方法依然遠好于另外兩種方法,與完整數(shù)據(jù)集的實驗結(jié)果相似.這一結(jié)果表明改變服務(wù)數(shù)量對于預(yù)測結(jié)果的準確度影響不大,Hawkes方法預(yù)測響應(yīng)時間的準確度仍好于其他方法.

圖5可以看出當改變服務(wù)數(shù)量至總服務(wù)數(shù)量的50%時,對于響應(yīng)時間和吞吐量的預(yù)測中,UEPCC方法和Hawkes方法仍遠好于另外兩種方法,進一步證實了由于改變服務(wù)數(shù)量不會減少激勵項的,導(dǎo)致服務(wù)數(shù)量對于Hawkes方法預(yù)測的準確度影響不大,Hawkes方法預(yù)測響應(yīng)時間的準確度仍好于其他預(yù)測方法.

5.3 對預(yù)測準確度影響的分析

由于Hawkes方法的激勵特性,用戶數(shù)量的設(shè)置會直接影響本文方法的準確性,實驗記錄了用戶數(shù)量分別為60、80、100、120、142時Hawkes方法對響應(yīng)時間和吞吐量預(yù)測的情況.

由圖6可以看到,對于響應(yīng)時間和吞吐量的預(yù)測中,用戶數(shù)量為142時,MAE的值最小,當用戶數(shù)量逐漸減少時,MAE的數(shù)值逐漸變大,當用戶數(shù)量減少至100以下后,MAE的數(shù)值變化幅度增加.由此可以看出隨著用戶數(shù)量的增加,Hawkes方法對服務(wù)響應(yīng)時間和吞吐量的預(yù)測結(jié)果有明顯提高,而當用戶數(shù)量減少時,預(yù)測結(jié)果的準確度逐漸降低.

因此,用戶數(shù)量是對響應(yīng)時間和吞吐量預(yù)測結(jié)果影響較大的因素,用戶數(shù)量越多,預(yù)測結(jié)果越準確.

6 結(jié) 論

本文提出了一種移動邊緣計算環(huán)境中的服務(wù)QoS預(yù)測方法.考慮到相似用戶歷史訪問該邊緣服務(wù)器的QoS高對當前用戶訪問該邊緣服務(wù)器有激勵作用,從而影響邊緣服務(wù)QoS預(yù)測準確性的問題,本文引入Hawkes過程模型,通過PCC方法先確定目標用戶的相似用戶,再利用相似用戶的服務(wù)響應(yīng)時間和吞吐量對模型參數(shù)進行訓(xùn)練,得到訓(xùn)練后的各參數(shù)值,最后對目標用戶使用附近邊緣服務(wù)器QoS高的概率進行預(yù)測,得到概率最高的邊緣服務(wù)器,實現(xiàn)對未知服務(wù)QoS的預(yù)測,由此提高用戶的滿意度.在真實數(shù)據(jù)集上的實驗結(jié)果表明,本文的方法具有更高的QoS預(yù)測準確度.

雖然本文方法在一定程度上提高了對移動邊緣計算服務(wù)QoS預(yù)測的準確性,但在實際的邊緣計算環(huán)境中,由于部分服務(wù)的訪問用戶較少,導(dǎo)致預(yù)測結(jié)果受到一定地影響.在未來的研究中,將結(jié)合這一影響因素,去進一步提高模型的實用性.