网络流量分析与预测模型研究

论文摘要

网络流量特征研究和分析是深入理解网络内在本质、了解网络运行状况的根本方法和手段,是网络性能提升、优化网络设计和实施流量工程的重要途径。本文基于神经网络预测模型,并引入季节周期性算法、混沌算法和分解模型,建立新的网络流量预测模型。根据实际网络中测量得到的网络流量数据,进行仿真实验,结果证明,新模型和算法预测误差低,且具有普适性。针对网络流量预测,本文主要做了如下工作:(1)针对静态前馈网络和Elman网络在网络流量预测中的不足,建立了一个基于改进Elman神经网络的流量模型,并提出一种基于季节周期性学习方法,根据实际网络中测量得到的网络流量数据,对网络流量进行预测。实验结果表明,该模型具有良好的预测效果,相对于传统线性模型、BP神经网络模型及标准Elman神经网络模型具有更高的预测精度和更好的自适应性,应用于网络流量预测是可行、有效的。(2)根据实际网络中测量得到的网络流量数据,提出了一种新的改进Elman神经网络模型——SIMF Elman,在网络权值的训练过程中引入了混沌搜索机制,利用Tent映射的遍历性进行混沌变量的优化搜索,减少了数据冗余,有效的解决了局部收敛问题。实验结果表明,新的模型及算法提高了网络的训练速度及网络流量的预测精度。(3)考虑网络流量宏观行为的特点,用数学工具将网络流量时序分解成结构相对简单的子成分,来表述和预测网络流量行为的非线性规律。同时以神经网络理论为基础,提出行为预测模型,包括分解模型和神经网络模型,充分考虑了流量行为的周期性、趋势性及随机性,克服了传统时序神经网络在预测中丢失序列周期性的缺点。实验结果表明,较常规的时间序列模型和传统的神经网络模型简单,预测能力和精确度也有所提高。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究的背景和意义
• 1.2 课题来源
• 1.3 网络流量测量研究现状
• 1.4 本文内容安排和主要工作
• 第二章 网络流量预测模型
• 2.1 网络流量特性分析
• 2.1.1 自相似性
• 2.1.2 长相关性
• 2.1.3 多分形性
• 2.1.4 周期性和混沌性
• 2.2 传统线性流量预测模型
• 2.2.1 泊松模型
• 2.2.2 马尔科夫模型
• 2.2.3 AR 模型
• 2.2.4 传统流量模型的缺点
• 2.3 非线性流量预测模型
• 2.3.1 神经网络预测模型
• 2.3.2 混沌理论预测模型
• 2.3.3 支持向量机预测模型
• 2.3.4 模糊理论预测模型
• 2.3.5 混合预测模型
• 2.4 流量预测的主要评价指标
• 第三章 基于季节周期性Elman 网络的流量预测模型
• 3.1 引言
• 3.2 季节周期性Elman 网络
• 3.2.1 Elman 神经网络模型
• 3.2.2 季节周期性Elman 网络模型
• 3.2.3 季节周期性Elman 网络学习算法
• 3.3 流量预测模型
• 3.3.1 流量数据在模型中的数据结构
• 3.3.2 数据采集与处理
• 3.3.3 输入输出节点选取
• 3.3.4 训练参数选择
• 3.4 仿真实验
• 3.5 本章小结
• 第四章 新型Elman 混沌神经网络的网络流量预测
• 4.1 引言
• 4.2 SIMF Elman 网络及其训练算法
• 4.2.1 SIMF Elman 网络
• 4.2.2 混沌训练算法
• 4.3 SIMF Elman 网络流量预测模型
• 4.3.1 网络流量预测模型
• 4.3.2 数据采集
• 4.3.3 模型训练与测试
• 4.4 本章小结
• 第五章 基于网络流量分解的流量预测模型
• 5.1 引言
• 5.2 基于流量分解的季节性神经网络模型
• 5.2.1 建模思想
• 5.2.2 流量预测模型
• 5.3 基于流量分解的季节性神经网络模型
• 5.3.1 数据采集
• 5.3.2 数据处理
• 5.3.3 模型学习
• 5.3.4 预测结果
• 5.4 流量预测模型应用
• 5.4.1 流量行为实时更新
• 5.4.2 基于标准差自适应边界值模型检测
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 下一步工作与研究展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表论文及参与项目