云計(jì)算中服務(wù)質(zhì)量的概率預(yù)測(cè)和評(píng)估方法研究

哈 渭 濤

(渭南師范學(xué)院 網(wǎng)絡(luò)安全與信息化學(xué)院，陜西 渭南 714099)

?

【自然科學(xué)基礎(chǔ)理論研究】

云計(jì)算中服務(wù)質(zhì)量的概率預(yù)測(cè)和評(píng)估方法研究

哈 渭 濤

(渭南師范學(xué)院 網(wǎng)絡(luò)安全與信息化學(xué)院，陜西 渭南 714099)

基于連續(xù)時(shí)間馬爾可夫鏈提出了在云計(jì)算中組合服務(wù)質(zhì)量的預(yù)測(cè)模型，模型針對(duì)QoS屬性定義了基于線性時(shí)序邏輯區(qū)間的質(zhì)量約束規(guī)范，進(jìn)一步使用M/M/1隊(duì)列實(shí)現(xiàn)QoS概率預(yù)測(cè)。另外，引入了VaR(Value-at-Risk)，以貨幣的形式度量服務(wù)違例風(fēng)險(xiǎn)。并定義了不同網(wǎng)絡(luò)環(huán)境下的補(bǔ)償策略，給出了組合云服務(wù)聚合的VaR計(jì)算方法。通過(guò)將QoS預(yù)測(cè)模型在智能電網(wǎng)中實(shí)例測(cè)試，得到實(shí)際預(yù)測(cè)時(shí)間小于服務(wù)更新時(shí)間，預(yù)測(cè)準(zhǔn)確率較高。風(fēng)險(xiǎn)評(píng)估機(jī)制與其他計(jì)算方法相比可信度較高。

云服務(wù)；QoS(Quality of Service)；SLA違例；連續(xù)時(shí)間的馬爾可夫鏈；風(fēng)險(xiǎn)評(píng)估

在云環(huán)境中，受網(wǎng)絡(luò)擁堵、隨機(jī)中斷、資源限制等因素的影響，致使云服務(wù)在執(zhí)行過(guò)程中用戶獲得實(shí)際QoS與云服務(wù)提供商和用戶之間的服務(wù)質(zhì)量等級(jí)協(xié)議(Service Level Agreement，SLA)相違背，造成SLA違例，這一方面影響用戶對(duì)云服務(wù)的使用，另一方面云服務(wù)提供商需要向用戶賠償一定的違約金，無(wú)疑增加了云服務(wù)提供商的成本。所以連續(xù)地監(jiān)測(cè)云服務(wù)執(zhí)行過(guò)程，盡早預(yù)測(cè)QoS違例的云服務(wù)，可有效避免或減輕其帶來(lái)的影響，對(duì)于保護(hù)用戶和云服務(wù)提供商利益都是至關(guān)重要的。[1-4]基于以上分析，首先，本文提出了一種新的云服務(wù)QoS預(yù)測(cè)方法，利用概率模型對(duì)被監(jiān)控工作流實(shí)施QoS違例預(yù)測(cè)。在該方法中，為了防止?fàn)顟B(tài)參數(shù)過(guò)多，利用運(yùn)行著的服務(wù)實(shí)例的特征參數(shù)進(jìn)行分析。在QoS預(yù)測(cè)中，對(duì)監(jiān)測(cè)的正在運(yùn)行服務(wù)實(shí)例抽取特征參數(shù)值，以此為依據(jù)，實(shí)施對(duì)下一階段要運(yùn)行服務(wù)出現(xiàn)SLA違例的概率進(jìn)行估算，得出量化的QoS可靠性估算值。其次，借鑒方法論中循環(huán)風(fēng)險(xiǎn)管理框架，提出了QoS違例量化賠償方法，并針對(duì)云服務(wù)的業(yè)務(wù)價(jià)值設(shè)計(jì)了開(kāi)放的、具有廣泛性風(fēng)險(xiǎn)的響應(yīng)方法。

1 云服務(wù)QoS預(yù)測(cè)

1.1 云服務(wù)質(zhì)量約束規(guī)范的定義

為了有效識(shí)別組合服務(wù)QoS屬性的SLA違例，針對(duì)QoS屬性，本文定義了基于線性時(shí)間的時(shí)序邏輯區(qū)間的QC(質(zhì)量約束)規(guī)范。利用定義的基于QC的操作檢測(cè)QoS屬性的KPI(關(guān)鍵性能指標(biāo))[5]。

定義1(QC)QC是對(duì)于KPI(關(guān)鍵性能指標(biāo))的布爾判定條件。

對(duì)于QC(質(zhì)量約束)定義了3個(gè)時(shí)序操作：along，within，prec(φ)。

PalongT：在屬于時(shí)間區(qū)間T的任意時(shí)刻，P為真。

PwithinT：至少存在某個(gè)時(shí)刻iT，P為真。

prec(φ)：該操作符能夠接受時(shí)序邏輯表達(dá)式φ為操作數(shù)，利用CEP工具估算prec(φ)。

along是對(duì)于區(qū)間T的全局線性時(shí)序邏輯約束操作符，而within是對(duì)于區(qū)間T的最終線性時(shí)序邏輯約束操作符。將要執(zhí)行的某狀態(tài)下某時(shí)刻的KPI概率時(shí)序表達(dá)式用φ表示，prec(φ)為概率是否成立邏輯判斷。

1.2 云服務(wù)QoS隊(duì)列模型

在本文中KPI(關(guān)鍵性能指標(biāo))主要指可量化的服務(wù)性能指標(biāo)(如資源利用情況、被請(qǐng)求的服務(wù)數(shù)等)。在此利用M/M/1隊(duì)列模型預(yù)測(cè)組合服務(wù)中未執(zhí)行的組件服務(wù)KPI。到達(dá)的可用服務(wù)請(qǐng)求滿足泊松分布，到達(dá)率為。服務(wù)時(shí)間遵循均值為μ的指數(shù)分布。

設(shè)變量k表示單個(gè)KPI，k∈Vk=Av∪Cv∪Iv。 Av為可允許值集合，當(dāng)k在該集合中時(shí)，當(dāng)前系統(tǒng)在該狀態(tài)下，所有定義在該KPI的QC完全滿足。Cv為臨界值集合，當(dāng)k在該集合中時(shí)，當(dāng)前系統(tǒng)在該狀態(tài)下仍能滿足最低質(zhì)量要求。Iv為不可允許值集合，當(dāng)k在該集合中時(shí)，當(dāng)前系統(tǒng)在該狀態(tài)下至少有一項(xiàng)已經(jīng)不能滿足服務(wù)質(zhì)量要求的約束值(即QC)。假設(shè)Vk滿足全序關(guān)系并且它的子集不相交，則有任意的a,b,c:a∈Av,b∈Cv,c∈Iv，滿足a

2 業(yè)務(wù)相關(guān)的服務(wù)風(fēng)險(xiǎn)評(píng)估

利用云服務(wù)QoS預(yù)測(cè)機(jī)制檢測(cè)到服務(wù)處于非穩(wěn)態(tài)時(shí)，啟動(dòng)違例預(yù)警，調(diào)整將要運(yùn)行的服務(wù)避免違例或減輕違例的影響。然而當(dāng)違反了SLA約定QoS違例不可避免發(fā)生時(shí)，應(yīng)具有完整風(fēng)險(xiǎn)評(píng)估方案，對(duì)出現(xiàn)的風(fēng)險(xiǎn)有效應(yīng)對(duì)。通過(guò)風(fēng)險(xiǎn)評(píng)估提高云服務(wù)滿足需求的能力，降低云服務(wù)提供商的經(jīng)營(yíng)風(fēng)險(xiǎn)。下面提出對(duì)于單個(gè)服務(wù)風(fēng)險(xiǎn)的評(píng)估。

2.1 補(bǔ)償策略制定

當(dāng)QoS違例發(fā)生了，云服務(wù)提供商對(duì)違約行為進(jìn)行補(bǔ)償或賠償。支付罰金是一種常見(jiàn)的賠償手段。它也是影響云服務(wù)風(fēng)險(xiǎn)的一個(gè)重要因素。而補(bǔ)償策略是指將罰金表示為基于服務(wù)環(huán)境參數(shù)的函數(shù)。當(dāng)服務(wù)失敗出現(xiàn)并持續(xù)時(shí)間t，罰金表示為p，則對(duì)于單個(gè)服務(wù)而言p=f(t)，且為凸函數(shù)。下面針對(duì)不同環(huán)境給出補(bǔ)償策略，即罰金補(bǔ)償函數(shù)定義：

(1)連續(xù)性云服務(wù)補(bǔ)償策略。連續(xù)性云服務(wù)是指該服務(wù)必須連續(xù)執(zhí)行不可中斷。即使很短暫的中斷也會(huì)引發(fā)服務(wù)失敗。如短暫通信連接或者實(shí)時(shí)流量控制的敏感數(shù)據(jù)，即使瞬時(shí)中斷或者快速恢復(fù)都無(wú)法彌補(bǔ)這類服務(wù)失效[6]。對(duì)于該類云服務(wù)，它的補(bǔ)償罰金與服務(wù)中斷時(shí)間t無(wú)關(guān)，所以其罰金補(bǔ)償函數(shù)為：

plianxu=const。

(1)

(2)時(shí)距不可用補(bǔ)償策略。時(shí)距不可用是指罰金在一個(gè)時(shí)距內(nèi)并不是恒定的，它和服務(wù)不可操作t時(shí)間成比例。該類補(bǔ)償通常面對(duì)執(zhí)行持續(xù)較長(zhǎng)時(shí)間的服務(wù)，如文件傳輸、郵件傳輸?shù)确?wù)，所以其罰金補(bǔ)償函數(shù)與不可操作t時(shí)間之間表示為：

pshijin=wit。

(2)

(3)綜合補(bǔ)償策略。上面兩種補(bǔ)償可能會(huì)同時(shí)出現(xiàn)在同一服務(wù)執(zhí)行過(guò)程中，該服務(wù)不可操作時(shí)間小于SLA協(xié)定時(shí)距時(shí)，補(bǔ)償被認(rèn)為與中斷時(shí)間t無(wú)關(guān)，認(rèn)為t=0。當(dāng)超過(guò)時(shí)距時(shí)，認(rèn)為和時(shí)間成比例。在此種情況下罰金補(bǔ)償函數(shù)為：

pzonghe=wi(t+const)。

(3)

(4)非線性補(bǔ)償策略。罰金補(bǔ)償函數(shù)并不一定總是和時(shí)間呈線性關(guān)系。如文獻(xiàn)[7]中涉及的“雪球效應(yīng)”，它就是一個(gè)典型的非線性函數(shù)，表示罰金和服務(wù)失效累積時(shí)間。這種補(bǔ)償針對(duì)的服務(wù)特征為：相對(duì)持續(xù)時(shí)間較短攜帶有重要或敏感信息且能容忍短時(shí)間的服務(wù)中斷。通常提前如預(yù)約服務(wù)或具有嚴(yán)格響應(yīng)時(shí)間通信服務(wù)具有這些特征。這種“雪球”式的非線性平滑罰金補(bǔ)償函數(shù)為：

(4)

2.2 Web服務(wù)的風(fēng)險(xiǎn)價(jià)值VaR評(píng)估

(5)

通過(guò)VaRη獲得單個(gè)服務(wù)風(fēng)險(xiǎn)價(jià)值，但是在當(dāng)前網(wǎng)絡(luò)環(huán)境中為了更好地滿足用戶需求，更多情況是將原來(lái)多個(gè)單個(gè)服務(wù)組合成新服務(wù)提供給用戶。對(duì)于云服務(wù)組合后的風(fēng)險(xiǎn)價(jià)值并不能簡(jiǎn)單地將單個(gè)服務(wù)風(fēng)險(xiǎn)價(jià)值累加獲得，因?yàn)閂aRη是不具有次加性的。

下面從云服務(wù)生存的不可靠的網(wǎng)絡(luò)環(huán)境出發(fā)，研究帶給組合云服務(wù)的風(fēng)險(xiǎn)及其評(píng)估策略。對(duì)于云服務(wù)不可靠網(wǎng)絡(luò)環(huán)境在此用圖結(jié)構(gòu)表示(V,E)，其中：V表示網(wǎng)絡(luò)中節(jié)點(diǎn)集合，E表示連接網(wǎng)絡(luò)節(jié)點(diǎn)的鏈路集合。所有這些元素都是不可靠的，都存在失敗和修復(fù)的可能。因此對(duì)于每個(gè)不可靠元素聯(lián)合考慮如下兩方面的概率分布函數(shù)：(1)失敗間隔時(shí)間；(2)服務(wù)中斷時(shí)間。在某段時(shí)間需要確定單個(gè)網(wǎng)絡(luò)元素c的失敗率c和修復(fù)率μc，c(V∪E)，每個(gè)元素失敗和修復(fù)過(guò)程都是獨(dú)立的。組合云服務(wù)風(fēng)險(xiǎn)評(píng)估算法通過(guò)下面幾個(gè)步驟完成：

(1)為了得到準(zhǔn)確的風(fēng)險(xiǎn)模型，首先需要根據(jù)賠償策略獲得每個(gè)云服務(wù)的罰金；

(2)構(gòu)建每個(gè)服務(wù)罰金的連續(xù)時(shí)間的馬爾可夫鏈，并利用該馬爾可夫鏈獲得所有服務(wù)相關(guān)補(bǔ)償政策下的聚合罰金價(jià)值的均值和方差；

(3)獲取通過(guò)均值和方差的參數(shù)化聚合罰金全概率分布，在這兩個(gè)分布中，其中一個(gè)呈橢圓分布，該分布與對(duì)數(shù)正態(tài)分布最佳擬合。最后根據(jù)獲得風(fēng)險(xiǎn)全分布，得到包括風(fēng)險(xiǎn)價(jià)值VaR在內(nèi)的分位數(shù)。

為了計(jì)算VaR等分位數(shù)實(shí)施風(fēng)險(xiǎn)評(píng)估，根據(jù)組件云服務(wù)罰金，估算給定時(shí)區(qū)的罰金全概率分布函數(shù)。但是各組件云服務(wù)罰金是相關(guān)的，單個(gè)組件服務(wù)失敗會(huì)影響其他組件執(zhí)行。

首先設(shè)X=[X1,…,Xd,…]為隨機(jī)向量，表示單個(gè)組件服務(wù)d的罰金，則

(6)

我們用Nd(t)表示服務(wù)d在觀測(cè)時(shí)區(qū)t中中斷的次數(shù)，用pd表示單個(gè)服務(wù)d的單次服務(wù)中斷的罰金。每一個(gè)服務(wù)的罰金是多個(gè)中斷獨(dú)立罰金的隨機(jī)總和。假設(shè)Nd(t)和pd已知，則在時(shí)區(qū)t中單個(gè)服務(wù)d總罰金的均值為：

E[Xd]=E[Nd(t)]E[pd]。

(7)

方差為：

D2[Xd]=E[Nd(t)]D2[pd]+E2[pd]D2[Nd(t)]。

(8)

3 數(shù)據(jù)測(cè)試

3.1 組合云服務(wù)的QoS概率預(yù)測(cè)數(shù)據(jù)測(cè)試

表1 隊(duì)列長(zhǎng)度、服務(wù)大小、花費(fèi)時(shí)間一覽表

在本實(shí)驗(yàn)方案中，假設(shè)平衡范圍為800 MW，則[minb=-400,maxb=400]。首先針對(duì)大小不同規(guī)模服務(wù)模型估算其在QoS預(yù)測(cè)階段花費(fèi)的時(shí)間。在表1中，第一列給出了隊(duì)列長(zhǎng)度，反映了不同規(guī)模的服務(wù)，第二列和第三列不同大小服務(wù)表示不同規(guī)模服務(wù)的狀態(tài)數(shù)和變遷數(shù)。根據(jù)服務(wù)的狀態(tài)數(shù)和變遷數(shù)，利用CEP等工具，得到第四列QoS預(yù)測(cè)階段花費(fèi)的時(shí)間，在前面介紹的隊(duì)列模型中，該時(shí)間應(yīng)該符合指數(shù)分布。從實(shí)際測(cè)量的第四列數(shù)據(jù)特征可以看出，它恰好符合指數(shù)分布。另外，最后一行數(shù)據(jù)服務(wù)規(guī)模非常大，狀態(tài)數(shù)和變遷數(shù)都超過(guò)了百萬(wàn)，但是實(shí)際QoS預(yù)測(cè)時(shí)間為563.831 s，這個(gè)速度和智能電網(wǎng)更新速度匹配，所以使用該模型能做到較好的服務(wù)質(zhì)量預(yù)測(cè)，對(duì)可能出現(xiàn)的SLA違例能給出及時(shí)的預(yù)報(bào)。

下面選擇了隊(duì)列長(zhǎng)度為40的服務(wù)，從另一個(gè)角度對(duì)本文提出的預(yù)測(cè)模型進(jìn)行測(cè)試。引發(fā)平衡變化的隊(duì)列生率和滅率基本單元值為20 MW?？稍试S最小值admmin=-200，可允許最大值admmax=200，臨界最小值crimin=-380，臨界最大值crimax=380。針對(duì)第二種QoS 的約束條件：prec(ρ=?[F≤30“違例狀態(tài)”])≤0.05 within 30 m，進(jìn)行如下3種測(cè)試：

測(cè)試1：電力生產(chǎn)商輸入電網(wǎng)的電力與電力

用戶需求平衡;

圖1 違例概率分布(隊(duì)列長(zhǎng)度=40)

測(cè)試2：電力用戶需求是電力生產(chǎn)商輸入電網(wǎng)電力的2倍;

測(cè)試3：電力生產(chǎn)商輸入電網(wǎng)的電力超過(guò)了電力用戶需求。

圖2給出了3種不同測(cè)試方案下的違例概率。在第一種測(cè)試方案中，通過(guò)圖1看出違例概率在平衡點(diǎn)雙側(cè)均勻?qū)ΨQ分布，這和需求平衡現(xiàn)實(shí)相吻合。在第二種測(cè)試方案中，最小違例概率高于其他兩種情況。在第三種測(cè)試方案中，所有生產(chǎn)過(guò)剩狀態(tài)都具有較高違例概率，而在過(guò)載狀態(tài)時(shí)卻擁有較低違例概率。

3.2 組合服務(wù)總風(fēng)險(xiǎn)價(jià)值和風(fēng)險(xiǎn)價(jià)值上界測(cè)試

在本測(cè)試中選擇Weibull分布特征建模失效時(shí)間，同時(shí)提供指數(shù)分布的啟發(fā)式選擇與之對(duì)應(yīng)。Weibull分布在正常運(yùn)行時(shí)間被表示成指數(shù)分布。利用兩個(gè)簡(jiǎn)單的ON-OFF系統(tǒng)模擬組合云服務(wù)。第一個(gè)正常運(yùn)行時(shí)間為Weibull分布，中斷時(shí)間為指數(shù)分布(該系統(tǒng)仍稱為Weib)，第二個(gè)全部為指數(shù)分布(該系統(tǒng)稱為Exp)，Weibull分布可以被表示成指數(shù)分布：

mWeib+ασWeib=mExp+ασExp。

其中：mWeib、mExp表示兩個(gè)系統(tǒng)在tmax時(shí)段期望風(fēng)險(xiǎn)價(jià)值；而ασWeib、ασExp表示標(biāo)準(zhǔn)差。設(shè)α=1.2時(shí)能準(zhǔn)確地表示總罰金上界，對(duì)所有服務(wù)經(jīng)過(guò)計(jì)算參數(shù)為罰金對(duì)數(shù)正態(tài)分布后，設(shè)分位數(shù)η=0.9,0.95,0.99,0.999四個(gè)等級(jí)，每個(gè)組合服務(wù)中包含10個(gè)組件服務(wù)，補(bǔ)償策略為FixedRestart。計(jì)算VaRTh(表示組合云服務(wù)罰金上界)、VaR(Σ)(表示組合云服務(wù)總罰金)、∑(VaR)(組件服務(wù)VaR之和)。結(jié)果如圖2所示。

圖2 網(wǎng)絡(luò)NGe 中VaRTh，VaR(Σ)，∑(VaR)比較

根據(jù)圖2對(duì)比結(jié)果可知：即使VaR不具有次可加性，但是將組件單個(gè)VaR求和獲得的∑(VaR)比組合服務(wù)最壞情況總風(fēng)險(xiǎn)上界值還要悲觀。而它比VaR(Σ)高出近10%。這表明∑(VaR)并不能準(zhǔn)確反映組合服務(wù)聚合風(fēng)險(xiǎn)。相較而言，VaRTh和VaR(Σ)差距在0.10%。由此可見(jiàn)，利用上界值可以準(zhǔn)確估算出總罰金風(fēng)險(xiǎn)價(jià)值，而且無(wú)需使用所有補(bǔ)償策略中的大量服務(wù)仿真測(cè)試，節(jié)約了工作量，具有較高效率。

4 結(jié)論

本文首先提出一種有效的服務(wù)質(zhì)量預(yù)測(cè)模型，利用概率模型定量和定性的分析技術(shù)，實(shí)現(xiàn)了對(duì)云環(huán)境中SLA違例預(yù)測(cè)。在本模型中使用參數(shù)化的QoS模型(KPI)完成了概率化模型監(jiān)測(cè)分析，以此估算未執(zhí)行的服務(wù)QoS關(guān)鍵指標(biāo)。利用這種QoS預(yù)警機(jī)制，能對(duì)服務(wù)提供商服務(wù)質(zhì)量監(jiān)控，盡可能地避免服務(wù)違例。然而當(dāng)違例不可避免發(fā)生了，接著給出了一套完整風(fēng)險(xiǎn)評(píng)估方案，對(duì)出現(xiàn)風(fēng)險(xiǎn)有效應(yīng)對(duì)。通過(guò)風(fēng)險(xiǎn)評(píng)估提高云服務(wù)滿足需求的能力，降低云服務(wù)提供商的經(jīng)營(yíng)風(fēng)險(xiǎn)。

[1] Pacheco-Sanchez S,Casale G,Scotney B,et al.Markovian Workload Characterization for QoS Prediction in the Cloud[C]//Proceeding of 2011 IEEE 4th International Conference on Cloud Computing. Washington, DC:IEEE, 2011.147-154.

[2] Islam S, Keung J, Lee K, et al. Empirical prediction models for adaptive resource provisioning in the cloud[J].Future Generation Computer Systems,2012,28:155-162.

[3] Leitner P, Wetzstein B, Rosenberg F, et al. Runtime Prediction of Service Level Agreement Violations for Composite Services[C]//Service-Oriented Computing. Berlin:Springer, 2010.176-186.

[4] Leitner P, Michlmayr A, Rosenberg F, et al. Monitoring, Prediction and Prevention of SLA Violations in Composite Services[C]// Proceeding of 2010 IEEE International Conference on Web Services. Miami, FL:IEEE, 2010.369-376.

[5] Cardellini V, Casalicchio E, Grassi V, et al. Qos-driven runtime adaptation of service oriented architectures[C]// Proceedings of the the 7th joint meeting of the European software engineering conference and the ACM SIGSOFT symposium on The foundations of software engineering. New York:ACM,2009.131-140.

[6] 林凡.面向服務(wù)的云計(jì)算系統(tǒng)風(fēng)險(xiǎn)評(píng)測(cè)模型研究[D].廈門：廈門大學(xué)碩士學(xué)位論文，2013.

[7] Franke U.Optimal IT service availability: shorter outages, or fewer？[J].IEEE Trans. Netw. Serv. Manag,2012,9(1):22-33.

【責(zé)任編輯 牛懷崗】

A Study of Probabilistic Prediction and Evaluation for Quality of Web Service in Cloud Computing

HA Wei-tao

(School of Network Security and Informationization, Weinan Normal University, Weinan 714099, China)

Firstly, prediction model of composite service quality is proposed in cloud computing which is based on continuous time Markov chain. In the model, constraint specification for QoS properties is defined based on Linear-time Temporal Logic, and QoS probabilistic prediction is further realized by using M/M/1 queuing. In addition, VaR (Value-at-Risk) evaluates violation risk in monetary terms. It defines compensation policies in different networks, and proposes calculation method of aggregation VaR. Through the practical test in the smart grids, prediction spent less time comparable with the updating rate usually considered for smart grids, and had the advantage of high accuracy. Comparing with alternative calculation methods, the mechanism of risk assessment is efficient and high in reliability.

Cloud service; Quality of Service; SLA violation; continuous time Markov chain; risk assessment

TP393

A

1009-5128(2016)24-0009-05

2016-10-16

陜西省教育廳專項(xiàng)科研計(jì)劃項(xiàng)目:利用有色Petri網(wǎng)的服務(wù)組合中帶有時(shí)序邏輯的交互一致性研究(16JK1273)；渭南師范學(xué)院科研計(jì)劃項(xiàng)目：秦東地區(qū)社會(huì)網(wǎng)絡(luò)分析中關(guān)鍵性問(wèn)題的研究(13YKS006)

哈渭濤(1975—)，男(回族)，陜西渭南人，渭南師范學(xué)院網(wǎng)絡(luò)安全與信息化學(xué)院副教授，主要從事智能專家系統(tǒng)與數(shù)據(jù)挖掘研究。