幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

基於機器學習的Web服務質量預測(精)

  • 作者：武浩//岳昆|責編:葉蘇蘇//霍明亮
  • 出版社：科學
  • ISBN：9787030748188
  • 出版日期：2023/07/01
  • 裝幀：精裝
  • 頁數：166
人民幣：RMB 179 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    服務質量預測是服務計算的一個重要研究分支，是支撐服務發現和服務管理的有力技術工具。經過多年發展，服務質量預測已聚焦到如何利用機器學習技術解決情境感知的應用需求問題。本書圍繞此議題，針對靜態、動態、多屬性、拓撲感知、虛擬機等場景下服務質量預測問題，分別闡述基於近鄰效應、矩陣分解、非負多矩陣分解、貝葉斯魯棒張量分解、深度神經網路、貝葉斯網路等機器學習技術的解決方案，集中體現該領域最新的研究成果與發展動態。
    本書可作為高等院校雲計算、服務計算、移動計算、網路測量等領域研究人員的學慣用書，也可供相關領域工程技術人員參考。
作者介紹
武浩//岳昆|責編:葉蘇蘇//霍明亮
目錄
第1章  緒論
  1.1  服務計算與面向服務的架構
    1.1.1  面向服務的架構與Web服務
    1.1.2  服務計算、雲計算和邊緣計算的關係
    1.1.3  服務質量
  1.2  Web服務質量預測的發展現狀
    1.2.1  Web服務質量預測
    1.2.2  基於記憶的端到端服務質量預測方法
    1.2.3  基於模型的端到端服務質量預測方法
    1.2.4  端到端情境信息的應用
    1.2.5  服務端服務質量預測模型及方法
  1.3  本書主要內容
第2章  服務質量預測的相關技術基礎
  2.1  服務質量預測的機器學習技術
    2.1.1  概率圖模型與貝葉斯網路建模
    2.1.2  矩陣分解
    2.1.3  非負矩陣分解
    2.1.4  深度學習
    2.1.5  集成學習技術
  2.2  服務質量預測的評估
    2.2.1  數據基礎
    2.2.2  評估度量
  2.3  本章小結
第3章  基於近鄰效應的靜態服務質量預測
  3.1  引言
  3.2  基於離差的近鄰模型
    3.2.1  模型框架
    3.2.2  用於基線估計的組件
    3.2.3  情境感知的近鄰組件
    3.2.4  參數學習
  3.3  實驗評估
    3.3.1  數據集
    3.3.2  評估指標
    3.3.3  實驗對比
    3.3.4  Top-K近鄰數影響分析
    3.3.5  位置信息影響分析
    3.3.6  計算複雜度分析
  3.4  本章小結
第4章  基於矩陣分解的靜態服務質量預測
  4.1  引言
  4.2  情境感知矩陣分解
    4.2.1  問題形式化
    4.2.2  模型及參數學習
  4.3  CSMF實驗評估
    4.3.1  數據集
    4.3.2  評估指標
    4.3.3  實驗對比
    4.3.4  隱含特徵維度影響分析
    4.3.5  情境因素影響分析
  4.4  位置感知的非負多矩陣分解

    4.4.1  非負多矩陣分解模型
    4.4.2  基於位置信息的輔助矩陣構造
  4.5  LNMMF實驗評估
    4.5.1  數據集
    4.5.2  評價指標
    4.5.3  實驗對比
    4.5.4  參數α和β影響分析
    4.5.5  隱含特徵維度影響分析
  4.6  本章小結
第5章  基於貝葉斯魯棒張量分解的動態服務質量預測
  5.1  引言
  5.2  基於貝葉斯魯棒張量分解的模型
    5.2.1  問題定義
    5.2.2  模型設定
    5.2.3  預測分佈與服務質量預測表達式
    5.2.4  演算法複雜度
  5.3  基於貝葉斯推理的模型學習
    5.3.1  因子矩陣的后驗分佈
    5.3.2  超參數λ的后驗分佈
    5.3.3  稀疏張量S的后驗分佈
    5.3.4  超參數γ的后驗分佈
    5.3.5  超參數τ的后驗分佈
    5.3.6  模型證據因子的下界
    5.3.7  模型推理的初始化
  5.4  實驗評估
    5.4.1  數據集
    5.4.2  對比方法
    5.4.3  不同張量密度下的性能對比
  5.5  本章小結
第6章  基於深度神經網路的動態服務質量預測
  6.1  引言
  6.2  STCA模型
  6.3  參數學習
  6.4  實驗評估
    6.4.1  數據集
    6.4.2  實驗對比
    6.4.3  自注意力機制可視化分析
    6.4.4  參數影響分析
  6.5  本章小結
第7章  基於深度神經網路的多屬性服務質量預測
  7.1  引言
  7.2  深度神經網路模型
  7.3  模型訓練
    7.3.1  目標函數
    7.3.2  參數學習
    7.3.3  利用服務文檔
  7.4  實驗
    7.4.1  數據集
    7.4.2  評估指標
    7.4.3  評估方法

    7.4.4  參數設置
    7.4.5  性能對比
    7.4.6  參數分析
    7.4.7  計算複雜度分析
  7.5  本章小結
第8章  網路拓撲感知的服務質量預測模型
  8.1  引言
  8.2  拓撲感知的神經網路模型
    8.2.1  輸入層
    8.2.2  隱式端交叉建模層
    8.2.3  顯式路徑建模層
    8.2.4  門控層
    8.2.5  預測層
    8.2.6  利用旁側信息
  8.3  模型學習
  8.4  實驗
    8.4.1  數據集
    8.4.2  評估指標
    8.4.3  評估方法
    8.4.4  參數設置
    8.4.5  性能對比
    8.4.6  消融研究
    8.4.7  參數分析
    8.4.8  效率分析
  8.5  本章小結
第9章  面向虛擬機服務質量預測的帶分類參數的增廣貝葉斯網路
  9.1  引言
  9.2  問題描述與背景知識
    9.2.1  問題描述
    9.2.2  預備知識
  9.3  CBN類參數增廣貝葉斯網路的構造
    9.3.1  CBN構建過程中的約束
    9.3.2  CBN的結構構建及其參數計算
  9.4  基於CBN的虛擬機服務質量預測
    9.4.1  基於XGboost的虛擬機特徵配置分類
    9.4.2  基於變數消元法的虛擬機服務質量預測
  9.5  實驗結果與性能分析
    9.5.1  實驗設置
    9.5.2  服務質量預測的性能
    9.5.3  基於CBN預測服務質量值的概率分佈
    9.5.4  基於XGboost對虛擬機特徵配置分類的有效性
    9.5.5  結果討論
  9.6  本章小結
第10章  總結
  10.1  全書回顧
  10.2  未來工作
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032