QoSDiff 面向服务可靠性预测的逆扩散表征学习与对抗双向混合注意力交互方法研究

毕业设计 · 2026

面向服务可靠性预测的逆扩散表征学习
与对抗双向混合注意力交互方法研究

本文基于 WS-DREAM 真实 QoS 数据集进行训练与测试，该数据集包含 339 个用户与 5825 个 Web 服务之间的服务调用记录。实验结果表明，在不同稀疏度设置下（Density 2.5%–10%），QoSDiff 相较于 QoSGNN 等基线方法取得了更优的预测性能。

作者:杜冠辰 (2022611013) · 指导教师:许建龙 · 汕头大学 数学与计算机学院

339Users
5825Services
≈ 1.97MInteraction samples
6.5%MAE ↓ vs Baseline

① 交互预测 · Globe View

在地球上选中一个用户(蓝色)和一个服务(橙色),实时对比 QoSDiff 与基线方法在 RT 上的预测。

claude code is thinking...

地球加载中,稍候片刻 (虽然其实不是 AI 哈)

User Service Selected Pair 点击地球上的节点以选择
Prediction Panel
User—
Service—
Distance—
Ground Truth RT — 来自 WS-DREAM rtMatrix
QoSDiff(本文) — Err —
QoSGNN(Baseline) — Err —
QoSDiff
QoSGNN
True

② 模型架构 · QoSDiff Pipeline

无需显式二分图;DELM 通过单步逆扩散从含噪嵌入恢复隐式拓扑,AAIM 用对抗式双向混合注意力建模高阶交互。

① Input Context User: ID · AS · Country Service: ID · Provider · Country aggregate id + multi-attr emb. ② DELM · Single-Step Reverse Diffusion 不构图;直接对嵌入做 T=1 去噪 x₁ (noisy) ε_θ predict noise Self-Attn + MLP (ε_θ) x₀ = z (clean) x₀ = (x₁ − √(1−α₁)·ε̂) / √α₁ → recovered z_u, z_s ③ AAIM · Adversarial Bi-Directional Hybrid Attention Real T = z_u ‖ z_s Fake F (Gumbel) Generator G MHA U→S user attends svc MHA S→U svc attends user concat · LN · FFN σ → ŷ Discriminator D MLP · BCE real vs fake min-max: L_total = L_MSE + λ · L_adv QoS ŷᵢⱼ RT / TP rescale
① Context Embed 聚合身份与多源上下文(AS / Country / Provider …),得到含噪初始向量 x₁。无显式二分图。
② DELM · 单步逆扩散 将 x₁ 视为理想嵌入经一次前向扩散的结果;ε_θ(Self-Attn + MLP) 预测噪声,一次性解出 x₀ = z。
③ AAIM 真实拼接 T 与 Gumbel-Softmax 伪样本 F 并行进入生成器(双向 MHA U→S / S→U);判别器做真伪监督。
④ 联合训练 L_total = MSE(ŷ, y) + λ·L_adv (λ=0.2),AdamW + 早停;1 attention head, 256-dim 为最佳配置。

③ 实验结果 · Benchmark

WS-DREAM 数据集 · 四种 Density (2.5% / 5% / 7.5% / 10%) 下与 12 种基线对比;指标取自论文表 4-1 / 4-2。最强基线为 QoSGNN。

单位:RT = 秒 (s) · TP = kbps
MAE ↓ (越低越好)RT
RMSE ↓ (越低越好)RT
详细指标表 · RT 12 baselines · QoSDiff 最优
Model D=2.5% D=5% D=7.5% D=10%
MAERMSE MAERMSE MAERMSE MAERMSE

④ 跨数据集泛化 · EEL (Edge-Edge Latency)

在大规模边缘-云延迟数据集 EEL (5174 个边缘节点,近 9 亿 PING) 上,与 7 种代表性基线在 DELAY (端到端延迟) 与 HOPS (跳数) 两种 QoS 语义下对比 (论文表 4-3 / 4-4)。

QoSDiff 始终保持最低 MAE · 跨语义稳健迁移
MAE ↓ (越低越好)DELAY
RMSE ↓ (越低越好)DELAY
泛化小结—

QoSDiff 在 DELAY / HOPS 两种 QoS 语义、所有稀疏度 (2.5% / 5% / 7.5%) 下 MAE 均保持最低, HOPS 任务的 MAE 平均提升超过 16%。这表明 DELM + AAIM 学得的隐式拓扑表征 不依赖于具体的数据集与语义,可稳健迁移到未见过的边缘网络场景。

⑤ 消融研究 · Component Contribution

分别验证 DELM (去噪扩散嵌入) 与 AAIM (对抗双向注意力) 两核心模块的独立贡献,数据对应论文图 4-1 与图 4-2。

DELM 嵌入消融 · w/o vs w/ Denoising

配备单步逆扩散去噪后,所有稀疏度下 MAE 全面下降,稀疏度越低增益越大;最稀疏 (2.5%) 时 RT 降低 20.6%、TP 降低 35.1%。

AAIM 交互消融 · MF / CF / AAIM

替换内积 (MF) 与 MLP (CF) 后,AAIM 在 8 组配置中 全部取得最低 MAE;双向混合注意力 + 对抗训练能更精准刻画用户–服务高阶交互。

⑥ 超参数敏感性 · Hyperparameter Study

嵌入维度 / 注意力头数 / 对抗权重 λ 的扫描分析 (论文图 4-3 / 4-4 / 4-5)。最终采用的最优配置:dim = 256 · heads = 1 · λ = 0.2。

线条颜色对应不同矩阵密度
嵌入维度 Dimension最优 = 256

MAE 随维度先降后升;256 维同时满足扩散去噪所需的特征容量与避免过拟合,取得最优表现。

注意力头数 Heads最优 = 1

单头已足以聚焦关键潜在关联;额外的头会分散注意力并徒增复杂度,反而拖累预测。

对抗损失权重 λ推荐 λ = 0.2

回归项应主导优化方向;λ = 0.2 在 RT 上严格最优,TP 上与最佳设置差距 ≤ 2.6%,折衷之选。

⑦ 噪声鲁棒性 · Robustness

测试集注入 0%–25% 的身份扰动噪声(论文表 4-5 / 4-6),QoSDiff 相对 QoSGNN 退化幅度始终更低。

MAE vs Noise RatioRT · D=10%
性能退化率 Deg. (%)越低越鲁棒
抗噪小结 —

QoSDiff 将表征学习与显式图拓扑解耦:不存在可被污染的边, 因此身份扰动只会影响单个输入向量,不会沿消息传递放大。 结合 AAIM 的对抗注意力正则,模型在 5%–25% 噪声下退化率始终低于 QoSGNN。