基于灰色神经网络模型的网络流量预测算法研究

论文摘要

随着Internet及其应用的迅速发展,网络规模日益增大,网络应用日益复杂,由于互联网是一个高度复杂的非线性系统,为了实现可靠的数据传输及合理的网络资源分配,就需要深刻了解网络的控制机制和复杂的行为特性。网络流量分析和建模对网络性能评价具有重要的意义,完全符合网络流量复杂统计特性的模型,能够帮助对网络流量进行精确的分析和仿真,非常有助于网络的设计和控制。网络流量预测分析及建模一直是分析网络性能的重要研究课题,流量预测结果为网络管理中带宽分配、流量控制、选路控制、接纳控制和差错控制等提供主要参考依据。网络流量具有一定的动态性、实时性、相关性、随机性和含噪声性。预测精度的高低、所选或所建立模型的表达能力,对于分析和仿真,理解网络的动态行为,以及指导流量控制的设计工作均具有重要的指导意义。本论文的研究目的是为了探索一种新的网络流量模型来更好的描述、预测网络流量的特性,文章首先分析了网络流量的一些主要特性,在真实环境中的网络流量呈现出相当明显的多尺度特性,例如自相似性、长相关性、单分形和多分形等特性;接着,分析、比较几种传统的网络流量分析模型的优缺点,如半马尔柯夫模型、Poisson模型、ARMA模型及ON/OFF模型。论文提出了基于残差改进的灰色预测方法、灰色神经网络组合模型等多种综合预测分析方法,预测实际网络流量,确定适合的模型输入参数,详细分析了各个模型的精度和预测效果,为高精度的短期(以及中长期)网络流量预测软件系统的集成开发奠定了基础。针对常用的动态全局链路状态法和基于流量的路由算法存在的不足,提出了一种新的基于流量预测的路由改进算法,可结合流量预测的优势对路由算法加以有效补充,理论分析预计该算法能获得更佳的路由效果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究的背景和意义
• 1.2 研究现状
• 1.3 本文的主要研究工作
• 1.4 论文的组织结构
• 第二章 网络流量的特性
• 2.1 自相似性
• 2.1.1 自相似性的概念
• 2.1.2 自相似过程的参数估计方法
• 2.1.3 自相似性对网络性能的影响
• 2.2 长相关性
• 2.2.1 长相关流量的概念
• 2.2.2 长相关（LRD）序列
• 2.2.3 长相关序列估计算法
• 2.3 单分形和多分形特性
• 2.3.1 分形与多重分形的概念
• 2.3.2 分形的基本特征
• 2.3.3 分形估计方法
• 2.4 本章小结
• 第三章 传统的网络流量分析方法
• 3.1 从实际流量中提取的若干特征与建模原则.
• 3.1.1 实际网络流量的特征
• 3.1.2 建模网络流量的途径
• 3.2 若干热点模型及其性能评价
• 3.2.1 半马尔柯夫模型
• 3.2.2 Poisson 模型
• 3.2.3 ARMA 模型
• 3.2.4 ON/OFF 模型
• 3.3 本章小结
• 第四章 灰色理论的网络流量预测模型
• 4.1 网络流量预测的影响因素
• 4.2 理论基础
• 4.2.1 灰色系统理论的基本内容、原理和方法
• 4.2.2 几种不确定性方法的比较
• 4.2.3 五步建模
• 4.2.4 灰色预测模型的检验
• 4.3 基于灰色理论的网络流量预测模型
• 4.3.1 基于GM（1,1） 模型的网络流量预测
• 4.3.2 灰色网络流量预测模型的参数确定
• 4.3.3 灰色网络流量预测模型的适用条件
• 4.3.4 GM（1,1） 模型的改进
• 4.4 灰色网络流量预测模型算例
• 4.5 本章小结
• 第五章 灰色神经网络算法及其预测
• 5.1 人工神经网络基本原理
• 5.1.1 人工神经网络
• 5.1.2 人工神经元模型
• 5.1.3 神经网络的基本原理
• 5.1.4 神经网络的学习过程
• 5.1.5 神经网络的特性及其实现
• 5.2 灰色系统与神经网络融合
• 5.2.1 灰色理论与神经网络的关系
• 5.2.2 灰色系统与神经网络的融合方式
• 5.3 组合预测模型
• 5.3.1 组合模型构建原理和过程
• 5.3.2 组合模型构建算法
• 5.3.3 神经网络的训练
• 5.3.4 组合模型程序实现过程
• 5.3.5 组合模型模拟仿真
• 5.3.6 误差分析
• 5.4 本章小结
• 第六章 基于灰色神经网络流量预测模型的路由算法.
• 6.1 路由基础
• 6.2 常用的路由算法
• 6.2.1 链路状态路由算法
• 6.2.2 基于流量的路由选择
• 6.3 基于流量预测的链路状态路由算法
• 6.3.1 网络各节点流量预测算法
• 6.3.2 路由选择算法描述
• 6.4 小结
• 第七章 结束语
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文