SHARP-QoS：稀疏门控分层自适应路由用于 QoS 联合预测

可靠的面向服务的计算依赖于多个质量服务（QoS）参数，这些参数对于评估服务最优性至关重要。然而，现实中的 QoS 数据极度稀疏、噪声重大，且受 QoS 交互、地理和网络层因素形成的分层依赖关系的影响，这使得准确的 QoS 预测颇具挑战。现有方法通常独立预测每个 QoS 参数， requiring multiple similar models，这增加了计算成本并导致泛化性能差。虽然最近的联合 QoS 预测研究探索了共享架构，但由于因 QoS 参数之间数值范围不一致导致的损失比例缩放引起的负迁移，以及表示学习不足导致的性能下降，这些方法仍面临挑战。本文提出一种统一的 QoS 联合预测策略，称为 SHARP-QoS，通过三个组件来解决上述问题。首先，我们引入一种双重机制，通过在 Poincaré 球面上形式化的双曲卷积从 QoS 和情境结构中提取分层特征。其次，我们提出一种自适应特征共享机制，允许在有信息的 QoS 和情境信号之间进行特征交换。采用门控特征融合模块以支持结构和共享表示之间的动态特征选择。最后，我们设计一种基于 EMA 的损失平衡策略，允许稳定的联合优化，从而缓解负迁移。在三个数据集（包含 2、3 和 4 个 QoS 参数）上的评估表明，SHARP-QoS 在准确率和鲁棒性方面均优于单任务和多任务基线。广泛的研究表明，我们的模型有效地解决了稀疏性、对异常值的鲁棒性以及冷启动问题，同时保持适中计算开销，凸显了其可靠的 QoS 联合预测能力。