SDON中基于贝叶斯模型的流量预测机制

SDON(软件定义光网络)是光网络发展的最新趋势。为了进一步提高 SDON 的智能化和对业务的动态支持,利用短期的业务流量特性预测较为长期的流量显得日益重要。文章提出了一种基于贝叶斯模型的流量预测机制,该机制充分利用贝叶斯模型对 SDON的业务流量进行长期预测。仿真结果验证了该机制的准确性和有效性。     

基于变尺度法的网络流量预测模型的优化研究

网络流量预测是网络性能管理的一个重要组成部分,一种好的预测模型能比较准确地判断网络流量的发展趋势,对网络管理起到推进作用。提出了将变尺度法应用于指数平滑模型中,以预测误差平方和（SSE）最小作为目标,构造并自动生成了最佳平滑参数,使网络流量的预测模型得以优化,增强了指数平滑模型对时间序列的适应能力,较好地解决了指数平滑预测模型中,平滑参数靠检验确定且为静态,平滑初值难以确定并导致预测偏差等问题。通过分析,证明了此模型能够较准确地预测出网络的流量,从而提高了网络的服务质量。     

基于小波支持向量机的VBR视频流量预测

：VBR视频流量具有时变性、突发性和非线性等变化特点,为了提高VBR视频流量的预测精度,提出一种小波支持向量机的VBR视频流量预测模型(WSVM)。首先对VBR视频流量时间序列进行相空间重构,然后将其输入到小波支持向量机进行学习,建立VBR视频流量预测模型,最后采用仿真实验对模型性能进行测试,并与支持向量机、小波神经网络进行对比。仿真结果表明,相对于其它预测模型,WSVM模型提高了VBR视频流量预测精度,能够更加准确反映VBR视频流量的复杂变化规律。     

基于深度置信网络的互联网流量预测方法

对未来网络流量负荷的预测有助于运营商精确预估网络使用情况,优化网络资源,提高用户满意度。本文提出了基于深度置信网络(DBN)的三种不同架构的网络流量预测模型来预测未来1小时的互联网流量,首先,介绍了DBN的网络结构;然后构建了三种不同架构的DBN拓扑结构,最后通过实验对比,发现隐藏层的神经元数量对更深层次的网络至关重要,该模型被证明是一种有效的预测模型。本文所采用的方法在模拟流量数据模式和随机要素的同时,提供了准确的网络流量预测,使测试数据集的均方根误差(RMSE)值为0.028。     

基于长短期记忆网络的客流预测模型研究

针对密集场所客流状况复杂,难以准确预测流量的问题,提出一种基于长短期记忆网络的客流监测及预测模型。该模型使用长短期记忆网络作为特征提取器,并结合注意力机制,能够较好地识别和利用历史流量中的长期依赖特征。模型整体上采用端到端的方式搭建,部署上更为灵活。在实际工作中,采用离线训练、在线预测的工作方式确保客流及监测系统的实时性。目前,该模型已经成功地用于上海市城市开放场所客流聚集风险监测系统。     

基于小波支持向量机的VBR视频流量预测模型

针对VBR视频流量的时变性、突发性和非线性等特点,提出一种基于小波支持向量机的VBR视频流量预测模型(WSVM)。首先对VBR视频流量时间序列进行相空间重构,然后将其输入到小波支持向量机进行学习,建立VBR视频流量预测模型,最后采用仿真实验对模型性能进行测试。结果表明,相对于对比模型,WSVM提高了VBR视频流量预测精度,更加准确地描述了VBR视频流量的复杂变化特点。     

基于ARMA模型的网络流量预测

针对海量网络数据的特性,基于数据分割,用分段ARMA模型建立了网络流量的时间预测模型。以向后1 h的流量预测确定了ARMA(3,2)模型的预测参数,仿真分析与NetFlow实测数据对比表明,该预测模型的预测精度高、误差小,能够较好的进行网络流量的短期预测。     

认知网络中基于蚁群算法的网络流量预测模型

认知网络能够感知外部环境,并能根据周围环境的变化智能、自主、自适应的动态变化,这种特性更适合为用户提供QoS(Quality of Service)保障.设计高精度的流量预测模型,可以提高认知网络的认知特性.本文针对原有预测模型预测精度低、对训练数据依赖程度高以及不能很好的刻画网络流量特征的不足,提出了一个混合的流量预测模型.它使用蚁群算法训练BP网络的权值,避免了梯度下降法收敛速度慢、容易陷入局部最优的问题.并且在预测之前,首先使用BP(Back Propagation)网络剔除原始数据中的异常数据信号,再对其进行小波分解,最后使用混合模型预测网络流量,实现了认知网络中高精度的流量预测.     

小波系数感知的网络流量预测机制

对网络流量的精确预测,可以准确把握网络运行趋势,及时防范网络故障。针对长期网络流量预测准确度低,收敛速度慢的问题,提出一种小波系数感知的网络流量预测(WCNTP)机制。借助重标极差(R/S)序列分析法初步评估网络流量在大时间尺度上的统计特性;利用离散小波变换将非平稳的网络流量分解为多个相对平稳的流量序列;利用分数自回归求和滑动(FARIMA)模型对网络流量进行预测。结果表明,所提机制在长期网络流量预测过程中,具有较高的准确度且收敛速度快,能够精确评估网络性能,在保证网络平稳运行的同时,提高网络服务质量。     

应用梯度提升树的小区域无线网络多标签流量预测

当前无线网络流量地理分布不均且可用网络资源有限,因而开展拆闲补忙工作极为必要。为合理投放无线网络资源以保证网络性能,提出了一种针对小区域范围的多标签流量预测算法。该算法结合历史流量信息,根据无线用户偏好特性建立多标签流量预测模型,并通过梯度提升树算法得到预测结果。仿真结果表明,相比于广泛应用的移动平均自回归(Autoregressive Integrated Moving Average, ARIMA)和神经网络预测方法,多标签预测模型在对小区域突发性流量的预测上具有很大的优越性。     

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。     

基于改进BP算法的网络态势预测模型

准确的网络态势预测可以有效的减小网络拥塞程度。本文对网络拓扑和流量数据进行分析,提取了节点数、0D流数、大象流数、总流量等反应网络态势的参数,建立了基于BP神经网络算法的预测模型进行模拟,能够有效的预测上述参数的发展趋势,在网络管理中有较好的应用前景。     

基于改进BP算法的网络态势预测模型

准确的网络态势预测可以有效的减小网络拥塞程度.本文对网络拓扑和流量数据进行分析,提取了节点数、OD流数、大象流数、总流量等反应网络态势的参数,建立了基于BP神经网络算法的预测模型进行模拟,能够有效的预测上述参数的发展趋势,在网络管理中有较好的应用前景.     

软件定义光网络关键技术研究

SDON(软件定义光网络)的提出,能使光网络变得更加灵活,从而促进了业务和光网络的融合.本文以SDON的发展现状,标准化进程出发,对SDON的关键技术进行了解析,并对PCE在SDON的应用做了探讨.     

基于图神经网络的网络性能智能预测

传统网络性能预测技术存在网络状态获取不够全面及网络性能评估准确性欠佳等问题，利用图神经网络学习推理网络关系数据的特点，结合捕获的网络全局信息，提出了一种基于图神经网络的网络性能智能预测方法。通过网络系统抽象及网络性能建模，将复杂的网络信息转化为形式化的图数据进行描述，利用图空域卷积处理图网络节点的消息传递过程，实现网络信息之间的关系推理，研究了实现网络性能预测的图神经网络模型，提出了一种能处理流量矩阵、网络拓扑、路由策略、节点配置的图神经网络体系结构，最后通过实验论证了模型能更好地实现包括时延、抖动和丢包率的网络性能的准确预测。     

软件定义光网络(SDON)发展前瞻

为了适应宽带业务与应用的持续发展,光网络需要变得更加灵活可控。软件定义光网络(SDON)聚焦于将软件定义技术融入光网络的综合解决方案,其关键技术涉及软件定义光传输、交换和联网等。通过分析SDON的技术特征,探讨了SDON引入光网络的必要性和可行性,设计了SDON的典型应用案例,并可以预见SDON在支撑新一代光网络向智能高效、灵活调度、虚拟重构等方向的发展进程中将发挥重要作用。     

软件定义光网络技术演进及创新应用

简述光网络控制平面从自动交换光网络(ASON)到软件定义光网络(SDON)的技术演进之路;通过分析SDON的技术特征,探讨将SDN引入光网络的必要性与可行性;结合几种典型的应用案例,介绍SDON技术在5G移动通信及数据中心互联等方向所取得的重要进展。     

改进RNN的城市交通拥堵预测模型研究

准确的交通流状态识别是智能交通管理与控制的基础,针对城市交通网络中拥堵预测问题,使用一种基于深度学习网络的预测模型,通过对全天路面交通流数据的研究分析,得到对交通拥堵状态的准确判断及预测。通过利用改进RNN循环神经网络算法,对已有数据进行学习判断拥堵路段的数据序列,同时获取可表征数据深层特征的隐层参数。利用RNN模型在时间轴上的作用,根据可表征拥堵序列对交通拥堵状况进行预测。通过多次仿真实验,结果显示对交通拥堵时段预测准确率最高达到88%。预测模型在基于交通流数据的拥堵预测中具有更好的预测性能。     

基于神经网络的城市交通流预测研究

 建立了一种基于神经网络的交通流量动态预测模型,分别采用BP神经网络和径向基网络(RBF)建立了预测模型,给出了数据预处理方法和预测模型评价指标.仿真结果表明该交通流量预测方法的有效性,结果分析得出径向基网络能够更加快速有效的进行城市交通流预测.     

基于领域知识内嵌的深度学习网络流量预测研究

首先针对流量数据可能存在的时域分布突变问题设计了一种基于JS散度的异常检测算法，以获得能够反映流量变化规律的数据。而考虑到网络流量的自相似性、长时相关性和周期性特点，提出一种基于卷积生成网络和自适应注意力元网络组成的动态时域生成流量预测模型（GDTN），能够有效地降噪、生成和预测流量数据，并根据不同输入条件动态分配不同多时域流量特征的重要性。最后在智能城域网端口数据集上进行实验，验证了该算法相比于多种经典时序预测算法在预测准确度、存储资源占用和时间效用等方面具备明显优势。