基于蚁群算法的通信网络流量分析

常规的通信网络流量分析方法主要利用时间序列获取通信网络流量特征,受不断产生的冗余数据影响,导致其分析的通信网络流量值与实际值差距过大。因此需要基于蚁群算法设计一种全新的通信网络流量分析方法。以通信网络的捕获机制入手,利用数据链路接口及数据包过滤器有效地布设了网络流量测量采集点,输出采集数据,再结合蚁群算法生成网络流量分析模型,获取网络流量跟踪算法,从而完成通信网络流量分析。实验结果表明,在不同验证集下本文设计的通信网络流量分析方法分析的通信网络流量值与实际差值较小,证明设计的通信网络流量分析方法的分析效果较好,具有准确性,有一定的应用价值,可以作为后续通信网络流量预测的参考。     

小波消噪和蚁群优化支持向量机的网络流量预测模型

针对当前网络流量预测模型精度低的缺点,本文提出了一种新型的小波消噪和蚁群算法优化支持向量机的网络流量预测模型。首先采用小波阈值法对网络流量进行消噪处理;然后将网络流量输入到支持向量机中学习,并采用蚁群算法对支持向量机的参数进行优化,建立网络流量预测模型,最后采用实际网络流量数据进行仿真实验,结果表明,相对于其它网络流量预测模型,本文模型提高了网络流量的预测精度,具有更好的鲁棒性。     

基于RBF算法的机房网络流量预测

摘要：为保证网络通信的正常运行,采用RBF算法预测网络流量的可靠性。以黑龙江科技学院计算机基础实验室网络流量数据为例,根据其在时序上的复杂非线性特征,利用自相关分析技术分析时间序列的延迟特性,确定RBF神经网络的输入／输出向量,建立了基于Matlab6．5环境下的RBF神经网络客运量预测模型。验证结果表明,该模型拟合精度和预测精度较高,计算速度较快。     

小波分析与神经网络的网络流量预测模型

网络流量具有长相关、非平稳性与多时间尺度特性。提出了一种基于小波分析与AR(p)人工神经网络相结合的网络流量预测模型,即WPBP算法。该算法采用小波分析得到网络流量在不同尺度下的近似信号和细节信号,并运用AR(p)的相关性理论确定近似信号序列和细节信号序列的相关程度(p值),与神经网络进行耦合,以p+1划分数据,前p项作为输入,后一项作为输出对网络进行训练,从而使得神经网络的输入与输出的选择更加合理,预测的结果也更加准确。用小波重构得到最终的流量预测值,用实际网络流量对该模型进行验证。仿真结果表明,该模型的预测效果较好。     

基于包容性检验和神经网络的网络流量预测模型

网络流量具有高度复杂的非线性特征,采用单一预测模型往往难以达到理想的预测效果,为此,提出一种包容性检验和BP神经网络相融合的网络流量预测模型（ET-BPNN）。首先采用多个单一模型对网络流量进行预测,然后通过包容性检验,根据t统计量检验选择最合适的基本模型,最后采用BP神经网络对基本模型预测结果进行组合得到最终预测结果。实验结果表明,相对于单一模型以及传统组合模型,ET-BPNN更加准确刻画了网络流量变化趋势,各项评价指标均达到更优,为实现网络流量准确预测提供了更为科学的方法。     

一种基于残差网络的改进网络流量分类算法

基于卷积神经网络的网络流量分类算法中,为了提高分类准确度,其结构设计日趋复杂,容易出现梯度下滑甚至梯度消失,导致预测准确度不升反降.文章提出了一种基于残差网络的改进流量分类算法,引入残差网络层代替传统卷积神经网络中的卷积层和池化层,不仅缓解了传统卷积网络因层次太深导致难以训练的问题,同时与传统卷积运算相比,所提出的残差...     

基于小波神经网络的网络流量预测研究

主要采用小波神经网络的相关理论和方法对某小区网络的访问流量情况进行建模和预测。利用收集到的网络流量变化情况作为小波网络的训练样本,成功实现了该网络的流量预测。试验仿真结果表明,构建的小波神经网络模型可以很好地实现对网络流量的高精度预测。     

基于蚁群改进的认知网络QoS路由算法

多约束的QoS(服务质量)路由问题是认知网络研究的核心问题之一,由于网络拓扑的不断变化及不同业务QoS需求,解决该问题面临很大的挑战。文章对传统蚁群算法进行了改进,增强了对链路状态的认知能力,增加了拥塞规避机制,使算法能更好地适合认知网络环境。仿真数据表明,该算法在网络丢包率和时延上,比传统的链路状态路由算法更具有优越性。     

基于蚁群算法的模糊神经网络垂直切换算法

提出了基于蚁群算法(ACO)优化的模糊神经网络垂直切换算法ACO-FNN,综合考虑了信号强度、移动速度、可用带宽等因素进行模糊神经网络处理,并采用蚁群算法进行优化,调整隶属度函数的参数。仿真结果表明,该算法能够在减少乒乓效应的基础上更好的保证用户的服务质量QOS。     

基于时间序列分析的网络流量预测模型研究

通过对网络流量数据作为时间序列进行小波变换建模,应用于未来时间的网络流量数据预测.首先对流量数据序列进行多尺度分解,对分解到不同尺度上的数据分别利用不同的时间序列模型进行分析,然后进行预测数据的折衷处理,得到网络流量多尺度预测模型.仿真结果表明与单一应用RBF神经网络的时间序列预测模型相比,该模型预测效果良好,具有较高的预测精度和很好的模型适应性.     

基于蚁群神经网络的LED灯管寿命预测

针对高可靠性、长寿命复杂产品的可靠性评估过程,在加速寿命退化试验数据的基础上,提出了一种基于试验数据驱动的自适应智能方法,并对某型LED灯管的寿命与可靠性进行预测分析.首先,通过指数模型拟合性能退化曲线,推算出各组应力条件下的伪失效寿命值;再将蚁群算法结合BP神经网络等智能算法应用于寿命预测模型的建立,根据试验证明寿命服从对数正态分布,且检验寿命必须满足置信度区间范围内;最后,预测出正常应力条件下LED灯管的工作寿命.结果表明,基于蚁群神经网络预测LED灯管寿命的方法,预测误差较小,收敛速度快,能够满足工程要求.     

基于蚁群的无线电源管理网络路由算法

蚁群算法(Ant Colony Algorithm,ACA)是一种新型的基于群体的仿生算法。采用蚁群算法实现了对无线电源管理网络的路由优化,为远程设备管理提供了新的解决思路。对原始蚁群算法进行了改进,提出了一种多蚁群的优化算法。基于蚁群算法及其并行搜索最优的特征,通过蚁群聚类和动态调整网络优化参数的方法,可作为一种面向无线电源管理网络的路由算法,经过仿真验证了该算法的有效性。     

组合神经网络的网络流量预测研究

提出一种组合神经网络的网络流量预测模型.首先采用SMOF网络对网络流量数据进行聚类,然后采用Elman网络对聚类后的流量数据进行训练并预测,同时采用遗传算法对Elman网络的网络结构进行优化,提高网络流量预测精度.仿真结果表明,组合神经网络加快了网络流量预测速度,提高了网络流量预测精度,克服了单一预测模型不足,为网络流量预测提供了新的思路,具有很好的应用前景.     

基于分组网络结构NOC的蚁群路由算法

单个芯片集成度的增大增加了全局同步设计的困难,于是出现了片上网络NOC的概念,其设计的核心是将计算机网络技术移植到芯片设计中来,因此需要利用某种路由算法来实现好的服务质量.通过对NOC网络通信的分析,基于蚁群算法提出了一种路由算法,利用4×4Mesh结构,通过对同一约束不同请求和不同约束同一请求等实验研究,证明其在NOC路由应用中能在较短的时间内完成指定的任务,最后预测了该算法在大规模路由应用上的发展.     

P2P网络架构下蚁群算法的应用研究

蚁群算法(ACO)是一种新型的模拟进化算法,是受自然界中蚂蚁搜索食物行为启发而提出的一种智能优化算法。探讨了P2P网络架构下蚁群算法的应用,对在P2P网络架构下怎样使用蚁群算法解决网络服务中的Peer间的通信和路由、服务注册和查找等问题进行了研究。采用的蚁群算法在性能和收敛性速度上优于常规算法。     

DTN网络环境下基于蚁群算法的数据编码分发

提出了一种DTN多源多宿网络的数据编码分发机制(Data Dissemination Mechanism with Network Coding Based on Ant Colony Algorithm,DDM-NC).在发布/订阅机制的基础上,通过对主题数据的编码运算和传输,充分利用网络容量进行数据多播,使得数据传输具有更好的安全性和传输效率;同时,针对编码包洪泛传输过程中信息冗余大,无效投递较多等问题,设计了基于蚁群算法的编码包路由策略,引导编码包向信宿聚集,降低编码投递过程中的数据冗余,减少投递延迟.仿真实验表明,相比传统的DTN传染病路由策略和随机网络编码传输方法,DDM-NC方法有更好的数据投递性能.     

无线传感器网络自适应蚁群定位算法研究

针对蚁群定位算法可能出现局部最优解而导致定位不准确的问题,提出了无线传感器网络自适应蚁群定位算法。通过将节点估计坐标移动方向离散化,将传感器定位问题转换成离散组合最优问题。定位过程中通过聚度和信息权重对传感器节点估计坐标向各个方向移动的概率进行修正,解决了定位结果收敛于局部最优解的问题。仿真结果表明,自适应蚁群定位算法比传统蚁群定位算法具有更低的定位误差。     

基于改进蚁群算法的车辆路径优化模型

在分析基本蚁群算法的基础上,针对交通路径的特点,提出了适合于求解路径规划的改进型算法。在原有算法的基础上引入了启发式因子,提高了算法初期的收敛效率,减少了计算。详细分析了参数α,β对蚁群算法速度与结果准确性的影响,提出了参数自适应调整的方案,提高跳出局部优解的能力以及算法的全局收敛性。改善了解的质量。根据仿真结果,将改进蚁群算法与基本蚁群算法进行了比较,结果表明改进后的算法各方面均优于基本蚁群算法,验证了改进型算法可行性和高效性。     

认知网络中的拥塞规避多径路由算法

链路拥塞导致的数据包传输延时或者数据包丢弃使得网络无法保证业务的Q0S,而目前普遍使用的链路状态路由算法不具有拥塞响应机制.本文针对以上问题,提出了一种能够快速规避拥塞的多径路由算法,该算法通过改进蚂蚁算法,在拥塞发生时采用双向蚂蚁寻路的方法,提高了新路径搜索的速度;使用新的寻路准则使其更满足认知网络的QoS需求.使用...