基于小波分解和ARIMA的网络流量模型

论文摘要

随着信息化时代的到来,Internet飞速发展,各种新的网络应用层出不穷,导致了各种网络问题的出现,给网络监测带来巨大的挑战。网络检测是保证网络正常运行的重要手段,合适的网络流量模型对网络监测的有效进行有着重要的意义。当前网络流量表现出自相似性,多重分形性等多种复杂特性,传统流量模型已无法满足需求。论文分析了传统网络流量模型的特点,针对平稳的网络流量这些成熟的模型表现出很好的预测效果。但是,当前网络流量因为各种复杂特性的出现,普遍表现出不平稳的特征,为了解决网络流量多种复杂特性所带来的不平稳性,引入小波变换技术,利用其多分辨的特性,将网络流量的多种复杂因素分解到不同的尺度上,方便进行单独的处理。这种利用小波分解将非平稳时间序列分解成适当的不同频段上的多个平稳时间序列,在这些平稳时序上做相对方便高效的处理来代替对信号的统一处理,最终恢复到原始尺度上的方法,有效的提高了对真实网络流量的预测精度。引入小波技术带来预测精度的同时,因为将单一时间序列分解成为不同尺度的多组时间序列,导致了该方法的时间复杂度严重恶化,影响了其实际应用。论文通过对该方法的详细分析和研究,提出了一些改进措施,保证在不严重影响预测效果的前提下,尽可能的缩短算法的时间复杂度。首先,将小波分解所得到的多组网络流量的子序列进行特征的分析,将在相近频谱下特征相似的流量子序列进行合并,减少子序列的数量,从而减少建模预测次数。该方法的前提是相似序列的特性平稳,平稳序列进行代数运算仍然是平稳的,因而仍然可以得到合理的最终结果,实验证明,预测精度没有受到影响。然后,将合并的子序列区分为高频谱的细节项,低频谱的轮廓项,和中间频谱的周期项三种,对三种不同的序列采取不同的处理措施进一步降低算法时间复杂度。论文采用了这种的方式,使得三种成分采用少量的历史数据,较低的采样频率,尽可能的达到不影响小波变换所带来的预测精度上的改进。通过实验证明,在采取了一系列改进时间复杂性的措施的情况下,预测结果相比在引入小波分解技术后进行简单的所有子序列完全建模的方式,预测效果没有受到严重的影响。因此,该利用小波变换和传统ARIMA模型进行网络流量预测的方法是可行的。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 背景介绍
• 1.1.1 研究背景及意义
• 1.1.2 国内外研究现状
• 1.2 主要研究工作
• 1.3 文章组织结构
• 1.4 本章小结
• 第2章 网络流量模型
• 2.1 时间序列分析
• 2.2 短相关模型
• 2.3 长相关模型
• 2.4 本章小结
• 第3章 小波技术
• 3.1 基本概念
• 3.2 小波变换
• 3.2.1 CWT连续小波变换
• 3.2.2 DWT离散小波变换
• 3.3 多分辨分析和Mallat算法
• 3.3.1 多分辨分析
• 3.3.2 mallat算法
• 3.4 本章小结
• 第4章 基于小波技术的流量模型
• 4.1 小波的传统应用
• 4.1.1 理论分析
• 4.1.2 仿真实验数据准备
• 4.1.3 实验分析
• 4.2 合并相似项
• 4.2.1 归并子序列
• 4.2.2 仿真实验
• 4.3 多尺度处理
• 4.3.1 理论分析
• 4.3.2 仿真实验
• 4.4 基于小波和ARIMA的网络流量模型
• 4.5 本章小结
• 第5章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录
• 学位论文评阅及答辩情况表