Considering the diversity of proposed cloud computing services in federated clouds, users should be very well aware of their current required and future expected resources and values of the quality-of-service parameters to compose proper services from a pool of clouds. Various approaches and methods have been proposed to accurately address this issue and predict the quality-of-service parameters. The quality-of-service parameters are stored in the form of time series. Those works mostly discover patterns either between separate time series or inside specific time series and not both aspects together. The main research gap which is covered in this work is to make use of measuring similarities inside the current time series as well as between various time series. This work proposes a novel hybrid approach by means of time-series clustering, minimum description length, and dynamic time warping similarity to analyze user needs and provide the best-fit quality-of-service prediction solution to the users through the multi-cloud. We considered the time as one of our important factors, and the system analyzes the changes over time. Furthermore, our proposed method is a shape-based prediction that uses dynamic time warping for covering geographical time zone differences with the novel preprocessing method using statistically generated semi-real data to fulfill noisy data. The experimental results of the proposed approach show very close predictions to the real values from practices. We achieved about 0.5 mean absolute error rate on average. For this work, we used the WS-DREAM dataset which is widely used in this area.

中文翻译：

---

使用混合时间序列数据挖掘方法在云环境中进行在线 QoS 预测

考虑到联合云中提议的云计算服务的多样性，用户应该非常清楚他们当前所需的和未来的预期资源以及服务质量参数的值，以从云池中组合适当的服务。已经提出了各种方法和方法来准确地解决这个问题并预测服务质量参数。服务质量参数以时间序列的形式存储。这些作品主要是发现不同时间序列之间或特定时间序列内的模式，而不是同时发现两个方面。这项工作涵盖的主要研究空白是利用测量当前时间序列内部以及各种时间序列之间的相似性。这项工作通过时间序列聚类提出了一种新颖的混合方法，最小描述长度，动态时间扭曲相似度分析用户需求，通过多云为用户提供最适合的服务质量预测解决方案。我们将时间视为我们的重要因素之一，系统会分析随时间的变化。此外，我们提出的方法是一种基于形状的预测，它使用动态时间扭曲来覆盖地理时区差异，并使用新的预处理方法使用统计生成的半真实数据来满足噪声数据。所提出方法的实验结果显示出与实践中的真实值非常接近的预测。我们平均达到了大约 0.5 的平均绝对错误率。对于这项工作，我们使用了在该领域广泛使用的 WS-DREAM 数据集。和动态时间扭曲相似度分析用户需求，并通过多云为用户提供最适合的服务质量预测解决方案。我们将时间视为我们的重要因素之一，系统会分析随时间的变化。此外，我们提出的方法是一种基于形状的预测，它使用动态时间扭曲来覆盖地理时区差异，并使用新的预处理方法使用统计生成的半真实数据来满足噪声数据。所提出方法的实验结果显示出与实践中的真实值非常接近的预测。我们平均达到了大约 0.5 的平均绝对错误率。对于这项工作，我们使用了在该领域广泛使用的 WS-DREAM 数据集。和动态时间扭曲相似度分析用户需求，并通过多云为用户提供最适合的服务质量预测解决方案。我们将时间视为我们的重要因素之一，系统会分析随时间的变化。此外，我们提出的方法是一种基于形状的预测，它使用动态时间扭曲来覆盖地理时区差异，并使用新的预处理方法使用统计生成的半真实数据来满足噪声数据。所提出方法的实验结果显示出与实践中的真实值非常接近的预测。我们平均达到了大约 0.5 的平均绝对错误率。对于这项工作，我们使用了在该领域广泛使用的 WS-DREAM 数据集。