English
A Learning Approach to the Prediction of Reliability Ranking for Web Services
文件大小：
456k
资源说明：本文研究了面向Web服务可靠性排名预测的学习方法。Web服务作为信息技术中的一个流行的发展范式，它提供的功能性属性可以确保云应用的正确功能，而非功能性属性如可靠性则会显著影响用户感知的可用性评估。在功能上等效的一组候选服务中，可靠性排名提供了做出最优云服务选择的有价值信息。现有的可靠性排名预测方法通过对不同偏好函数获取不同的排名结果，因此很难确定最佳方法，以及是否存在最佳方法。
文章提出的这种方法利用过往服务调用日志来训练偏好函数，通过在真实世界Web服务数据集WSDream上进行的大规模实验来验证该方法。实验结果显示，所提出的方法相较于现有的方法具有更高的预测准确性。
从标题和描述中我们可以提炼以下知识点：
1. Web服务可靠性的重要性：Web服务的可靠性对云应用程序的用户感知可用性有重大影响。可靠性是指软件在指定时间内无故障运行的概率，对于构建高可靠性云应用是一个关键问题。
2. 可靠性排名的概念：可靠性排名可以为从功能上等效的一组候选服务中做出最优选择提供有价值的信息。可靠性排名反映了服务的非功能性特性，即用户对服务质量的可感知评估。
3. 可靠性排名预测的现有方法：目前存在多种不同的可靠性排名预测方法，它们使用不同的偏好函数。确定哪一种方法是最佳的非常困难。
4. 新提出的学习方法：文章提出了一种新的可靠性排名预测方法，该方法利用历史服务调用日志来训练偏好函数。这种方法的目标是通过从实际数据中学习来提高预测的准确性。
5. 研究的验证方法：通过大规模实验验证所提出的学习方法的效能。实验基于真实世界Web服务数据集WSDream进行，对比了新方法与现有方法在预测准确性的差异。
6. 关键技术的提及：文章中提到了支持向量机（SVM），这是一种常用于数据挖掘和模式识别的机器学习方法。虽然具体的实现细节没有在提供的片段中说明，但可以推断 SVM 技术可能在偏好函数的学习训练中发挥了作用。
7. 研究背景和实践意义：Web服务作为云计算环境中的自描述程序化应用，可以通过网络环境实现跨平台的互操作性和可访问性。文章指出了云服务（可以实现为Web服务）在过去几年中变得越来越丰富，且这些服务通常由其他公司提供和部署在云端。由于这些服务的广泛应用，如何构建高可靠性云应用已成为云计算领域的一个关键议题。
从上述知识点中，我们可以看出该研究领域中目前的挑战及所提出的解决方案。对于开发者和云服务提供商来说，提高Web服务的可靠性排名预测准确度，可以帮助他们更好地管理和优化服务质量，最终提高用户满意度和业务竞争力。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
