分形滤波的网络流量预测

提出了一种结合分形滤波与线性神经网络进行网络流量预测的新方法。通过分形滤波增强网络流量中的长相关结构,使序列更加平滑,根据相空间重构理论利用线性神经网络进行预测操作,并用实际网络流量验证该模型的有效性。     

分形理论在网络流量分析中的应用综述

从自相似(单分形)和多重分形两个方面讨论了网络流量的相关分析内容，并对长相关、尺度行为等重要概念进行了说明，目的在于对流量分析中的分形理论作整体介绍。     

基于泛逻辑的分形与混沌逻辑初探

人们对自然的看法正经历着一个根本性的改变,即转向多重性、暂时性和复杂性,混沌学与分形论则是研究此类非线性自然系统的新兴科学。本文分析了分形与混沌的基本特征及其与泛逻辑的相互关系,讨论了建立分形与混沌逻辑的必要性和可能性,并给出了分形逻辑的研究纲要和混沌逻辑的实现途径。文章指出:<1>.分形与混沌逻辑的产生既是人类对自然规律认识深入的必然产物,也是深入认识自然的客观需要;<2>.泛逻辑学原理为建立具体的逻辑体系提供了理论框架与生成规则,这使得建立分形与混沌逻辑成为可能;<3>.分形与混沌逻辑在复杂系统的研究中将扮演重要的角色,并在其应用中逐渐自我完善。     

一种天地一体化智能网络流量模型

针对天地一体化智能网络流量具有长相关,且突发性强的特点,通过对多分形小波模型构造系数分布合理化选取,构建了基于威布尔分布的混合小波网络流量模型(W＿OWM,Weibull of wavelet model).模型结合独立小波模型的长相关描述能力和多重分形模型的短期突发描述能力,选取威布尔分布重构流量,解决了传统多分形小波模型构造系数的分布选取与实际流量分布特性无关的问题,该模型能够准确、有效的描述天地一体化智能网络流量的行为特征.仿真分析表明：W＿OWM重构流量表现了突出的重尾特性,与实际流量的分布特性相似,W＿OWM多分形谱的描述贴合于实际流量多分形谱,更能体现流量的长相关性.     

面向海量数据的网络流量混沌预测模型

针对网络流量的混沌特性以及海量特性,为弥补网络流量预测模型存在的不足,以获得更优的网络流量预测结果,提出了面向海量数据的网络流量混沌预测模型。该模型首先采用小波分析对原始网络流量时间序列进行多尺度处理,得到不同特征的网络流量分量,然后对网络流量分量的混沌特性进行分析,分别进行重构,并采用机器学习算法中的极限学习机进行建模与预测,最后采用小波分析对网络流量分量的预测结果进行叠加,得到原始网络流量数据的预测值,并进行网络流量预测的仿真实验。实验结果表明,所提模型的网络流量预测精度超过90%,不仅预测精度结果远远超过其他网络流量预测模型的结果,而且其网络流量预测的结果更加稳定,因此是一种有效的网络流量建模与预测工具。     

基于CS-HRVM的网络流量预测

为了获得更加理想的网络流量预测结果,准确刻画网络流量的变化趋势,提出一种基于布谷鸟搜索算法优化组合核相关向量机的网络流量预测模型（CS-HRVM）。首先针对网络流量的混沌特性,采用相空间理论建立网络流量的多维学习样本,并采用组合核函数构建相关向量机,然后将学习样本输入到相关向量机中进行训练,并采用布谷鸟搜索算法对模型参数进行优化,从而建立网络流量预测模型,最后采用仿真实验对模型性能进行仿真对比实验。结果表明,CS-HRVM获得了比其他网络流量预模型更高的预测精度,而且可以对含噪网络流量进行准确预测。     

基于混沌理论的网络流量BP神经网络预测

应用相空间重构技术,论证了网络流量存在混沌现象,并计算了实际网络流量的关联维,Lyapunov指数;在此基础上对网络流量时间序列建立BP神经网络模型对网络流量进行预测,实例表明,和FARIMA(p,d,q)模型相比,基于混沌理论的BP神经网络模型有较好的预测能力,并具有较长的预测步长。     

混沌与分形在化工过程控制中的应用

针对复杂工业过程控制的研究对象普遍存在非线性、复杂性和不确定性的特点。总结了国内外一些将混沌与分形应用于化工过程控制的情况,指出认识化工过程中的混沌现象进而进行控制是解决化工过程中某些复杂控制问题的有效途径。最后对非线性科学与控制理论相结合的前景进行了展望。     

低分辨率小规模网络流量数据的混沌特性鉴别

使用非线性时间序列分析方法,对低分辨率采样的小规模网络流量数据进行混沌特性分析。给出了网络流量数据的平滑策略,计算了网络流量数据的最大Lyapunov指数,并对流量数据与噪声序列加以区分,从不同角度验证了小规模网络流量数据具有低维混沌特性。为采用混沌方法研究网络流量行为特性奠定了基础。     

混沌一支持向量机回归在流量预测中的应用研究

为了提高流量预测准确性,将混沌理论和支持向量机回归应用于网络流量预测.采用相空间重构理论计算实际流量的延时、嵌入维数和Lyapunov指数,证实网络流量存在混沌现象;据此建立混沌-支持向量机预测模型并确定训练样本对,对实际网络流量教据进行预测.结果表明,该方法能有效地进行流量预测,相对于BP神经网络方法,该方法具有更好的预测精度.     

网络流量长相关特性估计算法性能评估

定量刻画网络流量的长相关特性是网络特性研究的重要基础。对当前常用的Hurst指数估计算法进行了详细归纳。在此基础上，以已知Hurst指数的分形高斯噪声(fGn)序列为主要研究对象，利用逆向方法，分别研究了周期信号以及高斯白噪声影响下的Hurst指数估计算法的估计性能。通过比较，发现没有任何一种Hurst指数估计算法能够广泛应用于复杂条件下网络流量序列的Hurst指数的准确估计，其主要原因是因为这些算法的主要思想都是在全域内运用了求和平均的方法，使得流量序列的高可变信息受损，导致估计误差增大。     

基于傅里叶模型的最佳网络流量预测*

针对网络流量数据自相似性和长相关性的特点,提出了一种基于傅里叶模型的最佳网络流量预测方法。同时给出了该模型的预测函数,并通过某互联网运营商的实际流量数据验证了该算法的有效性。     

基于MF-DFA的交通流量多重分形研究

针对交通流时间序列的波动性变化特征,采用多重分形消除趋势波动分析法（Multi-Fractal Detrended Fluctuation Analysis,MF-DFA）,对上海内环高架吴中路上匝道和下匝道的交通流量时间序列进行研究。结果表明,上匝道和下匝道的交通流量都具有长程相关性和多重分形特性。通过对比上匝道和下匝道的多重分形特性,发现下匝道交通流量的多重分形特征明显强于上匝道,表明下匝道的交通流量具有更显著的波动特性。这些研究成果为城市交通流时间序列的非线性研究提供了重要的理论依据。     

Criticisms of modelling packet traffic using long-range dependence (extended version)

This paper criticises the notion that long-range dependence is an important contributor to the queuing behaviour of real Internet traffic. The idea is questioned in two different ways. Firstly, a class of models used to simulate Internet traffic is shown to have important theoretical flaws. It is shown that this behaviour is inconsistent with the behaviour of real traffic traces. Secondly, the notion that long-range correlations significantly affects the queuing performance of traffic is investigated by destroying those correlations in real traffic traces (by reordering). It is shown that the longer ranges of correlations are not important to mean queue length except in one case with an extremely high load.     

基于小波域混合高斯模型的自相似流量合成算法

自相似流量特性对网络性能具有重要影响，流量建模与合成是网络性能评价的基本环节．提出了一种基于小波域混合高斯模型的自相似流量建模与合成方法：小波变换的近似Karhunen—Loeve（K-L）变换特性可以有效去除流量过程的长程相关，而混合高斯模型准确地描述了小波系数的非高斯分布．对合成流量进行了统计分析以及排队性能仿真．实验表明该方法能够更准确地对通信流量进行建模和合成，并且具有运算量小（O（N））、流量生成快速等优点．     

基于分数差分和Fuzzy-AR的网络流量建模和预测

文章提出了一种利用分数差分和Fuzzy-AR(模糊自回归模型)进行网络流量建模和预测的新方法。这种方法既能刻画实际网络流量的长相关性,又能描述其中的非平稳和非线性分量,同时具有较低的辨识复杂度。这个方法的两个部分建模和预测是密切相关的。首先它们都通过分数差分的方法消除时间序列中的长相关性,然后分别用模糊自回归模型进行建模或预测。实验表明相比传统的模型,这种方法的预测更加有效。     

基于混沌理论的网络数据流RBF神经网络预测

应用相空间重构理论，研究了网络数据流的混沌特性，计算了实际网络数据流的关维数、Lyapunov指数，证实网络数据流存在混沌现象；据此建立了基于径向基函数(RBF)预测模型，对实际网络数据流进行预测。仿真实验表明，相对于反向传播(BP)神经网络预测，基于混沌理论的RBF神经网络预测方法学习速度快，预测精度高。