摘要：随着云计算相关技术的迅速发展,云服务组件的QoS预测成为云计算中一个重要的研究课题。实现对QoS值的准确预测是该领域的研究难点。QoS常用来衡量不同云服务组件的性能,基于不同候选组件的QoS值,可以容易地选出最优的组件。对于同一个云服务组件,不同的用户提供的QoS值并不一定相同。针对不同的用户,有个性化的组件QoS值才能进行准确的选择。如果用户的QoS不能由单一的云服务组件满足,则应该考虑组件组合,在这种情况下,需要预测其QoS能力,以保证用户需求得到满足。文中设计了云服务组件的QoS满意预测模型,该模型使用二阶隐马尔科夫模型构建QoS满意度预测模型,通过考虑前两个状态对当前状态的影响,能够有效提高预测精度。最后,通过所构建的原型系统和具有2507个真实Web服务的QWS数据集,并应用Matlab仿真环境验证了所提方法的有效性。

摘要：针对传统隐马尔科夫模型对初值敏感和未考虑历史状态的问题,提出了使用模拟退火算法训练二阶隐马尔科夫模型参数的SA-HMM2。在基于SA-HMM2的Web信息抽取方法中,采用基于视觉的网页分割算法VIPS对网页分块得到状态转移序列,利用提出的SA-HMM2训练算法获取HMM2全局最优模型参数,用改进的Viterbi算法实现了Web信息的抽取。实验结果表明,该方法在平均综合值方面比HMM、GA-HMM分别提高约21%和7%。