摘要：Web服务作为自解释的应用程序,通过在网络上提供标准接口以实现互操作性.在过去的几年中,网络上的开放服务变得越来越丰富,而服务的广泛应用导致需要高效的方法以提升性能,尤其是在软件即服务(SaaS)的场景中.目前的服务计算研究已经提出了许多基于QoS的方法,包括服务组合、服务选择、服务容错等,准确的QoS值预测显得尤为关键.服务器端的QoS值通常由服务提供商,代表Web服务的共享特性,而在客户端测量的QoS值则不同于服务器端:不同位置的用户可能测量到不同的QoS值.其缘由是服务调用需要消耗资源,并受到服务的状态与网络环境的影响,而且实时测量通常会引入新负载,从而导致性能评估不准确.近年来,一些方法建议引入更多的因素来提高预测精度(比如,考虑用户的感受与环境因素,引入空间及时间因素等),但是这些研究仅仅局限于某一维度的性能提升,缺少多维因素对于预测结果影响的考虑.文中提出一种时空敏感的QoS预测方法,该方法通过深度学习方法挖掘多维因素的高层特征以提高预测精度.文中在真实数据集上进行了大量实验,实验结果验证了该方法的有效性.最后,对该方法的未来发展进行展望.

简介：《计算机学报》（CN：11-1826/TP）是一本有较高学术价值的大型月刊，自创刊以来，选题新奇而不失报道广度，服务大众而不失理论高度。颇受业界和广大读者的关注和好评。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社