QoSDiff revolutioniert QoS‑Vorhersage ohne explizite Graphen

Die präzise Vorhersage von Quality‑of‑Service‑Daten ist entscheidend für die Auswahl von Cloud‑Services und die Gewährleistung herausragender Nutzererlebnisse. Traditionelle Ansätze, insbesondere Graph Neural Networks, bauen jedoch auf expliziten Nutzer‑Service‑Interaktionsgraphen auf. Diese Abhängigkeit führt zu erheblichen Skalierungsproblemen und begrenzt die Leistung, wenn die Verbindungen spärlich oder verrauscht sind.

Der neue Ansatz QoSDiff löst dieses Problem, indem er die Notwendigkeit expliziter Graphen eliminiert. Stattdessen nutzt er ein denoising‑Diffusion‑Probabilistisches Modell, um latente Strukturen aus verrauschten Initialisierungen zu rekonstruieren. Ergänzt wird das Verfahren durch ein adversariales Interaktionsmodul, das eine bidirektionale Hybrid‑Aufmerksamkeit einsetzt, um hochgradige Interaktionen zwischen Nutzern und Services zu erfassen. Dieses adversariale Paradigma trennt dynamisch informative Muster von Rauschen und ermöglicht so ein dual‑perspektivisches Modellieren komplexer Beziehungen.

Umfangreiche Experimente an zwei großen, realen Datensätzen zeigen, dass QoSDiff die führenden Baselines deutlich übertrifft. Besonders hervorzuheben sind die hervorragende Generalisierungsfähigkeit über verschiedene Datensätze hinweg sowie die außergewöhnliche Robustheit gegenüber Datenlücken und Beobachtungsrauschen.