Phương pháp dự đoán hiệu năng Web Services mới được đề cập ở trên có một số điểm cơ bản sau:
- Phương pháp dự đoán này đề xuất mô hình dữ liệu đầu vào bao gồm hai mô hình là: mô hình tín hiệu và mô hình nhiễu. Trong đó mô hình tín hiệu là giống với tất cả các phương pháp dự đoán hiệu năng Web Services khác nêu trong phần 2.1 cùng chương. Còn mô hình nhiễu là mới, và theo phần 2.2.2 trình bày ta có thể nhận xét mô hình nhiễu đưa ra là hợp lí, phù hợp với một hệ thống Web Services thật. Mô hình nhiễu dựa trên phân phối Gauss (phân phối chuẩn) cho các quá trình vật lí ngẫu nhiên, và lí thuyết về khoảng tin cậy của phân phối Gauss. Mô hình nhiễu được đưa ra với khoảng tin cậy 95% cho giá trị kì vọng của thời gian đáp ứng. - Phương pháp dự đoán này sử dụng mô hình hàng đợi, đây là mô hình được sử dụng
phổ biến trong các hệ thống cung cấp dịch vụ nói chung và Web Services nói riêng. Lí thuyết hàng đợi là công cụ có nền tảng toán học rõ ràng, cho phép ta đánh giá thời gian đáp ứng của một hệ thống Web Services dựa trên hàng đợi. Nội dung này được trình bày trong phần 1.2 chương 1. Ta có thể thấy trong phần 2.1 chương 2 rằng đặc điểm chung của các phương pháp dự đoán hiệu năng Web Services đó đều hướng tới việc sử dụng mô hình hàng đợi là một phần quan trọng cho quá trình dự
đoán. Phương pháp này kế thừa những nội dung đã được trình bày về mô hình hàng đợi trong các phương pháp dự đoán đó. Các tham số của mô hình hàng đợi được tính toán sử dụng phương pháp Gradient liên hợp không tuyến tính – một phương pháp tối ưu hóa.
- Phương pháp dự đoán này sử dụng một phương pháp phân tích hồi quy khá mới đó là phân tích hồi quy Gaussian Process – một dạng phân tích hồi quy phi tham số. Như đã chỉ ra trong các tài liệu [5], [6], [7] phân tích hồi quy Gaussian Process về cơ bản gần giống với một mạng Nơron, thậm chí có thể được sử dụng để thay thế cho mạng Nơron. Gaussian Process áp dụng lí thuyết xác suất của Bayes trong quá trình dự đoán, nên kết quả dự đoán đã được chứng minh tính đúng đắn bằng lí thuyết. Hơn thế nữa, phân tích hồi quy Gaussian Process giả thiết mô hình dữ liệu đầu vào có nhiễu ngẫu nhiên. Điều này càng phù hợp với mô hình nhiễu đề xuất trong phương pháp dự đoán.
- Như được chỉ ra trong phần 2.2.5, phương pháp dự đoán này là sự kết hợp của phân tích hồi quy Gaussian Process và mô hình hàng đợi. Phân tích hồi quy Gaussian Process cho kết quả nội suy khá tốt còn kết quả ngoại suy kém. Phương pháp dự đoán theo mô hình hàng đợi cho kết quả ngoại suy tốt và kết quả này phù hợp với dạng đồ thị biểu diễn quan hệ giữa thời gian đáp ứng theo tốc độ tới cho các hệ thống thực tế. Sự kết hợp Gaussian Process và mô hình hàng đợi này khai thác tối đa nhưng ưu điểm của cả hai phương pháp. Từ đó cho các kết quả nội suy và ngoại suy đều tốt hơn khi sử dụng riêng lẻ từng phương pháp.
- Công thức (2-35) cho ta kết quả là phân phối hậu nghiệm ( N 1| ˆ )
N
P R + R cũng là một phân phối Gauss. Giá trị kì vọng của phân phối hậu nghiệm được sử dụng là giá trị kì vọng cho kết quả dự đoán về thời gian đáp ứng. Ngoài ra ta còn thu được đại lượng phương sai của phân phối hậu nghiệm. Lí thuyết về khoảng tin cậy của phân phối Gauss đưa ra kết quả về khoảng tin cậy 95% cho kết quả dự đoán. Như vậy kết quả dự đoán về kì vọng thời gian đáp ứng và khoảng tin cậy 95% cho kết quả dự đoán đã được chứng minh về mặt lí thuyết. Khoảng tin cậy 95% cho ta biết rằng xác suất để giá trị kì vọng thời gian đáp ứng nằm trong khoảng R±1.96σ là 95%. Kết quả này mang ý nghĩa thực tiễn hơn giá trị kì vọng. Vì thông qua đó ta có thể đánh giá được cận trên và cận dưới cho giá trị hiệu năng.