随着互联网与相关网络技术的不断发展,越来越多的企业选择将自己的产品以服务的形式发布到网络上供用户使用。然而由于用户的需求越来越复杂,单一功能的服务并不能完全解决用户的问题。基于SOA架构的服务系统将多个服务进行组合满足用户的复杂需求。但是由于网络环境始终是动态变化的,这给服务的稳定运行带来了巨大的威胁,并且单个服务的变化会带来级联效应进而影响到整个系统。因此开展服务可靠性预测研究具有很强的现实意义。可靠性预测主要是针对服务在未来某段时间内服务可靠性开展预测以保证服务系统的稳定运行。然而由于网络环境的不确定性,同时用于开展服务可靠性预测的参数难以获取,这些因素导致服务可靠性预测面临较大困难。本文利用时间序列对有限的服务运行参数与可靠性进行划分,并用深度信念网络发现其中的内在关联。限制玻尔兹曼机作为一个两层神经网络在特征提取,分类等方面具有良好的性能,深度信念网络可以定义为由多个限制玻尔兹曼机堆叠而成可以发挥更好的性能。极限学习机作为一种单隐层前馈神经网络依据概率分布随机选取隐藏层输出,避免了参数的迭代微调,因此具有较快的学习速度。从以上问题出发,本文进行了以下工作:(1)利用深度信念网络模型对Web服务在未来时间的可靠性开展预测,并通过一系列的对比实验分析本文方法的有效性。(2)引入极限学习机,将其与传统的深度信念网络相结合解决服务的可靠性预测问题,由于极限学习机结构简单易于学习,因此可以比传统的深度信念网络更快的到达收敛状态提高算法效率,我们通过实验对其进行验证。