基于ARIMA预测和QoS的云服务选择优化算法

"这篇论文研究了基于ARIMA(自回归积分滑动平均模型)和QoS(服务质量)的云服务选择算法，旨在更好地利用QoS历史数据的动态变化来进行服务选择。作者对原有的QoS历史数据算法进行了改进，将评价指标权重的计算方式从平均值转变为基于每个时间段的具体数据，从而更能体现数据的实时性。论文中，通过ARIMA模型对QoS历史数据进行预测，预测结果与原始数据结合形成新数据集，并在新数据集上进行服务选择。通过设计三个逐步深入的实验模型，对比实验结果验证了改进算法的优越性能。" 云服务选择是一个关键问题，因为随着云服务提供商的增多，功能相似但性能和价格各异的服务使得用户面临复杂的选择困境。论文关注的是基于QoS属性的决策方法，这种方法通过设定一系列评价指标来评估服务的性能，进而推荐性能最优的服务给用户。当前，多准则决策方法(MCDM)如层次分析法(AHP)、网络分析法、多属性效用理论法、优序关系法和简单加权法等被广泛应用。 论文引用了前人的工作，例如文献[8]利用QoS历史数据的聚类分析生成服务组合计划，而文献[9]则根据QoS历史数据对服务进行排序。然而，这篇研究论文提出了一种创新方法，即结合ARIMA模型来预测QoS性能的变化趋势，以更精确地反映服务的实际表现。ARIMA模型是一种常用的时间序列预测工具，能捕捉数据的季节性、趋势和随机波动，适合处理QoS数据的动态特性。 实验部分，作者构建了三个逐步升级的模型，每个模型都基于改进的QoS评价策略。通过对这些模型的对比分析，论文证明了改进后的算法在考虑QoS动态变化方面的有效性，能够提供更准确的服务选择决策。这样的改进对于提高用户满意度、优化云资源分配以及提升云服务的整体性能具有重要意义。 这篇论文深入探讨了如何利用ARIMA模型对QoS数据进行预测，并将预测结果整合到服务选择过程中，以提升选择的准确性。这一研究对于云服务领域的决策支持系统和自动化服务选择策略具有重要的参考价值。