使用超图卷积Transformer网络的异常鲁棒时序QoS预测
机器学习
2026-03-18 v3
摘要
服务质量(QoS)预测是服务生命周期中的一项关键任务，它通过预测性能随时间的变化来应对不断变化的网络不确定性和用户偏好，从而实现精确和自适应的服务推荐。然而，当代的QoS预测方法经常遇到数据稀疏性和冷启动问题，这阻碍了准确的QoS预测，并限制了捕获多样化用户偏好的能力。此外，这些方法通常假设QoS数据可靠，忽略了潜在的可靠性问题，例如异常值以及具有非典型调用模式的灰羊用户和服务的存在。此外，传统方法未能利用多样化的特征，包括领域特定知识和复杂的高阶模式，而这些对于准确的QoS预测至关重要。在本文中，我们引入了一个实时的、信任感知的时序QoS预测框架来解决上述挑战，该框架具有一个端到端的深度架构，称为超图卷积Transformer网络(HCTN)。HCTN将超图结构与超边上的图卷积相结合，通过捕获复杂的、高阶的相关性来有效解决高稀疏性问题。作为补充，Transformer网络利用多头注意力以及并行的一维卷积层和全连接密集块来捕获细粒度和粗粒度的动态模式。此外，我们的方法包括一种对稀疏性具有鲁棒性的解决方案，用于检测灰羊用户和服务，并结合其独特特征以提高预测准确性。使用对异常值具有鲁棒性的损失函数进行训练，HCTN在用于响应时间和吞吐量的大规模WSDREAM-2数据集上展示了最先进的性能。
引用
@article{arxiv.2410.17762,
title = {Anomaly Resilient Temporal QoS Prediction using Hypergraph Convoluted Transformer Network},
author = {Suraj Kumar and Soumi Chattopadhyay and Chandranath Adak},
journal= {arXiv preprint arXiv:2410.17762},
year = {2026}
}
备注
19 pages, 13 figures