网络流量的自相似特性及流量预测研究

论文摘要

因特网的普及和视频点播等新业务的出现导致网络流量急剧增加,此时传统的网络流量特征已经不再适用于网络流量预测。研究人员对局域网、因特网的流量进行测量后发现,网络流量具有统计意义上的自相似性,由于这种特性能够更加精确地描述网络流量,因此比传统的流量特征更加适用于网络流量的预测。目前,日益扩大的网络规模对实现数据的可靠传输及网络资源分配是一种挑战,而且网络拥塞、故障等问题越来越多。精确的网络流量预测对去处网络拥塞等问题、实现对复杂网络的管理和规划具有重要的参考价值,因此实现高质量的网络流量预测就显得越发迫切。为了找到一种新的网络流量预测模型,并提高网络流量预测的准确性,本文首先介绍了国内外对网络流量自相似特性及网络流量预测的研究现状,然后详细介绍了自相似特性和传统的网络流量预测模型,最后对网络流量预测模型进行了改进,提出一种组合网络流量预测模型。实验结果表明,该网络流量预测模型准确可行。本文还做了对差分进化算法的模拟实验。提出一种改进的差分进化算法,训练BP网络进行网络流量的预测。它是一种全局的随机优化求解算法。利用差分进化算法的全局求解最优能力,可以快速准确的得到BP网络的权值和阈值。将提出的改进差分算法与BP算法,对比实验,实验结果表明,该进化算法加快了BP网络收敛速度,提高了网络流量预测的精度,具有良好的收敛性和泛化能力。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 研究进展及国内外研究现状
• 1.3 论文的工作
• 第二章 网络流量的自相似特性
• 2.1 自相似性及其产生的原因
• 2.2 自相似性对网络性能的影响
• 2.3 自相似流量的生成及估计方法
• 2.3.1 自相似流量的生成方法
• 2.3.2 自相似流量的估计方法
• 2.4 自相似性实验测量结果
• 第三章 网络流量预测模型
• 3.1 流量预测及其研究现状
• 3.2 传统流量模型
• 3.2.1 短相关模型
• 3.2.2 长相关模型
• 3.3 流量预测模型新进展
• 3.3.1 人工神经网络
• 3.3.2 小波理论
• 3.3.3 模糊理论
• 3.3.4 混沌理论
• 3.4 组合预测模型
• 第四章 基于小波神经网络的流量预测模型
• 4.1 小波变换模型
• 4.1.1 小波特性与尺度函数
• 4.1.2 正交小波变换的Mallat 算法
• 4.1.3 网络流量的小波分析
• 4.2 神经网络模型
• 4.2.1 神经网络模型及其特性
• 4.2.2 BP 神经网络流量预测模型
• 4.3 小波与神经网络结合的组合预测模型
• 4.3.1 小波函数及其分解层数
• 4.3.2 神经网络训练
• 4.3.3 仿真实验
• 第五章 改进的差分进化的网络流量预测模型
• 5.1 差分进化算法
• 5.1.1 DE 的基本步骤
• 5.1.2 差分进化算法的其它形式
• 5.1.3 控制参数的选择
• 5.1.4 差分进化算法的改进（DEA）
• 5.2 BP 神经网络的标准学习算法
• 5.3 改进差分进化的BP 网络学习算法
• 5.4 实验与结果分析
• 5.4.1 仿真实验
• 5.4.2 结果分析
• 5.5 本章小节
• 第六章 结论
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文