小波变换与GARCH组合模型的网络流量预测

在一些网络环境当中,网络流量具有非线性、异方差性和波动集群现象,传统的小波变换与ARMA组合模型不能很好地描述网络流量的这些特性。因此,研究使用了小波变换与广义自回归条件异方差GARCH组合模型来预测网络流量。首先,使用小波变换原理将网络流量序列分解成高频部分和低频部分,在此基础上对各个子序列分别建立相应的GARCH模型并进行预测;然后,使用小波变换原理将各个子序列的预测结果进行重构,从而最终实现对原始网络流量的预测。通过仿真实验表明,该模型的预测精度较之传统的小波变换与ARMA组合模型的预测精度得到了大幅提升。     

基于小波的网络流量分解模型

大规模网络的流量行为体现为一个相当复杂的非线性系统，目前国内外对它的研究还没有成熟的方法．多分辨小波分析能将交织在一起的不同频率成分组成的复杂时间序列分解成频率不相同的子序列．基于小波分解和重构思想，文章将流量过程分解成不同尺度下的小波系数和尺度系数，然后分别重构最高层低频序列和各层的高频序列．从各子频率序列中分离趋势项、周期项和随机项，并对各成分分别分析与建模，最后合成原流量时间序列的流量预测模型．通过CERNET流量实例分析表明该模型的精度高于ARIMA模型．     

基于小波技术和ARIMA模型的网络流量预测研究

结合小波变换技术和时间序列模型ARIMA,建立一种网络流量预测模型.用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果.     

基于ARMA模型的网络流量预测

随着计算机网络的迅速发展,目前的网络规模极为庞大和复杂,因此发生各种问题的可能性也越大,同时管理网络的难度也增大,传统的网络管理是在告警之后,解决潜在的问题,即为一种响应式的行为,这时候网络的服务很可能已经受到影响,根据实际采集的非单播包数的观测值序列,建立该流量参数的正常行为,然后平稳化该序列,估计出网络流量的ARMA（2,1）模型,用线性最小均方误差预测方法,对网络流量进行预测,并检测在将来超越阈值的可能性和发生时间,这样,在网络过载发生之前,可以预先采取防范措施,来保证网络的正常服务,这种方法改变了以往的网络管理响应方式,使得网络过载的预警成为可能。     

一种网络流量预测的小波神经网络模型

结合小波变换和人工神经网络的优势,建立一种网络流量预测的小波神经网络模型。首先对流量时间序列进行小波分解,得到小波变换尺度系数序列和小波系数序列,以系数序列和原来的流量时间序列分别作为模型的输入和输出,构造人工神经网络并且加以训练。用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果。     

基于小波变换的网络流量预测模型应用研究

研究优化网络性能问题,因网络流量数据具有很强的突发性和自相似性等分形特征,引起系统流量不稳定和不精确,用传统网络流量预测模型预测准确低.为解决上述问题,提出一种基于小波变换(WT)的自回归(AR)预测模型,首先对原始流量数据进行小波分解,并将分解得到的近似部分和各细节部分分别单支重构到原级别上,对各个重构后的序列分别建立自回归模型,由所拟合的模型分别进行预测,最后结合各个重构后序列的预测结果,得到对原始序列的预测结果.运用WT_AR进行仿真实验,实验结果表明模型比传统的网络流量预测模型具有更高的准确度.证明WT_AR是一种高效的网络流量检测模型,网络流量预测方法提供参考依据.     

网络流量行为分析的小波加权混沌局域模型

结合小波变换和混沌局域模型的各自优势,提出一种网络流量的预测模型。首先,将网络流量时间序列进行小波分解得到高频信号序列和低频信号序列,再用加权混沌局域模型对每一成分的信号序列分别进行预测,对所有的预测分量进行小波重构就可以实现对网络流量的预测。用实际网络流量对该模型进行验证,实验结果表明,该模型具有较高的预测效果。     

基于离散小波变换的网络流量模拟算法与分析

提出了基于离散小波变换的IP网络流量模拟算法,研究表明基于离散小波变换的细节信号作分割和随机重组,蕴涵着实测过程固有变化特性。并在细节上和原过程在时序变化上存在差别。达到了随机模拟的目的。     

基于小波的网络流量特征分析

网络流量的特性分析一直是通信网络性能分析的一个极其重要的问题.本文充分利用小波变换具有多分辨率的特点,将时域里的网络流量通过小波分解,分解到不同的频带上,再对各子频带上的细节分量使用不同阀值进行消噪处理,然后采用自回归滑动平均混合模型对小波分解去噪后的不同分量分别进行预测再合成预测流量.对实际流量进行模拟预测,结果表明该模型有效地提高了预测精度,能对网络流量特别是短期流量做出较为准确的预测.     

基于Gamma小波模型的网络流量预测

网络流量的精确预测是实现动态流量管理及控制的前提,由此提出一种基于Gamma小波模型的预测方法。将原始数据分解为高频信号和低频信号,采用Gamma小波模型对低频信号进行建模并获取服从Gamma分布的序列,分别对刚获取的序列以及高频信号采用加权一阶局域法进行预测,重构小波以合成数据。通过实验和数学分析的方法,证实该预测模型能够进行网络流量的短期预测。     

一种基于小波和神经网络的短时交通流量预测

针对实际交通流变化的不稳定性和复杂性的特点,应用交通流预测模型获取更准确的交通流信息,是智能交通领域的一个研究热点。提出一种基于小波分析与神经网络结合的预测模型。模型主要思想是通过小波多分辨率分析和Mallat算法对原始交通流数据进行平滑降噪处理,处理过程选用db10小波和软阈值去噪函数使得交通流曲线更加平滑稳定,更能真实反映交通流的真实情况;再采用激活函数为Tan-Sigmoid,训练函数为trainlm,各层神经元节点数为1-12-1的三层BP神经网络对消噪后的交通流数据进行训练,用训练好的预测模型对实际交通流信息进行预测,最后获取准确的交通流信息。实验结果表明,采用小波分析与BP神经网络结合的方法得到的预测结果平均相对误差为0.03%,最大相对误差为0.39,拟合度(EC)达到0.96。仅使用BP神经网络预测模型对交通流数据进行预测后得到的预测结果的平均相对误差为0.08%,最大相对误差为0.89%;实验对比采用BP神经网络预测模型和卡尔曼滤波、GM(1,1)预测模型对交通流的预测,BP神经网络预测模型的误差指标大大减小,拟合度大大提高,有较好的准确性和可行性,能较准确地反映交通流真实情况。而经过小波去噪与BP神经网络结合的预测模型提高了预测精度,为交通流的实时动态预警提供了更加准确真实的情况。     

小波法的网络流量奇异谱估计

网络流量整形、调度、异常检测、管理与控制及保障QoS需求等都需要了解业务流的局部变化特性.本文给出离散小波及其模极大值的网络流量奇异谱估计算法及影响因素,并通过真实的网络业务数据对算法进行了评估和比较.实验结果表明,两种方法的奇异谱估计能有效刻画网络业务流的局部变化特征,并且能通过奇异谱特征参数之间的差别描述不同业务流之间的差异性,也表明了在一定条件下,离散小波模极大法更加优越.     

一种新的网络业务流的多重分形小波模型

针对当前Internet上日益复杂的网络业务流和视频流,文章提出了一种新的多重分形小波模型．与普通的多重分形小波模型(Multifractal Wavelet Model,MWM)不同的是,该文提出的新模型在各个时间尺度上对小波系数都依据源数据尺度系数的边缘分布作了修正,这样确保新模型能在不同的时间尺度上拟合源数据的分布．决定网络业务流的排队分析特性的是一个关键时间尺度(Critical Time Scale,CTS),CTS是随着缓冲区的容量和节点传输速率的变化而变化的,该文提出的模型能描述几乎各个时间尺度的业务流特性,因此能适应各种不同情况的缓冲区的排队分析．同时,新模型也继承了传统MWM的一些优良特性,比如能描述业务流的多重分形特征以及能确保最终结果始终是非负等等．最后通过对视频业务流和网络业务流的仿真实验与排队分析验证了该模型的有效性．     

遗传算法优化小波神经网络的网络流量预测

为了提高网络流量的预测精度,克服小波神经网络收敛速度慢、易陷入局部最优的缺点,提出一种遗传算法优化小波神经网络的网络流量预测模型.首先计算延迟时间和嵌入维数,构建小波神经网络的学习样本,然后采用小波神经网络对网络流训练集进行学习,并采用改进遗传算法对小波神经网络参数进行全局寻优,提高收敛速度和网络学习精度,最后采用网络流量数据对模型性能进行仿真分析.结果表明,相对于对比模型,本文模型的平均误差大幅度降低,训练次数急剧减,减小了二次优化训练的次数,具有更大的实际应用价值.     

基于周期性网络流量模型的流量预测

文中使用自主开发的网络监控系统，对数据链路实施长期的测试监控。通过大量流量测试数据统计分析表明，WAN／LAN实际流量可以分为时间相关分量和时间无关分量。文中介绍了一个基于周期性网络流量模型的流量预测算法，以便对给定时刻的网络流量进行在线预测，并给出了不同预测精度下预测流量取值区间和实际流量的比较结果。     

基于小波神经网络的流量混沌时间序列预测

在Takens提出的相空间重构模型基础上,应用小波变换对其进行改进,充分考虑噪声对重构结果的影响。将小波神经网络混沌时间序列预测方法引入网络流量预测中,介绍小波神经网络的基本构造和学习方法。实验表明,与RBF神经预测方法相比,小波神经网络预测方法的逼近效果更好、误差更小。     

基于小波分析与神经网络的交通流短时预测方法

提出基于小波分析与神经网络的交通流短时预测方法，把多维输入进行小波分解降维，预测由多个子网络独立完成，有效解决了多维神经网络的映射学习容易产生“疆数灾”的问题．示例结果表明，该方法比典型的神经网络预测准确度高、误差小．     

一个基于实际测试的网络流量模型

网络流量模型是网络性能评价、网络协议设计和网络规划等的基础。本文设计了一种在于实际网络测试的时间相关流量模型的方法,采用该流量模型预测网络流量。文章提出了网络流量预测精度的数学定义。网络测试实验表明,此流量模型具有更高的精度,适用于实际运行的网络环境。     

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．