基于自组织映射神经网络的局部自回归方法在网络流量预测中的应用

针对网络流量预测,提出一类基于自组织映射（self-organizing map,SOM）神经网络的局部自回归（auto-regressive,AR）方法．根据SOM的联想记忆在时域的推广,在矢量量化临时联想记忆（vector-quantized temporal association memory,VQTAM）建模技术的基础上,给出具有多个局部线性AR模型的AR-SOM方法,基于前K个获胜神经元用权值代替输入向量建立单一时变局部AR模型的K-SOM方法,以及在完成数据向量聚类的同时,更新多个局部AR模型系数的LLM（local linear map）-SOM方法．相对于全局模型,基于SOM神经网络的局部AR方法能够灵活给出有效的监督神经结构,降低了计算复杂度．将本文方法应用于不同的网络流量预测实例中,并与现有方法相比,实验结果表明所提出的方法能有效地改善预测精度,且性能更好．     

基于神经网络和自回归模型的网络流量预测

互联网的急速发展在给人类带来了巨大便利的同时,也使网络中的网络流量出现了爆炸性的增长,预测网络流量对于网络的研究、管理和控制都具有很高的现实指导意义.为了降低减少网络流量数据的预测误差,提出一种基于神经网络和自回归模型的网络流量预测模型——卷积神经网络(CNN)-长短期记忆(LSTM)网络+自回归(AR).通过卷积神经...     

GARCH非线性时间序列模型的网络流量预测

网络流量预测在拥塞控制、网络管理与诊断、路由器设计等领域都具有重要意义。根据当今网络流量的特点,传统的ARMA模型在描述网络流量数据特性时有一定的局限性,从而影响网络流量预测的精度。针对这个问题,研究了使用广义自回归条件异方差模型(GARCH)对网络流量数据进行建模的方法,通过仿真实验表明,该模型可以较好地描述网络流量数据的异方差性,同时其预测精度较之传统的ARMA模型的预测精度也得到了大幅提升。     

网络流量测量中相关参数的自回归预测分析

具体分析了两个参数的自回归预测模型。通过分析数据源NLANR给出的真实网络流量数据，比较SCV和分组数的预测效果，以及对网络流量估计的影响。通过大量模拟实验和数据分析得出了文献【1】预测模型中相关参数结果，对于在网络流量测量中真正应用该模型提供了重要依据。     

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。     

ARIMA模型在网络流量预测中的应用研究

针对网络运行安全和可靠的要求,研究网络流量预测问题.网络流量具有高度自相似、时变性和非线性等时间序列特征,传统预测方法无法捕捉其时变性和自相似规律,导致预测精度比较低.为了提高网络流量的预测精度.在分析网络流量特征的基础上,提出一种基于ARIMA模型的网络流量预测方法.先采用差分法对网络流量原始数据平稳化处理,提取网络流量数据的自相似特征.然后将平稳后的数据利用能很好反映时变性和非线性的ARIMA模型对进行拟合和检验,建立网络流量的最优预测模型,最后根据获得最优预测模型对嗍络流量实例数据进行仿真预测.仿真结果表明,ARIMA模型的网络流量预测精度比其它预测模型要高,能够很好的反映网络流量的规律,在网络流量预测中有广泛应用前景.     

基于小波变换与自回归模型的网络流量预测

本文提出一种基于小波变换与自回归模型的网络流量预测方法,将流量数据构成的原始序列进行小波分解,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建立自回归模型,由所拟合的模型分别进行预测;结合各个重构后序列的预测结果,可以得到对原始序列的预测结果。实验结果表明,这种方法比传统的几种网络流量预测方法具有更高的预测准确度。     

网络流量分析预测研究

本文主要针对k-means算法存在的问题,进行了改进,并运用该算法对对网络流量进行了分析预测研究。     

基于小波分形自回归整合滑动平均模型的网络流量预测

研究表明Internet通信流量同时呈现长相关和短相关特性。为了精确捕捉上述通信流特性,提出一种基于小波分形自回归整合滑动平均(W-FARIMA)模型的预测方法。首先通过Haar小波的方法将原始数据分解为高频信号和低频信号,接着采用FARIMA模型对低频信号进行建模并预测序列,然后对高频信号采用加权一阶局域法进行预测,最后利用小波重构以合成数据。实验和数学分析的方法证实了该预测模型确实能够很好地进行网络流量的长期预测。     

基于ARMA-RESN的网络流量预测

为了获得更加理想的网络流预测结果,融合回声状态网络和自回归移动平均模型的优点,提出一种基于ARMA-RESN的网络流量预测模型。分别采用自回归移动平均和回声状态网络对网络流量线性变化特征和非线性变化特性进行建模与预测,对自回归移动平均和回声状态网络的预测结果进行融合,得到网络流量的最终预测结果,最后采用具体网络流量数据以及多个对比模型进行了仿真实验。仿真结果表明,相对于其他网络流量预测模型,ARMA-RESN不仅提高了网络流量的预测精度,而且具有更好的鲁棒性。     

一种基于混合模型的实时网络流量预测算法

流量预测是流量工程、拥塞控制和网络管理的核心问题.网络流量由大量的非线性变化部分和少量的但不可忽略的线性变化部分组成.现有的网络流量预测算法只是单一采用线性或者非线性的方法进行处理,这种片面性造成预测的准确度和实时性难以保证.针对网络流量的特点,提出了一种基于卡尔曼滤波和小波分析混合的流量预测算法.通过对网络流量的线性部分和非线性部分进行区分对待,从而提高预测的准确度和实时性.仿真结果表明,该算法与单一的线性预测算法和非线性预测算法相比,具有较高的预测精度和较好的实时性.     

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.     

一种基于EMD和RVM的自相似网络流量预测模型

针对自相似网络流量提出了一种基于EMD(经验模态分解)和RVM(相关向量机)的自相似时间序列预测模型.该模型利用EMD将滑动窗口内的小时间尺度网络流量序列分解为多个IMF(固有模态函数)分量,以去除流量序列长相关性;然后采用RVM对其中的高频分量进行拟合,而对低频分量则使用ARMA构建预测模型;最后合成各分量的预测结果.实验表明,该模型能准确地预测流量时间序列的幅值及其趋势,与同类型预测方法相比,其预测性能更好.     

模糊综合评判算法在网络流量预测中应用

研究了网络流量预测准确性问题。预测网络数据流的动态变化,针对互联网中对网络流量的不确定影响因素较多,传统的流量预测模型精度较低等问题缺陷,提出了一种新的模糊综合评判算法,对网络流量进行预测。在全面分析网络流量相关需求的基础上,首先利用相关空间重构对网络流量原始数据进行重构,采用改进的层次分析多模型进行优化,建立模糊综合评判的网络入侵检测多指标评估模型,最终经预测得出结果。仿真结果表明采用该算法对实际网络的流量进行了预测,验证了方法具有较高的预测精度。     

基于矢量空间重构的网络流量预测算法

客户机与服务器之间存在数据存储隐通道,对该通道的网络流量进行准确预测可避免网络拥堵,提高网络流量的调度和管理能力。传统方法采用线性时间序列分析方法进行网络流量预测,没有准确反映流量序列的非线性特征信息,预测精度不高。提出一种基于非线性时间序列分析和矢量空间重构的网络流量预测算法。进行相位随机化处理,使得网络流量数据离散解析化,把网络流量时间序列解析模型分解为含有多个非线性成分的统计量。采用自相关函数法求得矢量空间重构的时间延迟,采用互信息最小嵌入维算法求得网络流量序列的矢量空间嵌入维,实现流量序列的矢量空间重构。在高维矢量空间中,提取网络流量的高阶谱特征,实现网络流量的准确预测。仿真结果表明,采用该算法能有效拟合流量序列的非线性状态特征,对流量状态变化的动态跟踪性能较好,其预测误差比传统方法的低。     

用近邻算法预测通信量时间序列

为了对通信系统进行有效的调控,需要对通信量进行预测,而通信量具有在不同日期遵循不同规律的特点。本文采用基于实例的近邻算法进行时间序列预测,并在考虑动态长度序列、序列特征提取和近似样例的选取上做出改进,取得很好的效果。将近邻预测算法应用到广东省电话网智能管理系统(GTNIMS)中,能够为路由求解提供快速、准确的预测话务量,为更精确的求解创造了条件。     

网络流量的非线性组合预测模型应用研究

研究网络优化管理问题,网络流量具有趋势性、周期性和非线性,传统预测模型只能反映网络流量变化的片段信息,难以获得高精度的网络流量预测结果。为提高网络流量预测结果,提出一种非线性组合的网络流量预测模型。首先采用单一模型ARIMA、ARMA、GM(1,1)对网络流量各特征进行预测,然后将三种预测结果输入到支持向量机进行融合,得到网络流量的最终预测结果。仿真结果表明,与传统网络流量预测模型相比,改进的非线性组合预测模型能够较好的反映网络流量的复杂变化规律,从而提高了网络流量的预测精度。     

基于定量递归联合熵特征重构的缓冲区流量预测算法

对网络基站缓冲区的短时网络流量的准确预测是缓解和控制拥堵的关键.基站缓冲区的短时网络流量时间序列具有非线性混沌特征,其自相关特性较弱,而传统方法采用线性时间序列分析方法没能有效挖掘流量序列的非线性特征信息,流量序列预测性能不好.提出了一种基于非线性时间序列分析的定量递归联合熵特征重构网络基站缓冲区的短时网络流量预测算法,该算法提取流量序列的定量递归联合熵特征,并对特征序列进行相空间重构;把网络流量信号模型进行高维映射,在高维相空间对短时网络流量序列进行定量递归分析;采用自相关特征奇异分解对流量序列进行聚合后的线性叠加,采用平均互信息算法和虚假最近邻点算法计算最佳时延参数和最小嵌入维;进行插值拟合形成时频分析特征分流控制,实现对网络流量的预测.仿真结果表明,该算法预测精度较高,稳定性较好,预测偏差较传统方法低,具有较好的应用价值.     

DTBF模型的流量负载均衡研究与实现

针对目前网络工程中负载优化困难的问题,基于令牌调度方法提出了一种改进的动态令牌分配调度模型DTBF,实现了实时流的流量整形,推导并设计了动态分配令牌的优化算法以解决逻辑链路间的负载均衡问题。实验分析和工程实现结果表明,此流量调度方法能有效地对链路间进行流量负载均衡,显著提高带宽利用率,用户公平性良好。