QoSBERT：基于预训练语言模型的无置信度服务质量预测框架
计算与语言
2026-01-16 v1
摘要
准确预测服务质量（Quality of Service, QoS）指标对于选择和管理基于云端的服务至关重要。传统QoS模型依赖手动特征工程，仅提供点估计，无法提供预测置信度。本文提出QoSBERT，是首个将QoS预测重新表述为基于预训练语言模型的语义回归任务的框架。不同于依赖稀疏数值特征的以往方法，QoSBERT自动将用户服务元数据编码为自然语言描述，实现深度语义理解。此外，我们集成了基于蒙特卡罗 dropout的无置信度估计模块，实现可信赖且风险感知的服务质量预测，这在现有QoS模型中尚未得到充分探索。QoSBERT对上下文化嵌入应用注意力池化，并采用轻量级多层感知器回归器进行微调，以最小化绝对误差。我们进一步利用所得的无置信度估计选择高质量训练样本，在低资源环境下提高鲁棒性。在标准QoS基准数据集上，QoSBERT在响应时间预测中将平均绝对误差（MAE）降低11.7%，均方根误差（RMSE）降低6.7%，在吞吐量预测中将MAE降低6.9%，同时为可靠且可信赖的服务质量估计提供了校准良好的置信区间。我们的做法不仅推动了服务质量预测的准确性，还提供了可靠的无置信度量化，为更可信赖、数据驱动的服务选择和优化铺平了道路。
关键词
引用
@article{arxiv.2505.07863,
title = {QoSBERT: An Uncertainty-Aware Approach based on Pre-trained Language Models for Service Quality Prediction},
author = {Ziliang Wang and Xiaohong Zhang and Ze Shi Li and Meng Yan},
journal= {arXiv preprint arXiv:2505.07863},
year = {2026}
}