基于FARIMA模型的网络流量预测

论文基于长相关特性的时间序列分析方法,采用FARIMA模型对网络自相似业务进行研究,利用“后向预报”技术对序列进行分形反滤波,在模型辩识、参数估计中利用粗、精估计结合的方法建立模型。选择伯克力实验室的经典实测数据,利用FARIMA模型进行H值估计、分数差分定阶及消除长相关性的操作,实验证明了模型的有效性。     

自相似网络业务的一个FARIMA模型

近来发现,高速网络业务具有自相似及长相关特性,分数噪声可描述该类业务。但它仅表现长相关特性,给出了利用ＦＡＲＩＭＡ模型拟合自似网络业务的一整套方法,该模型同时刻画了实际业务的长相关与短相关行性,通过对实测数据的实验, 模型的优效性。     

基于小波技术的网络流量分析和预测

互联网流量数据属于非平稳的时间序列,具有很强的突发性和自相似性等分形特征.小波分析能够保持对象的尺度不变性,很适合分析和处理自相似过程.分析了常见流量模型的优缺点,利用小波技术将网络流量分解、重构,并结合传统FARIMA模型分析和预测网络流量,实验结果表明该方法可以有效地对网络流量进行建模和预测.     

自相似网络论坛的模型研究

为描述网络论坛文章数序列的自相似性,使用基于分数差分和ARMA过程的FARIMA模型,对论坛的文章数序列进行建模和分析。FARIMA模型具有描述精度高的特点,但时间复杂度较高。为此,提出?-ARMA模型。通过实验进行仿真分析,从模型的计算复杂度和拟合准确度方面进行对比,证明了?-ARMA模型的有效性。     

基于FARIMA模型的无线网络状态融合方法

为了解决无线网络传输过程中受噪音干扰的问题,提出了一种新的信号状态融合算法(signal fusion based onwavelet transform and date association,SFDF)。该算法针对小波变换和卡尔曼滤波刻画的缺陷,利用数据关联和FARIMA模型对信号进行了有效融合,并设计长相关信号的算法流程。同时以分形布朗运动(fractional Brownian motion,FBM)模型产生实验数据,深入研究了信号状态与干扰因素之间的关系。实验结果表明,与以往算法相比,SFDF更加具有适应性。     

自回归与神经网络组合的网络流量预测模型

网络流量具有时变性和非线性,单一预测方法难以准确描述网络流量变化规律,为提高网络流量预测准确率,提出一种网络流量组合预测模型(ARIMA-BPNN);首先采用ARIMA对网络流量进行预测,然后采用BPNN对网络流量非线性变化规律进行预测,且遗传算法优化BPNN初始权值,最后将两者预测结果作为BPNN输入进行二次预测,得到ARIMA-BPNN预测结果;仿真实验结果表明,相对于ARIMA、BPNN,ARIMA-BPNN提高网络流量预测精度,在网络管理中有着广泛的应用前景。     

基于FARIMA的ARP欺骗入侵检测

针对ARP网络流量具有自相似性,ARP欺骗会导致ARP网络流量局部突发的特征,在进行理论分析的基础上,提出一种ARP欺骗入侵检测方法。采用适合描述自相似性的FARIMA准确预测ARP网络流量,在线实时计算每个周期实测值和预测值的差值,比较差值变化率快速准确实现ARP欺骗入侵检测。运行结果证明FARIMA具有先进性,该方法可有效提高ARP欺骗实时入侵检测的检测率,实现追踪ARP欺骗攻击源主机。     

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.     

自相似网络流量的特性分析

根据流量的不同特性,讨论几种长相关网络流量模型,分析它们的优缺点,并研究产生自相似的原因及其对网络性能的影响.     

基于改进Elmam神经网络的网络流量预测模型

提出了一种改进Elman动态回归神经网络,在此基础上建立了一种网络流量预测模型,该模型相对于传统的线性模型和BP神经网络模型具有更高的预测精度和更好的自适应性,利用某大学校园网统计得到的实际网络流量数据进行仿真实验,结果表明该模型具有良好的预测效果。     

基于FARIMA模型的Internet网络业务预报

最近的网络研究发现Internet网络业务同时呈现长相关和短相关特性,因此建立可以同时描述,预报长相关和短相关特性的网络业务模型很有必要。文中给出了利用FARIMA模型进行建模和预报的方法,实验表明这种方法用于实际Internet网络trace是非常有效的,另外提供了简化FARIMA模型拟合的方法和具体步骤,这样大大缩短了模型辨识的时间,对于实际网络预报有很好的实用性。     

面向科研专网的链路流量预测模型

当今科研活动已越来越依赖科研数据网络的高效传输,这对科研专网的链路资源规划和运行管理带来了更高要求.面向科研专网的实际需求建立链路流量预测模型能使网络运营者在SDN等先进控制转发技术辅助下更有效进行资源调度的快速决策.现有的预测方法未考虑当前网络流量更具多样化和更高复杂度的深层细粒度特征.通过改进LSTM模型,本文面向...     

网络流量预测模型仿真分析与研究

网络流量的高效准确低冗余度预测,是保证网络安全的关键.网络流量的非线性影响,在突变性较强的网络流量预测中,为了应对突变性,需要大量的先验知识作为预测模型的支撑,导致出现了大量的非正常冗余数据,造成传统的的模型训练样本数量大以及结构复杂,模型不够稳定,导致预测冗余度高,效率低下.提出一种采用支持向量机模型的主成分分析的零冗余度PCA-SVM预测系统,在SVM模型的基础上,采用PCA分析方法对输入系统的一些冗余信息进行清除过滤,提高输入信息数据的贡献率,减少总体的样本训练集数量,降低SVM模型的信息维数,对网络流量的6个因子进行了系统模型构建原始驱动数据,对6个预测因子进行PCA处理,驱动因子之间具有显著的相关关系,完整去除了非相关冗余度.采用SVM-PCA模型进行数学建模,对后来10个月的网络流量进行预测.实验结果表明,改进算法比传统算法,预测偏差降低0.069,预测准确率可以提高17％以上,优化效果明显.     

基于FARIMA模型的流量抽样测量方法

目前的流量抽样测量方法主要基于传统的数学理论,并没有考虑到实际网络流量的特征,基于此,提出基于FARIMA流量预测的抽样方法,根据流量预测值动态调整抽样率,既减轻了CPU的负载,又节省了存储空间。通过对比实际使用中的流量抽样测量方法取得的数据报文样本均值和Hurst参数,表明该方法能够正确体现原始数据的流量行为统计特征。     

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SCSO-GRU模型的网络流量预测

网络流量有实时性、不稳定性和时序相关性等特点,传统网络流量预测模型存在泛化能力不强和预测精度低等不足之处。为解决这些不足,本文提出一种结合基于正余弦的群优化（SCSO）算法的GRU神经网络的网络流量预测模型（SCSO-GRU）。首先,介绍SCSO算法的粒子更新原理;然后构建SCSO-GRU神经网络的网络流量预测模型,将SCSO算法用于模型训练,提高训练效果,克服传统GRU神经网络收敛于局部最优的缺点;最后用SCSO-GRU模型进行网络流量预测。实验结果表明,与传统LSTM和GRU模型相比,本文模型具有显著的收敛效果和较好的预测精度,可以更好地刻画网络流量变化趋势。     

基于多神经网络的网络流量预测模型

实现网络QoS控制对于网络管理及维护相当重要,而网络流量预测对于实现网络的QoS控制可以起到十分重要的作用;另外,流量预测在入侵检测中的应用也受到越来越多的关注。网络流量预测极具现实研究意义。对多个神经网络预测模型进行有效的整合,建立了一个基于多神经网络的网络流量预测模型,并用真实的网络流量对该模型进行仿真验证,提高了其预测性能。     

智能交通控制网络的短时交通流预测研究

研究智能交通控制网络的短时交通流准确预测问题.为保证智能交通控制的效率,短时间内采集交通流信息并作为预测参数快速完成交通流的预测,然而短时间内采集到的交通流数据有限,数据间的相关性不明显,传统的交通流预测方法针对短时采集的相关性不明显的数据进行预测,存在预测准确度不高的问题.为解决上述难题,提出采用多维标度法的短时交通流预测方法.利用多维标度法处理采集到的短时交通流数据得到数据间的潜在相关性,避免因短时数据间相关性不明显而造成预测准确度不高的问题,然后根据数据相关性建立交通流预测模型,按照预测算法流程完成交通流的预测.实验表明,改进方法能够根据短时交通流数据准确完成交通流的预测,保证了智能交通控制网络的效率和性能.