ARRQP：基于图卷积的异常弹性实时服务质量预测框架
机器学习
2023-10-05 v1
摘要
在现代面向服务架构领域中，确保服务质量（QoS）至关重要。提前预测 QoS 值的能力使用户能够做出明智决策。然而，在存在各类问题与异常（包括离群值、数据稀疏、灰羊实例以及冷启动场景）的情况下实现准确的 QoS 预测仍具挑战性。当前最先进的方法在同时应对这些问题时往往表现不足，导致性能下降。本文提出一种实时 QoS 预测框架（称为 ARRQP），特别强调提升对数据中异常的弹性适应能力。ARRQP 利用图卷积技术捕捉用户与服务之间复杂的关系与依赖，即便数据有限或稀疏时亦然。ARRQP 融合上下文信息与协同洞察，从而全面理解用户-服务交互。通过采用鲁棒损失函数，ARRQP 在模型训练过程中有效降低离群值的影响。此外，我们提出一种稀疏弹性灰羊检测方法，随后将其分离处理以进行 QoS 预测。进一步地，我们通过侧重上下文特征而非协同特征来解决冷启动问题。在基准 WS-DREAM 数据集上的实验结果表明，该框架在实现准确且及时的 QoS 预测方面具有有效性。
引用
@article{arxiv.2310.02269,
title = {ARRQP: Anomaly Resilient Real-time QoS Prediction Framework with Graph Convolution},
author = {Suraj Kumar and Soumi Chattopadhyay},
journal= {arXiv preprint arXiv:2310.02269},
year = {2023}
}
备注
14 pages, 9 Figures, 12 tables