网络流量组合预测模型的研究

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。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。针对网络流量系统多尺度和非线性的特性,综合小波变换的多分辨分析能力和神经网络的非线性逼近功能,建立了一种新的组合模型来预测网络流量。在小波函数的选取及分解层数的确定、Elman神经网络、RBF神经网络及BP神经网络的训练方面做了大量的比较实验,最终确定合理的数据。其显著特点是利用小波分析的多分辨率功能和人工神经网络的非线性逼近能力,小波分解与重构实质上通过不同的带通滤波器将含有综合信息的网络流量分解称了N+1组特征不同的分量,其中近似分量反映了网络流量的变化趋势,而细节分量反映的是随机扰动带来的影响,二者的特征是不同的,因此采用不同的神经网络进行分别训练,预测再合成,效果优于单一的模型。为了获得更好的预测效果,本文又继续深入研究,引入递归神经网络来替换普通的神经网络,实验结果显示,效果更为理想。

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 小波与神经网络相结合的网络流量预测模型
• 4.1 小波变换
• 4.1.1 小波变换的由来和作用
• 4.1.2 尺度函数和小波函数
• 4.1.3 二进正交小波变换的Mallat 算法
• 4.2 神经网络
• 4.2.1 神经网络的发展
• 4.2.2 神经网络模型
• 4.2.3 神经网络的特性及实现
• 4.3 组合预测模型
• 4.3.1 模型的构建原理
• 4.3.2 小波函数的选取及分解层数的确定
• 4.3.3 神经网络的训练
• 4.3.4 模型仿真
• 4.4 本章小结
• 第五章 基于递归神经网络的网络流量组合预测模型
• 5.1 递归神经网络
• 5.1.1 网络模型结构及输出计算
• 5.1.2 系统网络模型的学习算法
• 5.2 改进的组合预测模型
• 5.2.1 模型构建原理
• 5.2.2 递归神经网络的训练
• 5.2.3 模型仿真
• 5.3 本章小结
• 第六章 结束语
• 致谢
• 参考文献
• 发表论文