一種移動(dòng)邊緣計(jì)算下基于高斯隱藏貝葉斯的服務(wù)質(zhì)量監(jiān)控方法

張雅玲，張鵬程，金惠穎

(河海大學(xué) 計(jì)算機(jī)與信息學(xué)院，南京211100)E-mail：2460154274@qq.com

1 引 言

移動(dòng)邊緣計(jì)算是一項(xiàng)新興技術(shù)，通過在移動(dòng)客戶端和服務(wù)器之間部署靠近移動(dòng)端的邊緣服務(wù)器提供服務(wù)，因此具有響應(yīng)時(shí)間短、處理速度快等特點(diǎn)[1].隨著這些新技術(shù)的不斷發(fā)展，Web服務(wù)也逐漸運(yùn)用于人們生活的各個(gè)領(lǐng)域，包括商業(yè)、工業(yè)、醫(yī)藥及娛樂等領(lǐng)域[2].部署在互聯(lián)網(wǎng)上的Web服務(wù)的數(shù)量在快速的增長，并且逐步轉(zhuǎn)移到移動(dòng)邊緣端，其中不同的服務(wù)提供商可能會(huì)提供功能相似的服務(wù)，相同的服務(wù)在不同的邊緣服務(wù)器上表現(xiàn)的效果也大有不同.如何選擇滿足用戶需要的服務(wù)，成為人們關(guān)注的焦點(diǎn)問題[3]，由此引入了QoS(Quality of Service)的概念，QoS表示服務(wù)的非功能屬性，主要包括響應(yīng)時(shí)間、吞吐量、可靠性及可用性等[4].

具有QoS保證的移動(dòng)邊緣服務(wù)是人們選擇服務(wù)的主要關(guān)注點(diǎn)，通常服務(wù)的QoS數(shù)據(jù)是由服務(wù)提供商提供，某些提供商可能會(huì)提供虛假信息以吸引用戶，其不足以評價(jià)服務(wù)的好壞.因此，為了保證服務(wù)的正常運(yùn)行，有效地監(jiān)控服務(wù)的QoS顯得尤為重要[5-7].

監(jiān)控技術(shù)是檢驗(yàn)服務(wù)是否失效的最有效的方法[8].一般來說，QoS屬性標(biāo)準(zhǔn)可以用概率質(zhì)量屬性的方式來表達(dá)[9]，如響應(yīng)時(shí)間可描述為“某服務(wù)對客戶請求的響應(yīng)時(shí)間小于1s的概率為80%”.基于這種概率質(zhì)量屬性標(biāo)準(zhǔn)，研究人員在傳統(tǒng)網(wǎng)絡(luò)環(huán)境下提出了許多QoS監(jiān)控方法.然而現(xiàn)有的這些方法在移動(dòng)邊緣環(huán)境下存在一定的問題，分析如下：

1)用戶的移動(dòng)性使得傳統(tǒng)監(jiān)控決策方法在邊緣環(huán)境下不可用.在移動(dòng)邊緣環(huán)境下，用戶位置的不斷變化帶來邊緣服務(wù)器的切換，因此在監(jiān)控過程中，當(dāng)用戶移動(dòng)到新的邊緣服務(wù)器時(shí)，舊邊緣服務(wù)器上的歷史數(shù)據(jù)就會(huì)失效[10]，傳統(tǒng)的方法僅通過舊服務(wù)器上的歷史數(shù)據(jù)進(jìn)行決策致使監(jiān)控結(jié)果不再準(zhǔn)確.某用戶a早晨基于家附近的某個(gè)邊緣服務(wù)器調(diào)用服務(wù)，監(jiān)控結(jié)果顯示服務(wù)運(yùn)行正常.當(dāng)其地理位置切換到學(xué)校時(shí)，便會(huì)調(diào)用新的邊緣服務(wù)器，傳統(tǒng)的監(jiān)控方法仍會(huì)利用舊邊緣服務(wù)器上的歷史數(shù)據(jù)對服務(wù)進(jìn)行監(jiān)控并且監(jiān)控結(jié)果顯示成功，然而由于該用戶位置的改變此時(shí)的服務(wù)狀態(tài)早已失效.

2)QoS屬性值之間的依賴性致使監(jiān)控結(jié)果發(fā)生偏差.在移動(dòng)邊緣環(huán)境下，同一個(gè)邊緣服務(wù)器中的QoS值之間有很大的依賴性，現(xiàn)有基于樸素貝葉斯分類的監(jiān)控方法中假設(shè)屬性值之間相互獨(dú)立忽略了屬性值之間的影響，從而將導(dǎo)致服務(wù)監(jiān)控的滯后判斷.同樣的，該用戶切換到學(xué)校附近的邊緣服務(wù)器時(shí)，傳統(tǒng)的監(jiān)控方法假設(shè)監(jiān)控樣本與當(dāng)前服務(wù)器的失效樣本相互獨(dú)立，使得判斷服務(wù)失效的概率降低，導(dǎo)致服務(wù)監(jiān)控未能及時(shí)識(shí)別服務(wù)的失效.

為解決以上問題，本文提出了一種基于貝葉斯分類的移動(dòng)邊緣環(huán)境下的QoS監(jiān)控方法.通過構(gòu)造父屬性來減少屬性值之間的依賴性，在訓(xùn)練階段為每個(gè)邊緣服務(wù)器構(gòu)造對應(yīng)的高斯隱藏貝葉斯分類器，在監(jiān)控過程中，基于用戶的移動(dòng)性考慮了以下三種情況：1)用戶沒有調(diào)用新的邊緣服務(wù)器；基于當(dāng)前邊緣服務(wù)器的歷史數(shù)據(jù)構(gòu)造的貝葉斯分類器進(jìn)行監(jiān)控.2)用戶移動(dòng)到一個(gè)新的邊緣服務(wù)器中，并且此邊緣服務(wù)器上有歷史數(shù)據(jù)構(gòu)造的分類器；利用新的邊緣服務(wù)器上的分類器進(jìn)行監(jiān)控.3)用戶移動(dòng)到一個(gè)沒有歷史數(shù)據(jù)的邊緣服務(wù)器中；采用KNN算法選擇鄰近的邊緣服務(wù)器得到監(jiān)控結(jié)果.最后基于真實(shí)數(shù)據(jù)集和模擬數(shù)據(jù)集的實(shí)驗(yàn)對本文提出的方法進(jìn)行了驗(yàn)證.

本文第2節(jié)對近年來相關(guān)QoS監(jiān)控方法進(jìn)行總結(jié)，并引出這些方法在移動(dòng)邊緣環(huán)境下存在的問題.第3節(jié)對本文方法中用到的相關(guān)知識(shí)進(jìn)行介紹.第4節(jié)對本文提出的方法進(jìn)行了詳細(xì)的描述.第5節(jié)針對提出的方法在真實(shí)數(shù)據(jù)集上和模擬數(shù)據(jù)集上進(jìn)行了驗(yàn)證.第6節(jié)對本文工作加以總結(jié)和展望.

2 相關(guān)工作

近年來，概率驗(yàn)證技術(shù)逐漸興起，Chan[11]等首次提出概率監(jiān)控方法，使用PCTL語言定義非功能屬性的概率質(zhì)量標(biāo)準(zhǔn)，計(jì)算成功樣本數(shù)與總的監(jiān)控樣本數(shù)的比值，與事先定義好的概率標(biāo)準(zhǔn)進(jìn)行比較，滿足預(yù)定的標(biāo)準(zhǔn)則認(rèn)為服務(wù)正常運(yùn)行，否則認(rèn)為服務(wù)發(fā)生違規(guī)行為.但此方法并未運(yùn)用統(tǒng)計(jì)學(xué)進(jìn)行分析和驗(yàn)證，因此會(huì)產(chǎn)生較大誤差.

Sammapun[12]等通過計(jì)算成功的樣本數(shù)占總的樣本數(shù)量的概率，再在給定的置信水平下使用假設(shè)檢驗(yàn)判斷系統(tǒng)是否滿足概率質(zhì)量屬性標(biāo)準(zhǔn).Grunske[13]等提出了一種基于驗(yàn)收取樣和連續(xù)假設(shè)檢驗(yàn)的概率監(jiān)控方法ProMo，方法擴(kuò)展了現(xiàn)有的統(tǒng)計(jì)模型檢驗(yàn)技術(shù)，定義了監(jiān)控時(shí)的概率邏輯CSLmon，其是CSL(continuous stochastic logic)的子集，在顯著性水平α和1-β下使用SPRT[14](Sequential Probabilistic Ratio Test)展示了CSLmon公式的正確性.Grunske[15]等改進(jìn)了SPRT方法，通過回退統(tǒng)計(jì)分析并復(fù)用以前的假設(shè)檢驗(yàn)結(jié)果實(shí)現(xiàn)了連續(xù)監(jiān)控，減少了運(yùn)行時(shí)間開銷，但是當(dāng)系統(tǒng)的實(shí)際概率在中立區(qū)時(shí)，限制其所需的最大樣本數(shù)量，方法幾乎失效.

貝葉斯思想的特點(diǎn)是將歷史經(jīng)驗(yàn)數(shù)據(jù)加入現(xiàn)有的預(yù)測判斷，即將先驗(yàn)概率和似然概率相結(jié)合來表示所有形式的不確定性.Zhu[16]等提出了一種基于貝葉斯的概率屬性監(jiān)控方法BaProMon，方法檢查運(yùn)行時(shí)信息來判定監(jiān)控結(jié)果是支持原假設(shè)還是備擇假設(shè)，其監(jiān)控結(jié)果遵循伯努利假設(shè).為了避免貝葉斯因子落入中立區(qū)，重用了以前的監(jiān)控結(jié)果，增加了差異并保持模型等價(jià)，實(shí)現(xiàn)了連續(xù)監(jiān)控.合適的的先驗(yàn)分布對方法的有效性影響較大，但很難選擇合適的先驗(yàn)分布.

Zhang[17]等提出了一種加權(quán)樸素貝葉斯概率監(jiān)控方法wBSRM，方法考慮了環(huán)境因素的影響，使得監(jiān)控更加貼合實(shí)際.采用TF-IDF算法來量化環(huán)境因素對監(jiān)控的影響，將此量化值作為環(huán)境因子權(quán)值對每個(gè)樣本進(jìn)行加權(quán).Zhang[18]等，利用滑動(dòng)窗口機(jī)制及時(shí)擯棄早期冗余的樣本，結(jié)合了信息增益理論動(dòng)態(tài)更新權(quán)值，從而對加權(quán)樸素貝葉斯進(jìn)行改進(jìn).然而在移動(dòng)邊緣環(huán)境下，由于用戶的移動(dòng)性和QoS屬性值之間的依賴性，傳統(tǒng)的監(jiān)控方法可能不再適用.為了解決這些問題，本文提出了一種移動(dòng)邊緣環(huán)境下基于高斯隱藏貝葉斯的QoS監(jiān)控方法.

3 預(yù)備知識(shí)

3.1 樸素貝葉斯分類器

貝葉斯定理的定義為：已知事件A發(fā)生的情況下事件B發(fā)生的概率，求得在事件B發(fā)生的條件下，事件A發(fā)生的概率，其用公式可表達(dá)為：

(1)

貝葉斯分類器基于貝葉斯定理并與先驗(yàn)概率、類條件密度相結(jié)合，由于其計(jì)算高效，算法簡單而被廣泛應(yīng)用于數(shù)據(jù)挖掘中的分類問題中，其思想基礎(chǔ)為：對于指定的待分類項(xiàng)，求解出該分類項(xiàng)發(fā)生的情況下各個(gè)類別發(fā)生的概率，其中最大概率的類別被認(rèn)為此分類項(xiàng)的類別[19].令C={c0，c1，…，cj}是預(yù)定義的類別集，X={x1，x2，…，xn}是樣本向量，根據(jù)貝葉斯公式：

(2)

假定當(dāng)X屬于類cj時(shí)，X中的元素xk和xl的取值是相互獨(dú)立的，同時(shí)P(X)對于所有的分類都是一樣的，所以貝葉斯分類器公式可以簡化為：

(3)

3.2 KNN

k近鄰法(k-nearest neighbor，KNN)是一種基本分類與回歸方法[20]，其基本做法是：給定測試實(shí)例，基于某種距離度量找出訓(xùn)練集中與其最靠近的k個(gè)實(shí)例點(diǎn)，然后基于這k個(gè)最近鄰的信息來進(jìn)行預(yù)測.

通常，在分類任務(wù)中可使用“投票法”，即選擇這k個(gè)實(shí)例中出現(xiàn)最多的標(biāo)記類別作為預(yù)測結(jié)果；在回歸任務(wù)中可使用“平均法”，即將這k個(gè)實(shí)例的實(shí)值輸出標(biāo)記的平均值作為預(yù)測結(jié)果；還可基于距離遠(yuǎn)近進(jìn)行加權(quán)平均或加權(quán)投票，距離越近的實(shí)例權(quán)重越大.

4 移動(dòng)邊緣計(jì)算下基于高斯隱藏貝葉斯的QoS監(jiān)控

4.1 高斯隱藏貝葉斯運(yùn)行時(shí)監(jiān)控(ghBSRM)

樸素貝葉斯分類模型中假設(shè)屬性之間相互獨(dú)立忽略了屬性值之間的依賴性[21]，改進(jìn)樸素貝葉斯分類器的其中一種方法是，削弱屬性間的獨(dú)立性，為每個(gè)屬性創(chuàng)建一個(gè)隱藏的父屬性，其代表來自其他屬性的影響.改進(jìn)的貝葉斯分類器結(jié)構(gòu)如圖1所示，π(xi)表示xi的隱藏父屬性，公式可表示如下：

圖1 改進(jìn)的貝葉斯分類器結(jié)構(gòu)圖

(4)

貝葉斯分類器應(yīng)用于連續(xù)屬性的分類項(xiàng)時(shí)，通常假設(shè)連續(xù)變量服從某種概率分布，然后使用訓(xùn)練數(shù)據(jù)估計(jì)分布的參數(shù)，高斯分布通常被用來表示連續(xù)屬性的類條件概率分布.在高斯分布假設(shè)下[22]：

(5)

在QoS監(jiān)控中，X={x1，x2，…，xn}表示一組QoS樣本屬性向量，令C={c0，c1}是預(yù)定義的類別集，定義樣本滿足概率屬性標(biāo)準(zhǔn)為c0類，不滿足概率屬性標(biāo)準(zhǔn)為c1類.通過構(gòu)造高斯隱藏貝葉斯分類器計(jì)算兩類后驗(yàn)概率，將后驗(yàn)概率較大的類別作為監(jiān)控的結(jié)果.

4.2 移動(dòng)邊緣計(jì)算下的QoS監(jiān)控

由于數(shù)據(jù)的爆炸式增長，基于傳統(tǒng)云計(jì)算模型的單一計(jì)算資源已不能滿足大數(shù)據(jù)處理的實(shí)時(shí)性、安全性和低能耗等需求，由此引出了邊緣計(jì)算模型[23]，其通過在移動(dòng)客戶端和服務(wù)器之間部署靠近移動(dòng)端的邊緣服務(wù)器提供服務(wù)，如圖2所示，在這樣一個(gè)移動(dòng)邊緣計(jì)算系統(tǒng)中，假設(shè)有一組邊緣服務(wù)器集合，用戶在這樣的系統(tǒng)中活動(dòng)，通過附近的邊緣服務(wù)器提供服務(wù).對用戶所調(diào)用的服務(wù)的QoS進(jìn)行監(jiān)控時(shí)，必須要考慮到活動(dòng)用戶當(dāng)前的邊緣服務(wù)器.本文提出的移動(dòng)邊緣環(huán)境下的QoS監(jiān)控方法的主要框架如圖3所示.主要包括了三個(gè)步驟：

圖2 移動(dòng)邊緣監(jiān)控案例圖

圖3 QoS監(jiān)控總體結(jié)構(gòu)圖

1)數(shù)據(jù)預(yù)處理.首先根據(jù)服務(wù)的經(jīng)緯度信息進(jìn)行劃分得到邊緣位置點(diǎn)，從而確定邊緣服務(wù)器的分布，然后將收集到的傳統(tǒng)環(huán)境下的QoS數(shù)據(jù)劃分到各個(gè)邊緣服務(wù)器中，從而構(gòu)建一個(gè)邊緣環(huán)境并且得到邊緣服務(wù)器對應(yīng)的樣本數(shù)據(jù)流.

3)監(jiān)控階段.考慮用戶的移動(dòng)性，基于引言部分提出的三種情況進(jìn)行計(jì)算：

Case 1.用戶在調(diào)用服務(wù)的過程中位置沒有發(fā)生變化，如圖2中的用戶1，2等.此時(shí)監(jiān)控結(jié)果由當(dāng)前邊緣服務(wù)器(Edge1)的分類器得出.

Case 2.用戶位置發(fā)生變化，用戶從一個(gè)邊緣服務(wù)器切換到另一個(gè)邊緣服務(wù)器，且新的邊緣服務(wù)器有歷史QoS數(shù)據(jù)，如圖2中的用戶4，利用新的邊緣服務(wù)器的監(jiān)控模型進(jìn)行監(jiān)控.

Case 3.用戶位置發(fā)生變化，用戶從一個(gè)邊緣服務(wù)器切換到另一個(gè)邊緣服務(wù)器，且新的邊緣服務(wù)器沒有歷史QoS數(shù)據(jù)，如圖2中的用戶5.采用KNN算法，找到距離這個(gè)邊緣服務(wù)器最近的k個(gè)邊緣服務(wù)器，記他們與這個(gè)邊緣服務(wù)器的距離為：d={d1，d2，…，dk}，當(dāng)前監(jiān)控樣本在這k個(gè)邊緣服務(wù)器中的監(jiān)控模型的后驗(yàn)概率比為：pro={p1，p2，…，pk}.根據(jù)位置進(jìn)行加權(quán)，距離越近則權(quán)重越大，計(jì)算得到此邊緣服務(wù)器的后驗(yàn)概率比值為afterpro=w1*p2+w2*p2+…+wk*pk，其中wk=x/dk，w1+w2+…+wk=1，.從而根據(jù)后驗(yàn)概率比值得到監(jiān)控結(jié)果.

5 實(shí) 驗(yàn)

本節(jié)通過實(shí)驗(yàn)來模擬邊緣監(jiān)控環(huán)境并對本文提出的移動(dòng)邊緣計(jì)算下的QoS監(jiān)控方法的合理性和有效性進(jìn)行了驗(yàn)證，實(shí)驗(yàn)旨在：1)將本文提出的ghBSRM與其他監(jiān)控方法進(jìn)行比較；2)驗(yàn)證提出的方法的合理性.

5.1 實(shí)驗(yàn)環(huán)境配置

實(shí)驗(yàn)基于Geany開發(fā)平臺(tái)，使用python編程語言設(shè)計(jì)并實(shí)現(xiàn)提出的方法，本文采用融合數(shù)據(jù)集的方法構(gòu)建邊緣環(huán)境并結(jié)合模擬數(shù)據(jù)集對提出的方法進(jìn)行驗(yàn)證.數(shù)據(jù)集1(1)http：//wsdream.github.io/dataset/wsdream_dataset1.html采用的是上海電信數(shù)據(jù)集[10，24]，該數(shù)據(jù)集包括了3233個(gè)基站的位置信息以及用戶調(diào)用服務(wù)的情況，本文將選取其中的一些基站來模擬一個(gè)移動(dòng)邊緣監(jiān)控環(huán)境.數(shù)據(jù)集2(2)http：//sguangwang.com/TelecomDataset.html采用香港中文大學(xué)發(fā)布的真實(shí)世界Web服務(wù)質(zhì)量數(shù)據(jù)集，該數(shù)據(jù)集包括339個(gè)用戶和5825個(gè)真實(shí)世界的服務(wù)提供了響應(yīng)時(shí)間的量化數(shù)據(jù)，數(shù)據(jù)含有服務(wù)位置.數(shù)據(jù)集3是按照一定約束隨機(jī)生成的數(shù)據(jù)集，該數(shù)據(jù)集采用注入錯(cuò)誤的方式對ghBSRM進(jìn)行有效性檢測.

對數(shù)據(jù)進(jìn)行預(yù)處理，包括過濾數(shù)據(jù)和數(shù)據(jù)集的融合.過濾數(shù)據(jù)即過濾掉數(shù)據(jù)集中無效的數(shù)據(jù)，如響應(yīng)時(shí)間為-1的數(shù)據(jù).移動(dòng)邊緣環(huán)境下的監(jiān)控過程必須要考慮邊緣服務(wù)器的位置以及用戶移動(dòng)過程中調(diào)用邊緣服務(wù)器的情況，現(xiàn)有的傳統(tǒng)數(shù)據(jù)集不符合邊緣要求，通過數(shù)據(jù)集融合[25]的方式獲取滿足邊緣特性的數(shù)據(jù)集.根據(jù)服務(wù)的地理位置對真實(shí)QoS數(shù)據(jù)集進(jìn)行劃分，將同一位置的服務(wù)看作是一個(gè)邊緣服務(wù)器中，得到60組對應(yīng)邊緣服務(wù)器的響應(yīng)時(shí)間樣本流.本文在上海電信數(shù)據(jù)集中選取了60個(gè)基站的位置與之對應(yīng)，從而構(gòu)建了一個(gè)邊緣監(jiān)控環(huán)境.圖4顯示的是部分基站的分布情況.

圖4 邊緣服務(wù)器分布圖

5.2 實(shí)驗(yàn)結(jié)果與分析

5.2.1 ghBSRM和其他監(jiān)控方法的結(jié)果比較

為了驗(yàn)證本文提出的方法的有效性，第一組實(shí)驗(yàn)采用模擬數(shù)據(jù)集測試本文的模型ghBSRM和現(xiàn)有的最新的幾種基于貝葉斯思想的概率監(jiān)控方法IgS-wBSRM、wBSRM和基于傳統(tǒng)貝葉斯的iBSRM在相同QoS屬性標(biāo)準(zhǔn)、相同邊緣服務(wù)器下的監(jiān)控結(jié)果.

選取edge ID為1的邊緣服務(wù)器，QoS需求描述為“響應(yīng)時(shí)間小于3.6s的概率大于85%”.提取真實(shí)數(shù)據(jù)集中的前2000個(gè)數(shù)據(jù)進(jìn)行訓(xùn)練，在3000個(gè)監(jiān)控樣本中，在1～500，1000～2000個(gè)樣本處注入響應(yīng)時(shí)間大于3.6s的錯(cuò)誤樣本數(shù)大于15%，監(jiān)控結(jié)果如圖5所示，當(dāng)樣本數(shù)為106時(shí)，ghBSRM第一次監(jiān)控出了服務(wù)失效，隨后監(jiān)控出失效的是IgS-wBSRM，而在這一階段wBSRM并未監(jiān)控出服務(wù)的異常，其并未考慮到其他樣本對當(dāng)前監(jiān)控樣本的影響導(dǎo)致產(chǎn)生的滯后判斷現(xiàn)象.在764樣本處IgS-wBSRM首先檢測到了服務(wù)遷回正常狀態(tài)，由于其并未考慮到前面錯(cuò)誤樣本對當(dāng)前監(jiān)控結(jié)果的影響，導(dǎo)致提前遷回的現(xiàn)象，可以看出ghBSRM總體上與預(yù)期結(jié)果一致.

圖5 不同監(jiān)控方法的比較

對于這些方法的效率分析，記錄了對不同QoS需求標(biāo)準(zhǔn)下的各監(jiān)控方法在完成3000個(gè)監(jiān)控樣本所需的平均時(shí)間.本實(shí)驗(yàn)在本章第一部分所描述的環(huán)境下運(yùn)行，具體情況如圖6所示.整體上ghBSRM監(jiān)控方法在運(yùn)行時(shí)平均監(jiān)控時(shí)間與wBSRM接近，分析可能是因?yàn)樵谟?xùn)練過程計(jì)算參數(shù)時(shí)需要多次執(zhí)行積分計(jì)算，所以平均時(shí)間與wBSRM相比沒有多少提高，但是整體上優(yōu)于IgS-wBSRM.

圖6 平均監(jiān)控時(shí)間

5.2.2 與傳統(tǒng)環(huán)境的對比

本節(jié)將提出的ghBSRM監(jiān)控方法分別在傳統(tǒng)環(huán)境和移動(dòng)邊緣環(huán)境進(jìn)行了對比實(shí)驗(yàn)，融合上海電信數(shù)據(jù)集和真實(shí)數(shù)據(jù)集，表1和表2顯示用戶51和62在移動(dòng)過程中調(diào)用邊緣服務(wù)器的情況.

表1 用戶51調(diào)用邊緣服務(wù)器情況

表2 用戶62調(diào)用邊緣服務(wù)器情況

圖7表示了在QoS需求描述為“響應(yīng)時(shí)間小于3.6s的概率大于85%”時(shí)這兩個(gè)用戶分別在傳統(tǒng)環(huán)境和移動(dòng)邊緣環(huán)境下的監(jiān)控結(jié)果.在移動(dòng)邊緣環(huán)境下，用戶62在樣本數(shù)為1213時(shí)開始監(jiān)控出服務(wù)的失效，可以猜測這是由于該用戶在移動(dòng)過程中切換服務(wù)器導(dǎo)致了監(jiān)控結(jié)果的改變，然而在傳統(tǒng)環(huán)境下，監(jiān)控結(jié)果一直保持成功狀態(tài)，同樣的，用戶51在兩種環(huán)境下的監(jiān)控結(jié)果也出現(xiàn)了差異.實(shí)驗(yàn)結(jié)果表明了在移動(dòng)邊緣環(huán)境下，用戶移動(dòng)性帶來邊緣服務(wù)器的切換可能會(huì)導(dǎo)致歷史數(shù)據(jù)的失效從而使得監(jiān)控結(jié)果的偏差，有效證明了本文提出的移動(dòng)邊緣環(huán)境下的監(jiān)控方法的合理性.

圖7 監(jiān)控結(jié)果

5.2.3 k值的影響

第三組實(shí)驗(yàn)針對本文方法中的Case3進(jìn)行了驗(yàn)證，當(dāng)用戶移動(dòng)到一個(gè)沒有歷史數(shù)據(jù)的邊緣服務(wù)器中，利用KNN算法選取周邊的邊緣服務(wù)器進(jìn)行監(jiān)控.這組實(shí)驗(yàn)仍然采用模擬數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，QoS需求描述為“響應(yīng)時(shí)間小于3.6s的概率大于85%”，同樣的，在樣本數(shù)1～500，1000～2000注入響應(yīng)時(shí)間大于3.6s的錯(cuò)誤樣本數(shù)大于15%.

圖8顯示的是邊緣服務(wù)器15在沒有歷史數(shù)據(jù)時(shí)，分別選取周邊最近的1～7個(gè)邊緣服務(wù)器進(jìn)行監(jiān)控的結(jié)果.在第一階段，幾個(gè)不同的k值下都監(jiān)控出了服務(wù)的失效.然而在第二階段，k=5時(shí)最快檢測出服務(wù)的失效情況，k=7，6，1時(shí)依次檢測出錯(cuò)誤，而k=2，3，4時(shí)未檢測出異常.實(shí)驗(yàn)表明了在邊緣服務(wù)器沒有歷史數(shù)據(jù)的情況下，選取的k值的不同對監(jiān)控結(jié)果是有影響的，對邊緣服務(wù)器15而言，選取周邊5個(gè)邊緣服務(wù)器進(jìn)行監(jiān)控是最有效的.

圖8 不同的k值

6 總結(jié)和展望

傳統(tǒng)的監(jiān)控方法沒有考慮用戶的移動(dòng)性和數(shù)據(jù)的依賴性，導(dǎo)致了監(jiān)控結(jié)果的偏差.本文提出了一種基于高斯隱藏貝葉斯分類的移動(dòng)邊緣環(huán)境下的QoS監(jiān)控方法.在真實(shí)數(shù)據(jù)集和模擬數(shù)據(jù)集上分別做了相關(guān)實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明了本文提出的方法的合理性和有效性.本文首先對數(shù)據(jù)集進(jìn)行融合，模擬了一個(gè)邊緣監(jiān)控環(huán)境，通過計(jì)算父屬性的值來削弱屬性值之間的依賴性，為每個(gè)邊緣服務(wù)器構(gòu)造對應(yīng)的高斯隱藏貝葉斯分類器，在監(jiān)控過程中，考慮用戶的移動(dòng)性動(dòng)態(tài)切換分類器，且在沒有歷史數(shù)據(jù)的情況下結(jié)合KNN算法實(shí)現(xiàn)移動(dòng)邊緣計(jì)算下的QoS監(jiān)控方法.

在未來的工作中，將考慮以下幾個(gè)問題：1)在沒有歷史數(shù)據(jù)的情況下，每個(gè)邊緣服務(wù)器是否都存在一個(gè)最佳的k值，將進(jìn)一步通過實(shí)驗(yàn)來分析和驗(yàn)證；2)考慮進(jìn)一步將這種方法應(yīng)用到多元監(jiān)控中.