基于SOA架构的服务系统能够将服务集成起来满足用户需要。但服务系统是松散耦合的软件应用,它运行在动态变化的网络环境中,其可靠性会因为位置、通信链路等外部原因以及服务自身内部原因发生波动。预测服务系统的可靠性能提前了解系统可靠性状态,从而预防突发情况发生,确保服务系统稳定运行。因此,在服务计算领域,服务系统的可靠性预测已成为研究热点。目前服务系统可靠性预测方法大都研究如何提高预测的准确性,但忽略了可靠性预测具有较强的时效性。本文对服务系统可靠性预测进行深入研究,目的是在提高服务系统可靠性预测准确性同时能提高预测效率,从而保证服务系统稳定性。本文在对服务系统可靠性预测方法进行分析总结的基础上,提出了一个基于核心组件辨识的服务系统可靠性预测框架。重点研究了服务系统核心组件辨识方法和服务系统可靠性预测方法。提出了基于改进加权LeaderRank算法的核心组件辨识方法,该方法通过综合考虑服务依赖关系、服务热度和服务传播能力等因素,依据服务系统组件的重要性辨识出核心组件,提高了组件辨识的准确性。在服务系统可靠性预测过程中,首先提出了基于Attention-LSTM神经网络的服务系统组件可靠性预测模型,该模型利用注意力机制来优化LSTM神经网络,提高了核心组件可靠性预测的准确性;然后,基于深度优先遍历算法构建服务系统的核心服务组合模型图,来描述核心组件间的组合结构;接下来,给出了服务系统可靠性计算方法,该方法利用核心组件可靠性预测值计算得出服务系统可靠性预测值。最后,对基于核心组件辨识的服务系统可靠性预测框架进行了实现。实验结果表明,本文方法在服务系统可靠性预测的准确性和效率方面具有明显优势。