一種移動邊緣計算下基于高斯隱藏貝葉斯的服務質量監控方法

張雅玲，張鵬程，金惠穎

(河海大學 計算機與信息學院，南京211100)E-mail：2460154274@qq.com

1 引 言

移動邊緣計算是一項新興技術，通過在移動客戶端和服務器之間部署靠近移動端的邊緣服務器提供服務，因此具有響應時間短、處理速度快等特點[1].隨著這些新技術的不斷發展，Web服務也逐漸運用于人們生活的各個領域，包括商業、工業、醫藥及娛樂等領域[2].部署在互聯網上的Web服務的數量在快速的增長，并且逐步轉移到移動邊緣端，其中不同的服務提供商可能會提供功能相似的服務，相同的服務在不同的邊緣服務器上表現的效果也大有不同.如何選擇滿足用戶需要的服務，成為人們關注的焦點問題[3]，由此引入了QoS(Quality of Service)的概念，QoS表示服務的非功能屬性，主要包括響應時間、吞吐量、可靠性及可用性等[4].

具有QoS保證的移動邊緣服務是人們選擇服務的主要關注點，通常服務的QoS數據是由服務提供商提供，某些提供商可能會提供虛假信息以吸引用戶，其不足以評價服務的好壞.因此，為了保證服務的正常運行，有效地監控服務的QoS顯得尤為重要[5-7].

監控技術是檢驗服務是否失效的最有效的方法[8].一般來說，QoS屬性標準可以用概率質量屬性的方式來表達[9]，如響應時間可描述為“某服務對客戶請求的響應時間小于1s的概率為80%”.基于這種概率質量屬性標準，研究人員在傳統網絡環境下提出了許多QoS監控方法.然而現有的這些方法在移動邊緣環境下存在一定的問題，分析如下：

1)用戶的移動性使得傳統監控決策方法在邊緣環境下不可用.在移動邊緣環境下，用戶位置的不斷變化帶來邊緣服務器的切換，因此在監控過程中，當用戶移動到新的邊緣服務器時，舊邊緣服務器上的歷史數據就會失效[10]，傳統的方法僅通過舊服務器上的歷史數據進行決策致使監控結果不再準確.某用戶a早晨基于家附近的某個邊緣服務器調用服務，監控結果顯示服務運行正常.當其地理位置切換到學校時，便會調用新的邊緣服務器，傳統的監控方法仍會利用舊邊緣服務器上的歷史數據對服務進行監控并且監控結果顯示成功，然而由于該用戶位置的改變此時的服務狀態早已失效.

2)QoS屬性值之間的依賴性致使監控結果發生偏差.在移動邊緣環境下，同一個邊緣服務器中的QoS值之間有很大的依賴性，現有基于樸素貝葉斯分類的監控方法中假設屬性值之間相互獨立忽略了屬性值之間的影響，從而將導致服務監控的滯后判斷.同樣的，該用戶切換到學校附近的邊緣服務器時，傳統的監控方法假設監控樣本與當前服務器的失效樣本相互獨立，使得判斷服務失效的概率降低，導致服務監控未能及時識別服務的失效.

為解決以上問題，本文提出了一種基于貝葉斯分類的移動邊緣環境下的QoS監控方法.通過構造父屬性來減少屬性值之間的依賴性，在訓練階段為每個邊緣服務器構造對應的高斯隱藏貝葉斯分類器，在監控過程中，基于用戶的移動性考慮了以下三種情況：1)用戶沒有調用新的邊緣服務器；基于當前邊緣服務器的歷史數據構造的貝葉斯分類器進行監控.2)用戶移動到一個新的邊緣服務器中，并且此邊緣服務器上有歷史數據構造的分類器；利用新的邊緣服務器上的分類器進行監控.3)用戶移動到一個沒有歷史數據的邊緣服務器中；采用KNN算法選擇鄰近的邊緣服務器得到監控結果.最后基于真實數據集和模擬數據集的實驗對本文提出的方法進行了驗證.

本文第2節對近年來相關QoS監控方法進行總結，并引出這些方法在移動邊緣環境下存在的問題.第3節對本文方法中用到的相關知識進行介紹.第4節對本文提出的方法進行了詳細的描述.第5節針對提出的方法在真實數據集上和模擬數據集上進行了驗證.第6節對本文工作加以總結和展望.

2 相關工作

近年來，概率驗證技術逐漸興起，Chan[11]等首次提出概率監控方法，使用PCTL語言定義非功能屬性的概率質量標準，計算成功樣本數與總的監控樣本數的比值，與事先定義好的概率標準進行比較，滿足預定的標準則認為服務正常運行，否則認為服務發生違規行為.但此方法并未運用統計學進行分析和驗證，因此會產生較大誤差.

Sammapun[12]等通過計算成功的樣本數占總的樣本數量的概率，再在給定的置信水平下使用假設檢驗判斷系統是否滿足概率質量屬性標準.Grunske[13]等提出了一種基于驗收取樣和連續假設檢驗的概率監控方法ProMo，方法擴展了現有的統計模型檢驗技術，定義了監控時的概率邏輯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]等改進了SPRT方法，通過回退統計分析并復用以前的假設檢驗結果實現了連續監控，減少了運行時間開銷，但是當系統的實際概率在中立區時，限制其所需的最大樣本數量，方法幾乎失效.

貝葉斯思想的特點是將歷史經驗數據加入現有的預測判斷，即將先驗概率和似然概率相結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控方法BaProMon，方法檢查運行時信息來判定監控結果是支持原假設還是備擇假設，其監控結果遵循伯努利假設.為了避免貝葉斯因子落入中立區，重用了以前的監控結果，增加了差異并保持模型等價，實現了連續監控.合適的的先驗分布對方法的有效性影響較大，但很難選擇合適的先驗分布.

Zhang[17]等提出了一種加權樸素貝葉斯概率監控方法wBSRM，方法考慮了環境因素的影響，使得監控更加貼合實際.采用TF-IDF算法來量化環境因素對監控的影響，將此量化值作為環境因子權值對每個樣本進行加權.Zhang[18]等，利用滑動窗口機制及時擯棄早期冗余的樣本，結合了信息增益理論動態更新權值，從而對加權樸素貝葉斯進行改進.然而在移動邊緣環境下，由于用戶的移動性和QoS屬性值之間的依賴性，傳統的監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邊緣環境下基于高斯隱藏貝葉斯的QoS監控方法.

3 預備知識

3.1 樸素貝葉斯分類器

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

(1)

貝葉斯分類器基于貝葉斯定理并與先驗概率、類條件密度相結合，由于其計算高效，算法簡單而被廣泛應用于數據挖掘中的分類問題中，其思想基礎為：對于指定的待分類項，求解出該分類項發生的情況下各個類別發生的概率，其中最大概率的類別被認為此分類項的類別[19].令C={c0，c1，…，cj}是預定義的類別集，X={x1，x2，…，xn}是樣本向量，根據貝葉斯公式：

(2)

假定當X屬于類cj時，X中的元素xk和xl的取值是相互獨立的，同時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：給定測試實例，基于某種距離度量找出訓練集中與其最靠近的k個實例點，然后基于這k個最近鄰的信息來進行預測.

通常，在分類任務中可使用“投票法”，即選擇這k個實例中出現最多的標記類別作為預測結果；在回歸任務中可使用“平均法”，即將這k個實例的實值輸出標記的平均值作為預測結果；還可基于距離遠近進行加權平均或加權投票，距離越近的實例權重越大.

4 移動邊緣計算下基于高斯隱藏貝葉斯的QoS監控

4.1 高斯隱藏貝葉斯運行時監控(ghBSRM)

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

圖1 改進的貝葉斯分類器結構圖

(4)

貝葉斯分類器應用于連續屬性的分類項時，通常假設連續變量服從某種概率分布，然后使用訓練數據估計分布的參數，高斯分布通常被用來表示連續屬性的類條件概率分布.在高斯分布假設下[22]：

(5)

在QoS監控中，X={x1，x2，…，xn}表示一組QoS樣本屬性向量，令C={c0，c1}是預定義的類別集，定義樣本滿足概率屬性標準為c0類，不滿足概率屬性標準為c1類.通過構造高斯隱藏貝葉斯分類器計算兩類后驗概率，將后驗概率較大的類別作為監控的結果.

4.2 移動邊緣計算下的QoS監控

由于數據的爆炸式增長，基于傳統云計算模型的單一計算資源已不能滿足大數據處理的實時性、安全性和低能耗等需求，由此引出了邊緣計算模型[23]，其通過在移動客戶端和服務器之間部署靠近移動端的邊緣服務器提供服務，如圖2所示，在這樣一個移動邊緣計算系統中，假設有一組邊緣服務器集合，用戶在這樣的系統中活動，通過附近的邊緣服務器提供服務.對用戶所調用的服務的QoS進行監控時，必須要考慮到活動用戶當前的邊緣服務器.本文提出的移動邊緣環境下的QoS監控方法的主要框架如圖3所示.主要包括了三個步驟：

圖2 移動邊緣監控案例圖

圖3 QoS監控總體結構圖

1)數據預處理.首先根據服務的經緯度信息進行劃分得到邊緣位置點，從而確定邊緣服務器的分布，然后將收集到的傳統環境下的QoS數據劃分到各個邊緣服務器中，從而構建一個邊緣環境并且得到邊緣服務器對應的樣本數據流.

3)監控階段.考慮用戶的移動性，基于引言部分提出的三種情況進行計算：

Case 1.用戶在調用服務的過程中位置沒有發生變化，如圖2中的用戶1，2等.此時監控結果由當前邊緣服務器(Edge1)的分類器得出.

Case 2.用戶位置發生變化，用戶從一個邊緣服務器切換到另一個邊緣服務器，且新的邊緣服務器有歷史QoS數據，如圖2中的用戶4，利用新的邊緣服務器的監控模型進行監控.

Case 3.用戶位置發生變化，用戶從一個邊緣服務器切換到另一個邊緣服務器，且新的邊緣服務器沒有歷史QoS數據，如圖2中的用戶5.采用KNN算法，找到距離這個邊緣服務器最近的k個邊緣服務器，記他們與這個邊緣服務器的距離為：d={d1，d2，…，dk}，當前監控樣本在這k個邊緣服務器中的監控模型的后驗概率比為：pro={p1，p2，…，pk}.根據位置進行加權，距離越近則權重越大，計算得到此邊緣服務器的后驗概率比值為afterpro=w1*p2+w2*p2+…+wk*pk，其中wk=x/dk，w1+w2+…+wk=1，.從而根據后驗概率比值得到監控結果.

5 實 驗

本節通過實驗來模擬邊緣監控環境并對本文提出的移動邊緣計算下的QoS監控方法的合理性和有效性進行了驗證，實驗旨在：1)將本文提出的ghBSRM與其他監控方法進行比較；2)驗證提出的方法的合理性.

5.1 實驗環境配置

實驗基于Geany開發平臺，使用python編程語言設計并實現提出的方法，本文采用融合數據集的方法構建邊緣環境并結合模擬數據集對提出的方法進行驗證.數據集1(1)http：//wsdream.github.io/dataset/wsdream_dataset1.html采用的是上海電信數據集[10，24]，該數據集包括了3233個基站的位置信息以及用戶調用服務的情況，本文將選取其中的一些基站來模擬一個移動邊緣監控環境.數據集2(2)http：//sguangwang.com/TelecomDataset.html采用香港中文大學發布的真實世界Web服務質量數據集，該數據集包括339個用戶和5825個真實世界的服務提供了響應時間的量化數據，數據含有服務位置.數據集3是按照一定約束隨機生成的數據集，該數據集采用注入錯誤的方式對ghBSRM進行有效性檢測.

對數據進行預處理，包括過濾數據和數據集的融合.過濾數據即過濾掉數據集中無效的數據，如響應時間為-1的數據.移動邊緣環境下的監控過程必須要考慮邊緣服務器的位置以及用戶移動過程中調用邊緣服務器的情況，現有的傳統數據集不符合邊緣要求，通過數據集融合[25]的方式獲取滿足邊緣特性的數據集.根據服務的地理位置對真實QoS數據集進行劃分，將同一位置的服務看作是一個邊緣服務器中，得到60組對應邊緣服務器的響應時間樣本流.本文在上海電信數據集中選取了60個基站的位置與之對應，從而構建了一個邊緣監控環境.圖4顯示的是部分基站的分布情況.

圖4 邊緣服務器分布圖

5.2 實驗結果與分析

5.2.1 ghBSRM和其他監控方法的結果比較

為了驗證本文提出的方法的有效性，第一組實驗采用模擬數據集測試本文的模型ghBSRM和現有的最新的幾種基于貝葉斯思想的概率監控方法IgS-wBSRM、wBSRM和基于傳統貝葉斯的iBSRM在相同QoS屬性標準、相同邊緣服務器下的監控結果.

選取edge ID為1的邊緣服務器，QoS需求描述為“響應時間小于3.6s的概率大于85%”.提取真實數據集中的前2000個數據進行訓練，在3000個監控樣本中，在1～500，1000～2000個樣本處注入響應時間大于3.6s的錯誤樣本數大于15%，監控結果如圖5所示，當樣本數為106時，ghBSRM第一次監控出了服務失效，隨后監控出失效的是IgS-wBSRM，而在這一階段wBSRM并未監控出服務的異常，其并未考慮到其他樣本對當前監控樣本的影響導致產生的滯后判斷現象.在764樣本處IgS-wBSRM首先檢測到了服務遷回正常狀態，由于其并未考慮到前面錯誤樣本對當前監控結果的影響，導致提前遷回的現象，可以看出ghBSRM總體上與預期結果一致.

圖5 不同監控方法的比較

對于這些方法的效率分析，記錄了對不同QoS需求標準下的各監控方法在完成3000個監控樣本所需的平均時間.本實驗在本章第一部分所描述的環境下運行，具體情況如圖6所示.整體上ghBSRM監控方法在運行時平均監控時間與wBSRM接近，分析可能是因為在訓練過程計算參數時需要多次執行積分計算，所以平均時間與wBSRM相比沒有多少提高，但是整體上優于IgS-wBSRM.

圖6 平均監控時間

5.2.2 與傳統環境的對比

本節將提出的ghBSRM監控方法分別在傳統環境和移動邊緣環境進行了對比實驗，融合上海電信數據集和真實數據集，表1和表2顯示用戶51和62在移動過程中調用邊緣服務器的情況.

表1 用戶51調用邊緣服務器情況

表2 用戶62調用邊緣服務器情況

圖7表示了在QoS需求描述為“響應時間小于3.6s的概率大于85%”時這兩個用戶分別在傳統環境和移動邊緣環境下的監控結果.在移動邊緣環境下，用戶62在樣本數為1213時開始監控出服務的失效，可以猜測這是由于該用戶在移動過程中切換服務器導致了監控結果的改變，然而在傳統環境下，監控結果一直保持成功狀態，同樣的，用戶51在兩種環境下的監控結果也出現了差異.實驗結果表明了在移動邊緣環境下，用戶移動性帶來邊緣服務器的切換可能會導致歷史數據的失效從而使得監控結果的偏差，有效證明了本文提出的移動邊緣環境下的監控方法的合理性.

圖7 監控結果

5.2.3 k值的影響

第三組實驗針對本文方法中的Case3進行了驗證，當用戶移動到一個沒有歷史數據的邊緣服務器中，利用KNN算法選取周邊的邊緣服務器進行監控.這組實驗仍然采用模擬數據集進行實驗，QoS需求描述為“響應時間小于3.6s的概率大于85%”，同樣的，在樣本數1～500，1000～2000注入響應時間大于3.6s的錯誤樣本數大于15%.

圖8顯示的是邊緣服務器15在沒有歷史數據時，分別選取周邊最近的1～7個邊緣服務器進行監控的結果.在第一階段，幾個不同的k值下都監控出了服務的失效.然而在第二階段，k=5時最快檢測出服務的失效情況，k=7，6，1時依次檢測出錯誤，而k=2，3，4時未檢測出異常.實驗表明了在邊緣服務器沒有歷史數據的情況下，選取的k值的不同對監控結果是有影響的，對邊緣服務器15而言，選取周邊5個邊緣服務器進行監控是最有效的.

圖8 不同的k值

6 總結和展望

傳統的監控方法沒有考慮用戶的移動性和數據的依賴性，導致了監控結果的偏差.本文提出了一種基于高斯隱藏貝葉斯分類的移動邊緣環境下的QoS監控方法.在真實數據集和模擬數據集上分別做了相關實驗，實驗結果表明了本文提出的方法的合理性和有效性.本文首先對數據集進行融合，模擬了一個邊緣監控環境，通過計算父屬性的值來削弱屬性值之間的依賴性，為每個邊緣服務器構造對應的高斯隱藏貝葉斯分類器，在監控過程中，考慮用戶的移動性動態切換分類器，且在沒有歷史數據的情況下結合KNN算法實現移動邊緣計算下的QoS監控方法.

在未來的工作中，將考慮以下幾個問題：1)在沒有歷史數據的情況下，每個邊緣服務器是否都存在一個最佳的k值，將進一步通過實驗來分析和驗證；2)考慮進一步將這種方法應用到多元監控中.