虹桥机场软交换网络流量Hurst参数的算法研究

自相似网络模型具有长相关性特点,研究网络流量的自相似特性对于分析传输过程中的丢包率、信道利用率以及检测网络异常流量都具有重要意义。文章将一种改良的R/S算法用于计算虹桥机场软交换网络的Hurst参数,计算结果表明虹桥机场软交换网络具有较强的自相似性。     

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。     

小波分解和组合模型相融合的网络流量网络预测

为了提高网络流量预测的准确性,提出一种小波分解和组合模型相融合的网络流量预测预测模型。首先采用小波分析对网络流量进行分解,得到网络流量的趋势序列和波动序列,然后分别采用自回归差分滑动平均模型和极限学习机对它们进行建模和预测,最后采用仿真实验测试组合模型的性能。仿真结果表明,相对于其它网络流量预测模型,组合预测模型提高了网络流量预测精度,降低了预测误差更小。     

基于小波分析和神经网络的网络流量预测

采用小波分析和神经网络工具对分时段网络流量进行预测,比基于顺序流量序列的预测方法具有更高的预测精度.首先将分时段网络流量序列进行小波分解后得到的各子序列分别用神经网络进行训练,然后将各子序列预测结果进行重构作为最终的预测结果.文章最后将不同的小波分解和分解水平的预测结果误差作了比较,指出应根据实际的网络流量序列的变化规律选择合适的小波;小波分解水平不宜过高,以避免重构误差的累加.     

改进的基于时变FARIMA模型和小波变换的网络流量预测算法

网络的流量特性是反映网络实时状态的一个重要特征,对于网络流量的分析、预测一直是该领域的研究热点。传统的基于时间序列模型的方法在计算效率和多尺度分析能力方面存在一定的局限性。本文提出了一种改进的基于小波变换和时变FARIMA模型的流量预测方法,利用小波变换的多尺度分析特性将原有的流量数据进行分解,在使用时变FARIMA模型进行预测,可大大提高算法的执行效率和预测的准确性。最后,本文选取了Bellcore提供的真实的网络流量进行了仿真实验,验证了提出的预测方法的准确性和有效性。     

基于小波多尺度分析的网络流量组合预测方法研究

基于小波多尺度的分解和重构思想,将网络流量通过小波分解成不同尺度下的逼近信号和细节信号,然后分别单支重构成低频序列和高频序列。根据低频序列和高频序列的不同特性,分别采用自回归模型(AR)和线性最小均方误差估计(LMMSE)对未来网络流量进行预测,最后重新组合生成预测流量,通过对真实网络流量的仿真实验,结果显示该方法能比较准确地预测未来的网络流量。     

基于FrFT的网络流量Hurst参数估计器

实际的网络流量模型采用自相似模型,Hurst参数是序列长相关程度的度量。为方便工程上对网络流量的长相关性进行估计,介绍了网络流量自相似模型和Hurst参数小波分析法,建立了分数阶傅里叶变换（FrFT）与小波分析之间的联系,在此基础上介绍了一种新的基于FrFT的网络流量Hurst参数估计方法,并运用此方法设计了网络流量Hurst参数估计器。通过对白噪声和已知Hurst参数的实际网络流量数据进行估计,本方法可以有效估计随机时间序列的Hurst参数。     

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。     

改进的基于小波变换和FARIMA模型的网络流量预测算法

提出了一种改进的基于小波变换和FARIMA模型的网络流量预测算法,先对经过预处理的流量进行小波分解,再进行Mallat算法单支重构,接着用FARIMA模型分别对重构后的单支进行预测,最后合成流量。该算法较之传统的首先用FARIMA模型对小波系数进行预测再进行小波重构的算法减小了预测误差。仿真实验也验证了改进算法的预测准确性。     

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.     

神经网络在无线网络流量预测中的应用

无线互联网的流量数据非常分离且极其不稳定,混沌理论在其身上体现得特别明显,因此对无线网络流量进行预测具有一定难度。该文使用BP神经网络建立预测模型,在常规神经网络系统进行训练之前,需要对系统内部各个层次之间的连接权值以及阈值范围实行初始化操作,但是此操作将会影响神经网络最终收敛速度,有可能造成最终结果为非最优解,使得流量预测结果不是很理想。因此这里使用布谷鸟搜索优化方式对神经网络系统内各层之间链接值与阈值进行初始化操作,提高系统预测精度。该文使用遗传优化神经网络算法和粒子群优化神经网络算法建立同样的预测模型,并与该文研究的预测模型进行对比。实例分析结果表明,初期预测结果精度较高,与实际值比较吻合,但测试数据越靠后,预测值越不稳定,这主要是累计误差造成的。但总的来说,该文使用的布谷鸟优化BP神经网络预测模型的预测性能要优于由遗传算法和粒子群算法优化的BP神经网络。     

IP骨干网流量的自动化预测

高效、可靠的网络流量预测是网络规划、扩容建设的基础。互联网流量目前缺乏完备的理论模型,行业内大多根据工程实践特点,设计简化可操作的预测模型以满足IP网络规划需求。首先根据中国电信自身IP骨干网流量预测工作的需求及特点,使用时间序列分析的多因子回归模型和函数自适应模型对IP骨干网流量进行分析和预测,基于大量现网实际数据的仿真运算,对比两种模型的特点、优劣和适用场景,提出了一种预测模型选择和参数优化的原则和方法。在此基础上,构建了可以满足百千量级时间序列要求的自动化流量预测系统,极大简化并提升了流量预测工作的效率。最后,展望了未来IP流量预测工作的延展方向和关注重点。     

业务流预测在网络编码平台的实现及验证

网络编码由于可以利用无线信道的广播特性带来的空间冗余条件,在无线自组织网络中的应用显示了巨大的潜力。但TCP业务的机会网络编码在无线自组织网络中获得的增益却很小。基于这一问题,提出对TCP业务流具有的自相似性进行FARIMA模型建模,进行数据包到达时间的预测,从而为路由节点根据网络状态进行正确的编码等待决定提供依据,仿真结果验证了TCP业务流的自相似性,预测算法具有良好的预测结果。文中详细介绍了预测算法在COPE网络编码的NS2平台中的具体实现流程。     

基于突发分离的自相似网络流量预测

网络流量预测在网络拥塞控制及资源分配中起着至关重要的作用。对于具有自相似性的网络业务流量,由于其存在较强突发,传统预测方法的预测精度普遍较低。本文针对存在高突发的网络流量数据,提出了一种基于数据分离的流量预测方法。在预测步骤前,本方法首先通过控制图将网络流量中难以预测的突发流量进行有效的分离,从而得到突发流量和非突发流量两部分数据。之后分别采用人工神经网络和自适应模板匹配方法实现对非突发流量和突发流量的预测。最后通过对两部分预测结果的合并得到最终的预测结果。基于实际流量数据的实验结果表明:相较于传统流量预测方法,本文所提出的方法具有更高的流量预测精度。      

基于改进神经网络的无线网络流量预测

考虑到无线网络流量具有极强的分散性、随机性以及混沌等特性,使用传统的ARIMA预测模型和BP神经网络模型难以对其进行精确的预测等,该文使用粒子群优化算法对BP神经网络预测模型进行优化以解决BP神经网络容易陷入局部最小值以及训练收敛速率低等问题,引入遗传算法中的自适应变异因子来以一定概率初始化部分变量解决粒子群优化算法会出现陷入局部最优解以及早熟收敛等问题。最后使用经典的CRAWDAD数据库中的无线网络流量数据对该文预测方法性能进行测试,使用稳定小波变换方法将无线网络流量数据分解,得到由1个近似分量以及3个细节分量组成的数据流。测试结果表明,该预测算法在预测性能上要优于ARIMA预测模型和BP神经网络模型。     

Self-corrected coefficient smoothing method based network security situation prediction

In order to solve the problem of insufficient accuracy of current network security situation prediction methods,a new network security situation prediction model was proposed based on self-correcting coefficient smoothing.Firstly,a network security assessment quantification method was designed to transform the alarm information into situation real value time series based on the entropy correlation degree.Then,the adaptive solution of the static smoothing coefficient was calculated and the predicted initial value was obtained by using the variable domain space.Finally,based on the error category,the time-changing weighted Markov chain was built to modify the initial network situation prediction result and the prediction accuracy was further raised.The prediction model was tested with LL_DOS_1.0 dataset and the experimental results show that the proposed model has higher adaptability and prediction accuracy for network situation time series.     

WPANFIS: combine fuzzy neural network with multiresolution for network traffic prediction

A novel methodology for prediction of network traffic,WPANFIS,which relies on wavelet packet transform(WPT)for multi-resolution analysis and adaptive neuro-fuzzy inference system(ANFIS)is proposed in this article.The widespread existence of self-similarity in network traffic has been demonstrated in earlier studies,which exhibits both long range dependence(LRD)and short range dependence(SRD).Also,it has been shown that wavelet decomposition is an effective tool for LRD decorrelation.The new method uses WPT as extension of wavelet transform which can decoorrelate LRD and make more precisely partition in the high-frequency section of the original traffic.Then ANFIS which can extract useful information from the original traffic is implemented in this study for better prediction performance of each decomposed non-stationary wavelet coefficients.Simulation results show that the proposed WPANFIS can achieve high prediction accuracy in real network traffic environment.     

带有业务感知分类的低开销保护策略

为将IP业务准确分类,并根据所分优先级类别进 行高效合理的区分保护,提出一种带有业务感知分 类的网络保护策略(PSTAC)。定义信息重要度(IS)感知业务特征 ,结合贝叶斯理论建立业务优先级分类模型,并考虑不 同级别业务的QoS参数进行针对性保护。仿真结果表明,所提PSTAC实现了高精度的业务分类 ,且比传统的区分保护策略有更高的资源利用率和更低的网络阻塞率。     

An adaptive network traffic prediction approach for LDoS attacks detection

Low‐rate denial of service (LDoS) attacks reduce throughput and degrade quality of service (QoS) of network services by sending out attack packets with relatively low average rate. LDoS attack flows are difficult to detect from normal traffic since it has the property of low average rate. The research on network traffic analysis and modeling shows that network traffic measurement data are irregular nonlinear time series. To characterize and analyze network traffic between attack and non‐attack situations, the adaptive normal and abnormal ν‐support vector regression (ν‐SVR) prediction models are constructed on the basis of the reconstructed phase space. In this paper, the dimension of reconstructed phase space for ν‐SVR is optimized by Bayesian information criteria method, and the parameter in the radial basis function is adaptively adjusted by minimizing the within‐class distance and maximizing the between‐class distance in the feature space. The nonthreshold decision function is obtained through calculating the prediction error of adaptive normal and abnormal ν‐SVR prediction models, which is adopted to detect LDoS attacks. Experiments in NS‐2 environment show that the adaptive ν‐SVR prediction model can effectively predict the network traffic measurement time series, and the probability distribution of time series generated by the adaptive ν‐SVR prediction model is quite similar to that of the network traffic measurement data. Experiments also clearly demonstrate the superiority of the proposed approach in LDoS attacks detection.