基于用戶滿意度的大數(shù)據(jù)服務(wù)可信評(píng)價(jià)與優(yōu)化

張龍昌,白 靜

(1.宿遷學(xué)院 信息工程學(xué)院,江蘇 宿遷 223800;2.北京郵電大學(xué)深圳研究院,廣東 深圳 518038;3.東北財(cái)經(jīng)大學(xué) 管理科學(xué)與工程學(xué)院,遼寧 大連 116025)

1 背景介紹

云計(jì)算通過(guò)基礎(chǔ)設(shè)施即服務(wù)(IaaS)、平臺(tái)即服務(wù)(PaaS)提供大數(shù)據(jù)應(yīng)用運(yùn)行環(huán)境,具體以軟件即服務(wù)(SaaS)形式提交給用戶,稱其為大數(shù)據(jù)服務(wù)。

QoS、情景、服務(wù)價(jià)格、服務(wù)品牌等眾多因素都會(huì)影響大數(shù)據(jù)服務(wù)的用戶滿意度;無(wú)限提升QoS不僅不能使用戶滿意度無(wú)限提高,且嚴(yán)重浪費(fèi)資源;大數(shù)據(jù)服務(wù)周期長(zhǎng)、數(shù)據(jù)遷移成本高、服務(wù)切換難度大,服務(wù)選取非常慎重;服務(wù)市場(chǎng)不斷變化,影響參與各方行為。

基于以上背景,從用戶滿意度視角出發(fā),揭示用戶滿意度形成機(jī)理,構(gòu)建情景感知的用戶滿意度模型,在此基礎(chǔ)上建立可信的服務(wù)評(píng)價(jià)方法和服務(wù)運(yùn)行期博弈優(yōu)化方法,通過(guò)服務(wù)選取和服務(wù)運(yùn)行優(yōu)化實(shí)現(xiàn)大數(shù)據(jù)服務(wù)提供的用戶滿意度最大化(研究所處位置見(jiàn)圖1),最終提出最大化用戶滿意度的大數(shù)據(jù)服務(wù)可信評(píng)價(jià)及博弈優(yōu)化方法。

圖1 大數(shù)據(jù)服務(wù)構(gòu)建模型

2 國(guó)內(nèi)外研究現(xiàn)狀及發(fā)展動(dòng)態(tài)分析

2.1 QoS模型及數(shù)據(jù)采集

研究者從主、客觀兩個(gè)角度建立QoS模型的指標(biāo)體系,主觀QoS屬性一般由用戶打分或使用語(yǔ)言短語(yǔ)進(jìn)行評(píng)價(jià),多用模糊數(shù)描述;客觀QoS屬性一般通過(guò)監(jiān)測(cè)的手段獲取信息,通常采用實(shí)數(shù)[1]、區(qū)間數(shù)[2]、概率或隨機(jī)過(guò)程描述。QoS不僅取決于服務(wù)本身,還取決于網(wǎng)絡(luò)、用戶終端環(huán)境等情景因素,如移動(dòng)網(wǎng)絡(luò)、傳輸網(wǎng)絡(luò)、用戶終端環(huán)境等。QoS優(yōu)不一定會(huì)使用戶體驗(yàn)(QoE)更好,為了使服務(wù)評(píng)價(jià)、選擇、組合的效果更好,一些從探索QoS和QoE間關(guān)系、基于QoE的服務(wù)優(yōu)化、服務(wù)的QoE評(píng)估等視角研究服務(wù)的用戶體驗(yàn)。目前的QoS模型在全面揭示影響用戶滿意度的因素及其規(guī)律方面存在不足,相關(guān)研究成果也未能全面闡述用戶滿意度的形成機(jī)理,致使QoS優(yōu)的服務(wù)用戶滿意度卻不一定高,建立一個(gè)系統(tǒng)的、全面的描述用戶滿意度的模型成為迫切需要解決的問(wèn)題。

通過(guò)服務(wù)提供商發(fā)布QoS、用戶經(jīng)驗(yàn)QoS、監(jiān)控軟件監(jiān)控QoS三種渠道獲得QoS數(shù)據(jù),因用戶終端獲取QoS更能有效反應(yīng)服務(wù)狀態(tài),重點(diǎn)闡述用戶端獲取QoS。監(jiān)控軟件監(jiān)控QoS受環(huán)境因素影響較大,做不到任何時(shí)間、任何地點(diǎn)全面監(jiān)測(cè);另外在用戶端監(jiān)測(cè)QoS或者用戶反饋QoS會(huì)引起用戶終端資源的占用和成本的增加,一些用戶會(huì)選擇搭便車。采用協(xié)同過(guò)濾等預(yù)測(cè)和推理的方法補(bǔ)齊缺失的QoS數(shù)據(jù)方法也有一定局限性,預(yù)測(cè)結(jié)果受數(shù)據(jù)規(guī)模、數(shù)據(jù)質(zhì)量、情景等因素影響,而以用戶經(jīng)驗(yàn)為基礎(chǔ)的用戶滿意度數(shù)據(jù)缺失問(wèn)題,更適合從用戶視角解決,因此有必要從激勵(lì)用戶角度解決用戶滿意度數(shù)據(jù)不全面問(wèn)題,如何建立評(píng)價(jià)用戶提交用戶滿意度數(shù)據(jù)的激勵(lì)機(jī)制是一個(gè)基本問(wèn)題。

用戶對(duì)自身利益的考慮,可能會(huì)選擇提交虛假Q(mào)oS經(jīng)驗(yàn),此類用戶為典型的“網(wǎng)絡(luò)水軍”和“網(wǎng)絡(luò)推手”。解決用戶經(jīng)驗(yàn)QoS的可信性問(wèn)題,通過(guò)設(shè)計(jì)算法對(duì)不可信QoS數(shù)據(jù)進(jìn)行識(shí)別,從而獲得可信QoS數(shù)據(jù)?；跀?shù)據(jù)的識(shí)別預(yù)測(cè)方法具有較好的效果(識(shí)別準(zhǔn)確率可達(dá)到90.5%)和較大的參考價(jià)值,但在場(chǎng)景變化時(shí)識(shí)別率不高,而用戶滿意度數(shù)據(jù)是以用戶的經(jīng)驗(yàn)為基礎(chǔ),通過(guò)識(shí)別用戶的可信度即可識(shí)別數(shù)據(jù)的可信度。這是一種新的研究思路,如何建立評(píng)價(jià)用戶的可信度評(píng)估方法是必須解決的問(wèn)題。

2.2 基于QoS的服務(wù)選擇和排序

目前還較少有基于用戶滿意度的服務(wù)評(píng)價(jià)成果出現(xiàn),基于QoS的服務(wù)選擇和排序具有較高的參考價(jià)值,可以分為以下幾類:(1)基于協(xié)同過(guò)濾的服務(wù)選擇方法[3-4],在特定數(shù)據(jù)缺失條件下和用戶環(huán)境對(duì)QoS影響較大時(shí),不失為一種有效的解決方案,但依賴用戶歷史QoS記錄,服務(wù)選擇的準(zhǔn)確率與數(shù)據(jù)集強(qiáng)相關(guān),同時(shí)也存在數(shù)據(jù)的稀疏性和冷啟動(dòng)等問(wèn)題。(2)基于啟發(fā)式算法的服務(wù)選擇,可在大規(guī)模的組合服務(wù)選擇中以較合理的時(shí)間求得質(zhì)量較優(yōu)的解,遺傳算法[5]、粒子群算法[6]等較常見(jiàn)。在獲得組合服務(wù)計(jì)劃的全局最優(yōu)解和較快的執(zhí)行速度上具有較好的表現(xiàn),在執(zhí)行時(shí)間和解的最優(yōu)度間權(quán)衡,往往沒(méi)找到最優(yōu)解算法就已經(jīng)結(jié)束。(3)基于整數(shù)規(guī)劃的服務(wù)選擇[7],需要對(duì)所有可能的執(zhí)行計(jì)劃進(jìn)行評(píng)估,效率隨著問(wèn)題規(guī)模的增加而大幅度降低。(4)基于多屬性決策理論的服務(wù)選擇方法,首先構(gòu)造候選服務(wù)的QoS矩陣,并獲取用戶對(duì)各QoS屬性的偏好權(quán)重,再應(yīng)用層次分析法(AHP)[8]、逼近理想解的排序方法(TOPSIS)[9-10]等對(duì)候選服務(wù)進(jìn)行評(píng)價(jià)和排序。能夠獲得局部最優(yōu)解,缺點(diǎn)是獲得偏好是個(gè)難題,對(duì)不同數(shù)據(jù)類型表示的QoS屬性需要提出新的決策方法。還有一些具有很高的價(jià)值算法,如基于博弈的服務(wù)選擇優(yōu)化[11]、基于投資組合理論的服務(wù)選擇[12]、基于多屬性組合拍賣等等。

大數(shù)據(jù)服務(wù)依賴于海量的異構(gòu)數(shù)據(jù),不僅同一數(shù)據(jù)中心很難,不同數(shù)據(jù)中心也很難出現(xiàn)功能相同而質(zhì)量不同的大數(shù)據(jù)服務(wù)。依據(jù)若干屬性構(gòu)成的用戶滿意度數(shù)據(jù),從多個(gè)備選服務(wù)中選擇用戶滿意度最高的服務(wù),采用多屬性決策方法更合理。將以往基于多屬性決策方法的服務(wù)選擇研究成果應(yīng)用于實(shí)現(xiàn)服務(wù)選取階段用戶滿意度最大化,仍存在以下問(wèn)題需要解決:以往的QoS數(shù)據(jù)考慮用戶情景因素不夠充分,在用戶滿意度數(shù)據(jù)上有必要考慮用戶的情景因素,即數(shù)據(jù)的可信問(wèn)題;用戶滿意度數(shù)據(jù)為若干次采集的數(shù)據(jù)序列,以往對(duì)數(shù)據(jù)的期望研究的較多,對(duì)數(shù)據(jù)的風(fēng)險(xiǎn)(即分布)研究的較少,即存在數(shù)據(jù)描述的不可信問(wèn)題;進(jìn)而缺少一種新的多屬性決策方法適應(yīng)該類數(shù)據(jù)描述。

2.3 服務(wù)運(yùn)行期的優(yōu)化

從用戶角度的優(yōu)化,目標(biāo)是使服務(wù)的QoS更好或成本更低:文獻(xiàn)[13]解決大規(guī)模的科學(xué)應(yīng)用以任務(wù)數(shù)據(jù)流形式在分布式和異構(gòu)資源云環(huán)境中的調(diào)度,實(shí)現(xiàn)最小化云應(yīng)用的期望執(zhí)行時(shí)間和經(jīng)濟(jì)成本,并保證系統(tǒng)資源的最大公平使用。也有文獻(xiàn)利用虛擬機(jī)技術(shù),對(duì)組合云服務(wù)的資源分配進(jìn)行優(yōu)化,以最小化任務(wù)執(zhí)行時(shí)間為目標(biāo),設(shè)計(jì)了非競(jìng)爭(zhēng)和競(jìng)爭(zhēng)場(chǎng)景下的資源分配方案,在系統(tǒng)資源不足和資源競(jìng)爭(zhēng)時(shí)輕工作量?jī)?yōu)先策略更適合串行和并行任務(wù)。

從服務(wù)提供商角度的優(yōu)化,目標(biāo)是在滿足用戶QoS約束情況下追求云資源利用率、服務(wù)吞吐量、服務(wù)提供商收益更高:文獻(xiàn)[14]在滿足用戶的時(shí)間需求的約束下,通過(guò)動(dòng)態(tài)分配任務(wù)、調(diào)整虛擬機(jī)和調(diào)整主機(jī)盡量減少能量消耗。文獻(xiàn)[15]解決云計(jì)算環(huán)境下帶約束的性能和能耗的多目標(biāo)優(yōu)化問(wèn)題,追求高性能和低能耗。另有文獻(xiàn)建立SaaS服務(wù)提供商和IaaS服務(wù)提供商間的博弈模型,在價(jià)格和資源分配策略間尋求均衡解,實(shí)現(xiàn)SaaS服務(wù)提供商和IaaS服務(wù)提供商的收益最大化。

上述研究成果從用戶或服務(wù)提供商角度對(duì)服務(wù)運(yùn)行期進(jìn)行優(yōu)化,然而目前較少有研究方案可以同時(shí)兼顧用戶和服務(wù)提供商,比如優(yōu)化用戶收益(QoS,經(jīng)濟(jì)成本)的同時(shí)滿足其它約束,并且能夠使服務(wù)提供商也能獲得良好收益。

綜上分析,實(shí)現(xiàn)大數(shù)據(jù)服務(wù)用戶滿意度最大化,存在下述問(wèn)題亟需解決:(1)缺乏完整用戶滿意度模型及全面、可信的用戶滿意度數(shù)據(jù)獲取方法;(2)缺乏實(shí)現(xiàn)用戶滿意度最大化的可信服務(wù)評(píng)價(jià)方法;(3)缺乏服務(wù)運(yùn)行期實(shí)現(xiàn)用戶滿意度最大化的有效優(yōu)化方法。

3 研究?jī)?nèi)容

基于用戶滿意度視角,該文以現(xiàn)實(shí)中大數(shù)據(jù)服務(wù)為研究對(duì)象,構(gòu)建數(shù)理模型建立完整的用戶滿意度模型及能獲取全面、可信的用戶滿意度數(shù)據(jù)方法。具體研究目標(biāo)為:(1)揭示價(jià)格、用戶感知QoS、協(xié)商QoS、品牌形象、感知價(jià)值和情景等影響用戶滿意度的基本規(guī)律,建立能夠全面、準(zhǔn)確描述用戶滿意度的模型,進(jìn)而建立起用戶滿意度與各影響因素間的數(shù)理關(guān)系;(2)揭示評(píng)價(jià)用戶搭便車行為規(guī)律,建立有效的激勵(lì)機(jī)制激勵(lì)評(píng)價(jià)用戶參與用戶滿意度評(píng)價(jià),構(gòu)建完備的用戶滿意度數(shù)據(jù);(3)探索服務(wù)評(píng)價(jià)中存在的用戶滿意度數(shù)據(jù)虛假問(wèn)題,建立有效的評(píng)價(jià)用戶可信度評(píng)估方法,消除虛假用戶滿意度數(shù)據(jù),為可信的服務(wù)評(píng)價(jià)提供數(shù)據(jù)基礎(chǔ);(4)闡明云模型、TOPSIS基本原理,建立充分考慮情景因素的可信服務(wù)評(píng)價(jià)方法,能夠有效解決現(xiàn)有評(píng)價(jià)方法在可信度方面存在的不足;(5)揭示服務(wù)運(yùn)行期服務(wù)參與者行為,明確QoS、價(jià)格與服務(wù)參與者收益的關(guān)系,建立服務(wù)運(yùn)行期博弈優(yōu)化方法,最大化服務(wù)參與者收益。

在綜述大量文獻(xiàn)的基礎(chǔ)上,借鑒客戶滿意度模型(ACSI、ECSI、TCSI)構(gòu)建情景感知的用戶滿意度模型;從激勵(lì)評(píng)價(jià)用戶提交數(shù)據(jù)、評(píng)估評(píng)價(jià)用戶可信度識(shí)別虛假數(shù)據(jù)和提高服務(wù)評(píng)價(jià)算法可信度三方面實(shí)現(xiàn)大數(shù)據(jù)服務(wù)的可信評(píng)價(jià);通過(guò)研究服務(wù)運(yùn)行階段服務(wù)參與者行為及博弈機(jī)理,提出服務(wù)運(yùn)行期博弈優(yōu)化方法,下面是具體研究?jī)?nèi)容(各研究?jī)?nèi)容間的關(guān)系見(jiàn)圖2)。

圖2 各研究?jī)?nèi)容間的關(guān)系

圖3 采取的技術(shù)路線圖

3.1 情景感知的用戶滿意度模型

傳統(tǒng)以QoS為基礎(chǔ)的服務(wù)評(píng)價(jià)能獲得QoS優(yōu)的服務(wù),研究、實(shí)踐證明QoS與用戶滿意度存在正向關(guān)系,但QoS達(dá)到一定閾值后用戶滿意度不再敏感,不斷提高QoS不僅不能顯著提高用戶滿意度,還會(huì)降低云資源利用率,損害服務(wù)提供商利益。此外,傳統(tǒng)以互聯(lián)網(wǎng)為背景的服務(wù)評(píng)價(jià),較少考慮用戶情景(如環(huán)境、時(shí)間、位置、偏好)變化,因而較難準(zhǔn)確地提供用戶滿意的QoS。針對(duì)以往QoS模型不能準(zhǔn)確描述用戶滿意度問(wèn)題,首先揭示價(jià)格、用戶感知QoS、協(xié)商QoS、品牌形象、感知價(jià)值和情景等因素影響用戶滿意度的規(guī)律,進(jìn)而闡明用戶滿意度形成機(jī)理,研究在客戶滿意度模型基礎(chǔ)上構(gòu)建情景感知的用戶滿意度模型,最后研究模型的量化評(píng)估和優(yōu)化,為服務(wù)評(píng)價(jià)和服務(wù)運(yùn)行期博弈優(yōu)化奠定基礎(chǔ)。

3.2 評(píng)價(jià)用戶參與評(píng)價(jià)激勵(lì)機(jī)制

用戶滿意度來(lái)源于評(píng)價(jià)用戶,部分評(píng)價(jià)用戶選擇搭便車,直接導(dǎo)致用戶滿意度數(shù)據(jù)的稀疏、不全面。從激勵(lì)評(píng)價(jià)用戶提交數(shù)據(jù)角度解決該問(wèn)題,首先研究服務(wù)評(píng)價(jià)過(guò)程中的評(píng)價(jià)用戶搭便車行為的測(cè)量方法,用以測(cè)量服務(wù)評(píng)價(jià)中搭便車程度;然后研究構(gòu)建博弈論框架下評(píng)價(jià)用戶貢獻(xiàn)行為模型,觀察用戶貢獻(xiàn)行為的動(dòng)態(tài)過(guò)程,分析個(gè)體評(píng)價(jià)用戶搭便車行為存在的必然性以及由此引致的“公地悲劇”問(wèn)題;進(jìn)而基于委托代理理論和虛擬支付,研究評(píng)價(jià)用戶貢獻(xiàn)的激勵(lì)機(jī)制,從而引導(dǎo)自私型評(píng)價(jià)用戶貢獻(xiàn)用戶滿意度,提升評(píng)價(jià)用戶對(duì)服務(wù)評(píng)價(jià)的貢獻(xiàn)水平。

3.3 評(píng)價(jià)用戶可信度評(píng)估方法

“網(wǎng)絡(luò)水軍”和“網(wǎng)絡(luò)推手”提供虛假用戶滿意度數(shù)據(jù),從評(píng)價(jià)用戶可信視角出發(fā),識(shí)別誠(chéng)信度不高的評(píng)價(jià)用戶,進(jìn)而拒絕其滿意度數(shù)據(jù)。首先基于統(tǒng)計(jì)分析角度,借鑒個(gè)人征信體系構(gòu)建基本思想,建立服務(wù)交易中評(píng)價(jià)用戶的行為檔案,進(jìn)而研究基于Logistic回歸的動(dòng)態(tài)評(píng)價(jià)用戶可信度評(píng)估方法;接著基于人的認(rèn)知行為角度,借鑒社會(huì)網(wǎng)絡(luò)理論研究基于社會(huì)網(wǎng)絡(luò)的動(dòng)態(tài)評(píng)價(jià)用戶可信度評(píng)估方法;最后研究?jī)煞N可信度評(píng)估方法的綜合評(píng)估方案。

3.4 基于云模型的可信服務(wù)評(píng)價(jià)

來(lái)源于不同情景不同評(píng)價(jià)用戶的滿意度數(shù)據(jù)隨機(jī)性和模糊性較強(qiáng),如何建立可信的服務(wù)評(píng)價(jià)方法實(shí)現(xiàn)服務(wù)選取階段的用戶滿意度最大化是迫切需要解決的關(guān)鍵問(wèn)題。分析基于情景的用戶相似規(guī)律并設(shè)計(jì)用戶相似計(jì)算方法,進(jìn)一步研究基于Top-K查詢的情景相似用戶查詢算法,獲取與請(qǐng)求用戶相似的評(píng)價(jià)用戶滿意度數(shù)據(jù);研究云模型(包含期望、熵、超熵三個(gè)數(shù)字特征)的構(gòu)建機(jī)理及用戶滿意度數(shù)據(jù)的云模型表示,探索云模型的擬合方法,設(shè)計(jì)并行的用戶滿意度云發(fā)生器;研究云模型的距離計(jì)算和比較方法,分析典型多屬性決策理論-TOPSIS基本原理,深入研究基于云模型的TOPSIS評(píng)價(jià)方法,解決現(xiàn)有評(píng)價(jià)方法評(píng)價(jià)結(jié)果可信度不高這一關(guān)鍵問(wèn)題。

3.5 服務(wù)運(yùn)行期的博弈優(yōu)化方法

在服務(wù)運(yùn)行期對(duì)服務(wù)進(jìn)行優(yōu)化是另外一個(gè)迫切需要解決的關(guān)鍵問(wèn)題。單方行為較難準(zhǔn)確地對(duì)用戶滿意度產(chǎn)生影響,不能做到服務(wù)市場(chǎng)、QoS、用戶滿意度變化情況下的服務(wù)參與者收益達(dá)到帕累托最優(yōu)狀態(tài),從最大化服務(wù)參與者收益角度出發(fā),研究服務(wù)運(yùn)行階段的博弈優(yōu)化方法,解決現(xiàn)有優(yōu)化模型在服務(wù)優(yōu)化實(shí)踐中存在的亟需解決的問(wèn)題。兩種情形的博弈優(yōu)化:若SaaS、PaaS、IaaS服務(wù)作為整體由獨(dú)立服務(wù)提供商提供,則研究用戶與服務(wù)提供商的兩方動(dòng)態(tài)博弈模型;若SaaS、PaaS、IaaS服務(wù)分別由不同服務(wù)提供商提供,因SaaS、PaaS服務(wù)提供商具有共同特征,除了自身提供軟件服務(wù)外,還代理IaaS服務(wù)提供商向用戶出售IaaS服務(wù),將其定義為應(yīng)用服務(wù)(SaaS/PaaS)提供商,則研究用戶、應(yīng)用服務(wù)提供商和基礎(chǔ)設(shè)施服務(wù)提供商三方博弈模型。上述研究?jī)?nèi)容需要解決的關(guān)鍵科學(xué)問(wèn)題為:(1)如何建立服務(wù)選取階段的最大化用戶滿意度的可信大數(shù)據(jù)服務(wù)評(píng)價(jià)方法是必須解決的關(guān)鍵科學(xué)問(wèn)題。(2)在服務(wù)市場(chǎng)變動(dòng)條件下,如何確定服務(wù)運(yùn)行期的價(jià)格、QoS,使服務(wù)參與者收益達(dá)到帕累托最優(yōu)狀態(tài),促使大數(shù)據(jù)服務(wù)效用最大化,是另一個(gè)關(guān)鍵科學(xué)問(wèn)題。

4 研究方案

4.1 總體研究方案

首先,利用調(diào)查法、統(tǒng)計(jì)分析法結(jié)合客戶滿意度模型(ACSI、ECSI、TCSI),揭示相關(guān)因素影響大數(shù)據(jù)服務(wù)的用戶滿意度規(guī)律;查閱相關(guān)文獻(xiàn)資料,總結(jié)分析客戶滿意度理論最新研究成果,闡明大數(shù)據(jù)服務(wù)的用戶滿意度形成機(jī)理,構(gòu)建情景感知的用戶滿意度模型;使用結(jié)構(gòu)方程模型(SEM)對(duì)構(gòu)建的滿意度模型進(jìn)行評(píng)估和優(yōu)化。接著,在Hadoop云平臺(tái)上的數(shù)字資源大數(shù)據(jù)服務(wù)和遙感大數(shù)據(jù)服務(wù),測(cè)量服務(wù)評(píng)價(jià)過(guò)程中評(píng)價(jià)用戶的搭便車行為,在博弈論框架下分析大數(shù)據(jù)服務(wù)評(píng)價(jià)中的用戶貢獻(xiàn)行為,進(jìn)一步歸納出搭便車存在的必然性和導(dǎo)致的問(wèn)題,借鑒委托代理理論思想建立評(píng)價(jià)用戶參與評(píng)價(jià)激勵(lì)機(jī)制。然后,分別采用統(tǒng)計(jì)方法和社會(huì)網(wǎng)絡(luò)方法對(duì)評(píng)價(jià)用戶可信度進(jìn)行評(píng)估,建立起符合實(shí)際應(yīng)用的評(píng)價(jià)用戶可信度評(píng)估方法。通過(guò)情景感知的用戶滿意度模型、評(píng)價(jià)用戶參與評(píng)價(jià)激勵(lì)機(jī)制、評(píng)價(jià)用戶可信度評(píng)估方法的研究獲取完備、可信的用戶滿意度數(shù)據(jù),在此基礎(chǔ)上通過(guò)情景相似的用戶滿意度Top-K查詢選取更加可信的用戶滿意度數(shù)據(jù),以此建立用戶滿意度云模型,構(gòu)建基于云模型的可信服務(wù)評(píng)價(jià)方法,進(jìn)而實(shí)現(xiàn)服務(wù)選取階段的用戶滿意度最大化。在服務(wù)運(yùn)行階段,通過(guò)對(duì)服務(wù)參與者間的博弈分析,建立服務(wù)參與者間的兩方博弈和三方博弈模型,求解服務(wù)市場(chǎng)變化情況下,在用戶對(duì)收益滿意時(shí),服務(wù)提供商所采取的策略,實(shí)現(xiàn)服務(wù)運(yùn)行期的用戶滿意度最大化。

4.2 具體研究方案

4.2.1 情景感知的用戶滿意度模型研究方案

(1)揭示相關(guān)因素影響用戶滿意度的規(guī)律。首先研究客戶滿意度模型相關(guān)文獻(xiàn)及應(yīng)用現(xiàn)狀,結(jié)合服務(wù)的QoS模型、服務(wù)協(xié)商,總結(jié)影響用戶滿意度的相關(guān)因素。一級(jí)指標(biāo)包括協(xié)商QoS、感知QoS、品牌形象、感知價(jià)值、價(jià)格、用戶滿意度、用戶抱怨、情景,繼續(xù)研究二級(jí)指標(biāo)。同時(shí)繼續(xù)查閱消費(fèi)者行為、云服務(wù)領(lǐng)域最新文獻(xiàn),挖掘用戶滿意度的影響因素,并通過(guò)調(diào)查法采集用戶的真實(shí)需求,即采用理論歸納和定性實(shí)證方法解決指標(biāo)結(jié)構(gòu)合理性問(wèn)題;利用SPSS中的KMO和Bartlett檢驗(yàn)指標(biāo)是否有效,即采用因子顯性分析解決指標(biāo)有效性問(wèn)題;結(jié)合主成分因子分析和定性賦值評(píng)價(jià)解決指標(biāo)權(quán)重問(wèn)題,最終確定指標(biāo)結(jié)構(gòu)和權(quán)重大小。

(2)闡明用戶滿意度形成機(jī)理?？偨Y(jié)分析ACSI、ECSI、TCSI用戶滿意度模型,揭示其構(gòu)成機(jī)理,結(jié)合大數(shù)據(jù)服務(wù)特點(diǎn),在情景感知的用戶滿意度模型的指標(biāo)框架體系下,闡明模型的結(jié)構(gòu)與指標(biāo)的關(guān)系(見(jiàn)圖4),將繼續(xù)深入研究。在定性實(shí)證方面,邀請(qǐng)專家對(duì)模型進(jìn)行評(píng)價(jià)。

圖4 情景感知的用戶滿意度模型

(3)模型量化評(píng)估和優(yōu)化。在Hadoop平臺(tái)上數(shù)字資源大數(shù)據(jù)檢索服務(wù)和遙感大數(shù)據(jù)分析服務(wù),基于情景感知的用戶滿意度模型設(shè)計(jì)調(diào)查問(wèn)卷,對(duì)觀測(cè)變量進(jìn)行數(shù)據(jù)收集。根據(jù)數(shù)據(jù)質(zhì)量使用結(jié)構(gòu)方程模型(SEM)進(jìn)行相關(guān)參數(shù)估算,進(jìn)行模型契合度(也叫擬合度)估算,通過(guò)參數(shù)估計(jì)中出現(xiàn)的偏差對(duì)最終應(yīng)用模型進(jìn)行修正。有多種軟件可以處理SEM,常用的有LISREL、AMOS和PLS,在綜合分析常用三種軟件優(yōu)缺點(diǎn)的基礎(chǔ)上,結(jié)合研究實(shí)際情況,采用一種或多種軟件進(jìn)行數(shù)據(jù)處理。

4.2.2 評(píng)價(jià)用戶參與評(píng)價(jià)激勵(lì)機(jī)制研究方案

(1)大數(shù)據(jù)服務(wù)評(píng)價(jià)中搭便車行為測(cè)量。首先進(jìn)行主動(dòng)測(cè)量,即在數(shù)字資源大數(shù)據(jù)檢索服務(wù)和遙感大數(shù)據(jù)分析服務(wù)中植入監(jiān)測(cè)程序,記錄服務(wù)請(qǐng)求、服務(wù)應(yīng)答、收到的評(píng)價(jià)等日志信息;其次,調(diào)查Google、亞馬遜、阿里巴巴云服務(wù)的用戶評(píng)價(jià)情況;最后,總結(jié)測(cè)量和調(diào)查結(jié)果,分析評(píng)價(jià)用戶貢獻(xiàn)的行為特征,初步歸納出用戶貢獻(xiàn)行為具有志愿和收益共享性而成本(包括占用IT資源、時(shí)間等)獨(dú)擔(dān)兩種特征,繼續(xù)深入探索其它特征。

(2)博弈論框架下構(gòu)建評(píng)價(jià)用戶貢獻(xiàn)行為模型。基于評(píng)價(jià)用戶貢獻(xiàn)行為特征的分析,做出以下假設(shè):大數(shù)據(jù)服務(wù)評(píng)價(jià)中評(píng)價(jià)用戶是理性(自私)的;一次評(píng)價(jià)任務(wù)只能由調(diào)用服務(wù)的用戶完成;大數(shù)據(jù)服務(wù)與評(píng)價(jià)用戶是委托代理的關(guān)系。效用模型構(gòu)建:設(shè)n個(gè)用戶調(diào)用大數(shù)據(jù)服務(wù)并且需要提交評(píng)價(jià),評(píng)價(jià)用戶期望效用最大化模型為:

(1)

其中,至少m個(gè)評(píng)價(jià)用戶提交評(píng)價(jià)的收益R被所有用戶共享,成本ci由評(píng)價(jià)用戶獨(dú)自承擔(dān),γi是評(píng)價(jià)用戶i選擇提交評(píng)價(jià)的概率,γvi是至少m個(gè)評(píng)價(jià)用戶選擇提交評(píng)價(jià)的概率(當(dāng)用戶i選擇不提交評(píng)價(jià)),用戶i的效用Eui是關(guān)于ci、R、γi、γvi的函數(shù)。

博弈分析:首先從兩個(gè)局中人的非零和博弈入手來(lái)研究?jī)蓚€(gè)評(píng)價(jià)用戶之間行為決策的相互影響,分析兩個(gè)評(píng)價(jià)用戶在不同策略選擇條件下的收益與損失;接著將問(wèn)題拓展到多個(gè)評(píng)價(jià)用戶情況,轉(zhuǎn)變?yōu)樵u(píng)價(jià)用戶i與其他評(píng)價(jià)用戶之間的博弈。

模型驗(yàn)證與分析:首先,從評(píng)價(jià)用戶角度出發(fā),通過(guò)實(shí)驗(yàn)觀察評(píng)價(jià)用戶數(shù)量固定時(shí)在不同評(píng)價(jià)概率下的收益;接著,通過(guò)動(dòng)態(tài)建模,觀察隨著評(píng)價(jià)用戶數(shù)量的增加,個(gè)體評(píng)價(jià)用戶的評(píng)價(jià)概率與大數(shù)據(jù)服務(wù)整體評(píng)價(jià)概率的變化情況;進(jìn)而通過(guò)觀察評(píng)價(jià)用戶貢獻(xiàn)行為的動(dòng)態(tài)過(guò)程,解釋大數(shù)據(jù)服務(wù)評(píng)價(jià)中個(gè)體評(píng)價(jià)用戶“搭便車”行為存在的必然性。

(3)基于委托代理的評(píng)價(jià)用戶貢獻(xiàn)激勵(lì)機(jī)制。成本收益是影響評(píng)價(jià)用戶對(duì)大數(shù)據(jù)服務(wù)評(píng)價(jià)貢獻(xiàn)水平的重要因素,若能給予評(píng)價(jià)用戶一定的報(bào)酬,彌補(bǔ)評(píng)價(jià)用戶貢獻(xiàn)的損失,將會(huì)提升評(píng)價(jià)用戶的貢獻(xiàn)意愿。擬通過(guò)虛擬支付方式對(duì)于評(píng)價(jià)用戶的貢獻(xiàn)行為給予一定獎(jiǎng)勵(lì),這種獎(jiǎng)勵(lì)可通過(guò)虛擬貨幣進(jìn)行量化;基于委托代理理論,構(gòu)建評(píng)價(jià)用戶貢獻(xiàn)激勵(lì)機(jī)制。

首先,確定評(píng)價(jià)用戶貢獻(xiàn)的產(chǎn)出函數(shù)Y、成本函數(shù)C、最優(yōu)激勵(lì)合同函數(shù)S(Y)、大數(shù)據(jù)服務(wù)期望效用函數(shù)E(Y-S(Y))與評(píng)價(jià)用戶的期望效用函數(shù)E(S(Y)-C)(分別考慮風(fēng)險(xiǎn)中性和風(fēng)險(xiǎn)規(guī)避型兩種評(píng)價(jià)用戶)。

然后,基于委托代理,大數(shù)據(jù)服務(wù)為委托人,評(píng)價(jià)用戶為代理人,IR為參與約束(體現(xiàn)評(píng)價(jià)用戶在貢獻(xiàn)水平與收益間權(quán)衡),IC為激勵(lì)約束(體現(xiàn)評(píng)價(jià)用戶使自己效用最大化的努力水平),建立基本激勵(lì)模型為:

(2)

接著,在基本激勵(lì)模型基礎(chǔ)上研究完全信息條件下的激勵(lì)模型,此時(shí)激勵(lì)約束條件不起作用,可以設(shè)置任意滿足參與約束條件的強(qiáng)制合同實(shí)現(xiàn)任何貢獻(xiàn)水平。這里同樣考慮評(píng)價(jià)用戶風(fēng)險(xiǎn)中性和風(fēng)險(xiǎn)規(guī)避兩種情況。

進(jìn)一步,在基本激勵(lì)模型基礎(chǔ)上研究不完全信息條件下的激勵(lì)模型。不論對(duì)評(píng)價(jià)用戶的激勵(lì)機(jī)制如何,評(píng)價(jià)用戶總是會(huì)選擇最優(yōu)的貢獻(xiàn)水平以最大化自身效用,用戶的激勵(lì)約束起作用,只能通過(guò)最優(yōu)激勵(lì)合同的設(shè)置誘使用戶選擇被期望的貢獻(xiàn)水平。

最后,在數(shù)字資源大數(shù)據(jù)檢索服務(wù)和遙感大數(shù)據(jù)分析服務(wù)評(píng)價(jià)上,驗(yàn)證該激勵(lì)機(jī)制對(duì)大數(shù)據(jù)服務(wù)評(píng)價(jià)中評(píng)價(jià)用戶搭便車行為的擬制效果。

4.2.3 評(píng)價(jià)用戶可信度評(píng)估方法研究方案

首先采用基于Logistic回歸的動(dòng)態(tài)可信度評(píng)估方法評(píng)估,再使用基于社會(huì)網(wǎng)絡(luò)的可信度評(píng)估方法評(píng)估,最后將兩種方法的評(píng)估結(jié)果進(jìn)行綜合。

(1)基于Logistic回歸的動(dòng)態(tài)可信度評(píng)估方法。首先,以情景感知的用戶滿意度模型為基礎(chǔ),從評(píng)價(jià)用戶特征、評(píng)價(jià)信息、服務(wù)協(xié)商、服務(wù)質(zhì)量、情景、評(píng)價(jià)用戶抱怨等維度抽取可信度影響變量。然后,采用Logistic回歸模型計(jì)算評(píng)價(jià)用戶可信度,計(jì)算方程如下:

(3)

其中,xk(k=1,2,…,m)為影響變量(為消除不同量綱的影響,擬采用min-max標(biāo)準(zhǔn)化或z-score標(biāo)準(zhǔn)化),xj(j=0,1,…,m)為技術(shù)系數(shù),Logistic回歸值p∈(0,1)為評(píng)價(jià)用戶可信概率。最后,分別取一千個(gè)左右樣本作為訓(xùn)練集和一百個(gè)左右樣本作為測(cè)試集,對(duì)模型進(jìn)行驗(yàn)證和分析。

在觀察期內(nèi),評(píng)價(jià)用戶的可信度是動(dòng)態(tài)變化的,擬采用馬爾可夫鏈對(duì)評(píng)價(jià)用戶可信度進(jìn)行動(dòng)態(tài)預(yù)測(cè)。不可信評(píng)價(jià)用戶評(píng)分往往是極端的好或極端的差,評(píng)價(jià)用戶每提交一次評(píng)價(jià)后計(jì)算其是否為極端樣本,擬采用x-μ≤δCv計(jì)算(其中x為評(píng)價(jià)用戶提交的評(píng)分,Cv為離差系數(shù),μ為所有評(píng)分的均值估計(jì),δ為所有評(píng)分的標(biāo)準(zhǔn)差估計(jì)),累計(jì)k次為一個(gè)狀態(tài),當(dāng)k大于某個(gè)閾值時(shí)為不可信,從而獲得評(píng)價(jià)用戶可信等級(jí)的全體狀態(tài)空間。接著,由訓(xùn)練樣本計(jì)算出各狀態(tài)出現(xiàn)的概率,進(jìn)而動(dòng)態(tài)預(yù)測(cè)評(píng)價(jià)用戶可信度。

最后,仍然采用Logistic回歸模型綜合靜態(tài)可信度預(yù)測(cè)和動(dòng)態(tài)可信度預(yù)測(cè)。

(2)基于社會(huì)網(wǎng)絡(luò)的可信度評(píng)估方法。評(píng)價(jià)用戶提交評(píng)價(jià)后,對(duì)近期內(nèi)情景相似的m個(gè)匿名評(píng)價(jià)用戶的滿意度評(píng)價(jià)進(jìn)行打分,基于打分建立評(píng)價(jià)用戶間信任的社會(huì)網(wǎng)絡(luò)關(guān)系(見(jiàn)圖5)。其中u0為被評(píng)估評(píng)價(jià)用戶,u1、u2、u3為直接給u0打分評(píng)價(jià)用戶,u4、u5、ui為間接給u0打分評(píng)價(jià)用戶。

圖5 評(píng)價(jià)用戶的信任關(guān)系

影響可信度評(píng)估模型的因子還可能有可信度評(píng)分次數(shù)、時(shí)間權(quán)重、評(píng)分用戶的可信度、情景相似度等,分別設(shè)計(jì)上述影響因子的計(jì)算方法,在此基礎(chǔ)上建立直接可信度評(píng)估模型和間接可信度評(píng)估模型,進(jìn)而建立基于社會(huì)網(wǎng)絡(luò)的評(píng)價(jià)用戶可信度評(píng)估方法。

4.2.4 基于云模型的可信服務(wù)評(píng)價(jià)研究方案

大數(shù)據(jù)服務(wù)評(píng)價(jià)以用戶滿意度數(shù)據(jù)為基礎(chǔ),是多屬性決策問(wèn)題,采用以下方案實(shí)現(xiàn)可信的服務(wù)評(píng)價(jià)。

(1)情景相似的用戶滿意度Top-K查詢。選取請(qǐng)求用戶情景相似的用戶滿意度數(shù)據(jù)作為服務(wù)評(píng)價(jià)數(shù)據(jù)更為可信。情景因素包括主觀因素(如偏好)和客觀因素(如時(shí)間、位置)。主觀因素描述請(qǐng)求用戶和評(píng)價(jià)用戶偏好的向量,兩者相似度體現(xiàn)為線性相關(guān)程度,實(shí)際應(yīng)用中因素的數(shù)目大于1并且假定用戶能明確給出各因素的評(píng)分,因此其相似度計(jì)算擬采用皮爾遜相關(guān)系數(shù);客觀因素相似度計(jì)算,擬采用歐幾里德距離。對(duì)于量綱不同,擬采用min-max標(biāo)準(zhǔn)化或z-score標(biāo)準(zhǔn)化,通過(guò)實(shí)驗(yàn)分析兩者在不同數(shù)據(jù)量下的適用性。

大數(shù)據(jù)服務(wù)評(píng)價(jià)以相似度最大的k個(gè)用戶滿意度數(shù)據(jù)為基礎(chǔ),從而轉(zhuǎn)換為數(shù)據(jù)維度為2(主觀因素和客觀因素)的Top-K查詢問(wèn)題,若采用加權(quán)和計(jì)算相似度有f(ti)=w1*f(s)+w2*f(o),ti∈T且1≤i≤m(T為數(shù)據(jù)集,m為數(shù)據(jù)集的勢(shì)),w1、w2為權(quán)重且w1+w2=1,f(s)≥0為主觀因素相似度,f(o)≥0為客觀因素相似度。首先,按照各服務(wù)器計(jì)算和存儲(chǔ)能力對(duì)用戶滿意度數(shù)據(jù)進(jìn)行水平劃分,劃分方式擬采用隨機(jī)劃分、按時(shí)間序列劃分、哈希劃分、基于網(wǎng)格劃分,顯然按時(shí)間序列劃分最為簡(jiǎn)潔,通過(guò)實(shí)驗(yàn)分析驗(yàn)證這些劃分方式的優(yōu)劣?；跀?shù)據(jù)劃分特點(diǎn)設(shè)計(jì)基于MapReduce的用戶滿意度數(shù)據(jù)的Top-K查詢算法。

(2)基于云模型的用戶滿意度表示。不確定的用戶滿意度評(píng)分,導(dǎo)致分值的分布隨機(jī)而模糊,擬采用云模型描述,增加服務(wù)評(píng)價(jià)的可信度。用戶滿意度指標(biāo)i評(píng)分?jǐn)?shù)據(jù)的云模型擬表示為Ci=(Exi,Eni,Hei),其中Exi為評(píng)分分布的期望,Eni為評(píng)分分布的熵,Hei為評(píng)分分布熵的熵。借鑒逆向云發(fā)生器的思想,擬采用統(tǒng)計(jì)和理論推導(dǎo)相結(jié)合的方法,研究多個(gè)云模型擬合方法。最后,在MapReduce框架下設(shè)計(jì)并行處理的逆向云發(fā)生器,解決面向海量數(shù)據(jù)時(shí)逆向云發(fā)生器效率低的問(wèn)題。

(3)基于云模型的大數(shù)據(jù)服務(wù)評(píng)價(jià)。擬采用多屬性決策中常用的有效方法TOPSIS。用戶滿意度由多個(gè)云模型描述的指標(biāo)構(gòu)成,在分析TOPSIS的基本原理基礎(chǔ)上,解決以下兩個(gè)問(wèn)題:為消除不同量綱對(duì)評(píng)價(jià)結(jié)果的影響,擬借鑒正太分布的標(biāo)準(zhǔn)化方法,將各指標(biāo)進(jìn)行標(biāo)準(zhǔn)化;擬采用統(tǒng)計(jì)和理論推導(dǎo)相結(jié)合方法計(jì)算云模型的距離和比較云模型大小。最后,借鑒TOPSIS的基本思想,設(shè)計(jì)出基于云模型的大數(shù)據(jù)服務(wù)評(píng)價(jià)方法。

4.2.5 服務(wù)運(yùn)行期的博弈優(yōu)化方法研究方案

(1)服務(wù)運(yùn)行期的兩方動(dòng)態(tài)博弈模型。若SaaS、PaaS、IaaS服務(wù)作為整體由獨(dú)立服務(wù)提供商提供,則為獨(dú)占?jí)艛嗍袌?chǎng)中的用戶和服務(wù)提供商之間動(dòng)態(tài)博弈(是一種討價(jià)還價(jià)博弈)。

博弈過(guò)程:用戶感知到服務(wù)QoS、價(jià)格或市場(chǎng)信號(hào),根據(jù)自身的收益函數(shù)決定對(duì)服務(wù)的支付意愿并完成購(gòu)買,實(shí)現(xiàn)自身效用最大化;服務(wù)提供商感知到用戶行為(這里主要指用戶抱怨)和市場(chǎng)信號(hào),調(diào)整服務(wù)價(jià)格或QoS,以實(shí)現(xiàn)收益最大化;兩方交替進(jìn)行討價(jià)還價(jià),用戶收益達(dá)到用戶滿意,則博弈結(jié)束。

用戶和服務(wù)提供商的收益函數(shù):用戶收益是服務(wù)QoS、價(jià)格、以及用戶感知的市場(chǎng)信號(hào)的函數(shù),體現(xiàn)為用戶滿意度,基于情景感知的用戶滿意度模型建立用戶收益函數(shù);服務(wù)提供商的收益為總收益、總成本以及服務(wù)提供商感知的市場(chǎng)信號(hào)的函數(shù),總收益體現(xiàn)為某時(shí)刻所有用戶的付費(fèi),總成本為某時(shí)刻向用戶提供服務(wù)付出的開(kāi)銷,深入探索服務(wù)提供商的收益函數(shù)。

博弈方的行動(dòng)集:獨(dú)占?jí)艛嗍袌?chǎng)中只有一個(gè)服務(wù)提供商為相同需求用戶提供服務(wù),此時(shí)博弈參與方為用戶和服務(wù)提供商,同時(shí)假定可伸縮的云資源提供可保證服務(wù)QoS穩(wěn)定;用戶可能采取的策略空間是{增量購(gòu)買服務(wù),減量購(gòu)買服務(wù)},服務(wù)提供商可能采取的策略空間是{提升QoS,降低QoS,提升價(jià)格,降低價(jià)格}。

基于上述分析,建立討價(jià)還價(jià)博弈模型,用戶與服務(wù)提供商進(jìn)行博弈,用戶收益達(dá)到用戶滿意,博弈結(jié)束,此時(shí)用戶滿意度較高。

(2)服務(wù)運(yùn)行期的三方博弈模型。

SaaS、PaaS服務(wù)提供商提供軟件服務(wù),兩者具有共同特征,必須運(yùn)行在IaaS上,除了自身提供軟件服務(wù)外還代理IaaS服務(wù)提供商向用戶出售IaaS服務(wù),將其定義為應(yīng)用服務(wù)(SaaS/PaaS)提供商,則為獨(dú)占?jí)艛嗍袌?chǎng)中的用戶、應(yīng)用服務(wù)提供商和基礎(chǔ)設(shè)施服務(wù)提供商之間動(dòng)態(tài)博弈。

博弈過(guò)程:用戶感知到服務(wù)QoS、價(jià)格或市場(chǎng)信號(hào),根據(jù)自身的收益函數(shù)決定對(duì)服務(wù)的支付意愿并完成購(gòu)買,實(shí)現(xiàn)自身效用最大化;應(yīng)用服務(wù)提供商感知到用戶行為(這里主要指用戶抱怨)和市場(chǎng)信號(hào),根據(jù)自身的收益函數(shù)調(diào)整服務(wù)價(jià)格或QoS,以實(shí)現(xiàn)收益最大化;基礎(chǔ)設(shè)施服務(wù)提供商感知到應(yīng)用服務(wù)提供商行為和市場(chǎng)信號(hào),調(diào)整基礎(chǔ)設(shè)施服務(wù)價(jià)格或QoS,以實(shí)現(xiàn)收益最大化;三方按順序進(jìn)行多次博弈,用戶收益達(dá)到用戶滿意,則博弈結(jié)束。

參照兩方動(dòng)態(tài)博弈中的用戶收益函數(shù)和服務(wù)提供商收益函數(shù),基于三方博弈過(guò)程,建立三方博弈中的用戶收益函數(shù)、應(yīng)用服務(wù)提供商收益函數(shù)、基礎(chǔ)設(shè)施服務(wù)提供商收益函數(shù)。

參照兩方動(dòng)態(tài)博弈中的用戶策略空間和服務(wù)提供商策略空間,基于三方博弈過(guò)程,建立三方博弈的用戶策略空間、應(yīng)用服務(wù)提供商策略空間和基礎(chǔ)設(shè)施服務(wù)提供商策略空間。

基于上述分析,建立三方博弈模型,對(duì)模型求解,進(jìn)而得出用戶收益達(dá)到滿意時(shí),應(yīng)用服務(wù)和基礎(chǔ)設(shè)施服務(wù)提供商在最大化自身收益情況下采取的策略。

5 結(jié)束語(yǔ)

對(duì)大數(shù)據(jù)服務(wù)QoS保障的國(guó)內(nèi)外研究現(xiàn)狀及發(fā)展動(dòng)態(tài)進(jìn)行了系統(tǒng)的總結(jié)和分析,圍繞研究目標(biāo)和關(guān)鍵科學(xué)問(wèn)題詳細(xì)介紹了相關(guān)研究?jī)?nèi)容和擬采用的研究方案。下一步將對(duì)提出的研究?jī)?nèi)容進(jìn)行深入探索,在初步研究方案基礎(chǔ)上提出高效、可行的問(wèn)題解決方案。密切關(guān)注邊緣計(jì)算和智能技術(shù)的發(fā)展,研究其對(duì)大數(shù)據(jù)服務(wù)QoS保障技術(shù)帶來(lái)的新挑戰(zhàn)和新機(jī)遇。