基于PSO-LSTM优化模型的网络流量预测研究

网络流量预测是网络规划、设计和建设的重要依据，对有效满足人民网络需求有着极其重要的意义。本文通过构建基于PSO-LSTM优化预测模型，不仅提高了对网络流量预测的效果，还自动实现了对LSTM神经网络模型参数的优化，大大降低了LSTM神经网络模型优化的工作量。研究结果表明，基于PSO-LSTM优化预测模型能够实现对网络流量的准确预测，相比单纯基于LSTM神经网络模型，预测结果与实际值的均方根误差降低31%。     

基于包容性检验和神经网络的网络流量预测

网络流量具有复杂多变特征,为了获得理想的预测效果,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选择最合适的基本模型,最后采用BP神经网络确定基本模型权重,建立网络流量预测模型。结果表明,ET-BPNN更加准确地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。     

相空间重构和正则极限学习机的网络流量预测

网络流量预测一直是网络研究技术中的热点,针对网络流量变化的时变性、混沌性,提出一种相空间重构和正则极限学习机的网络流量预测模型。首先收集大量的网络流量历史样本,并进行相应的预处理,然后根据混沌理论确定最优延迟时间和嵌入维数,并重构网络流量学习样本,最后采用正则极限学习机建立网络流量预测模型,并进行仿真对比实验。结果表明,相对于其它网络流量预测模型,本文模型可以更加准确描述网络流量的非线性变化特点,提高网络流量预测精度,预测结果具有一定实用价值。     

基于支持向量机的网络参数模型研究

使用模糊层次分析法对支持向量机的两个参数进行寻优,并用寻找到的最优参数训练支持向量机,建立网络参数模型。首先使用模糊层次分析法对支持向量机两个参数进行寻优,然后用寻找到的最优参数训练支持向量机,最后建立预测模型,预测网络流量。实验结果表明,该方法不但可以较好地跟踪网络流量变化趋势,使网络流量的预测值与实际值非常接近,而且预测误差变化范围波动小,是一种有效且预测精度高的网络参数模型。     

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。     

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。     

改进粒子群算法优化最小二乘支持向量机的网络流量混沌预测

为了提高网络流量的预测准确性,针对最小二乘支持向量机参数优化方法的缺陷,提出一种改进粒子群算法优化最小二乘支持向量机的网络流量混沌预测模型。首先将最小二乘支持向量机参数作为粒子初始位置,然后通过粒子群之间信息交流、互相协作找到最优参数,并对惯性权重和学习因子进行改进,最后对网络流量数据进行重构,并采用最优参数的最小二乘支持向量机建立网络流量预测模型。实验结果表明,本文模型提高了网络流量的预测精度,并大幅度减少了训练时间,可以满足网络流量在线预测要求。     

遗传优化神经网络的网络流量预测

为了提高网络流量预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种遗传算法优化神经网络的网络流量预测模型.首先将相空间重构和神经网络参数进行编码,网络流量预测精度作为目标函数,然后通过遗传算法选择模型最优参数,最后进行网络流量仿真实验.实验结果表明相对传统预测模型,遗传优化神经网络模型具有更高预测精度及稳定性更好.     

基于组合核函数高斯过程的网络流量预测

为了提高网络流量的预测精度,提出一种组合核函数高斯过程的网络流量预测模型。首先采用混沌理论构建网络流量的学习样本,然后将网络流量的训练样本输入组合函数高斯回归模型进行训练,建立网络流量预测模型,最后采用多个网络流量数据进行单步和多步预测对比测试。结果表明,相对于对比模型,本文模型准确描述了复杂多变的网络流量变化趋势,提高了网络流量的预测精度。     

基于BP神经网络的4G话务预测方法研究

目前常用的话务预测算法主要有移动平均法和指数平滑法,虽然可以达到一定精度的话务趋势预测,但对于短期话务量的周期性变化,例如潮汐效应等场景,传统的话务预测算法存在一定的缺陷。因此需要运用BP神经网络算法,进行更为精准智能的话务预测,以便支撑目前广东公司正在试点的载波动态调度,为潮汐载波调度提供算法依据。本文将对BP神经网络用于话务预测进行研究,并对模型的预测性能进行评价。     

Traffic modelling and forecasting using genetic algorithms for next-generation cognitive radio applications

This article presents a genetic-algorithm-based prediction model for forecasting traffic demands of next-generation wireless networks that are expected to be chaotic in nature. The model approximates the best-fit mathematical equation that generates a given time series using a genetic algorithm. It estimates future traffic in wireless networks using the most recent traffic data points collected from the actual network. Such estimations will be beneficial for network operators helping to manage and optimise the limited radio resources efficiently and eventually to facilitate cognitive radio applications. The new model is compared with conventional regressions analysis and exponential smoothing models, and it has been found that the genetic algorithm model successfully recovers the underlying mathematical expression describing chaotic time series in less than 200 generations and the predictions achieved are by far better than those of regression and exponential smoothing models. The model also offers benefits for in cognitive communication systems with their intrinsic learning capabilities and distributed access decisions.     

网络流量丢包率预测模型

无线信道的网络流量的及时预测,是目前国内外研究的前沿课题。通过对实时网络流量的测量分析,提出了一种基于最小二乘法的多项式拟合网络流量丢包率预测模型。该模型根据当前获得的网络流量信息,对网络丢包率趋势进行预测,为无线网络下信号丢包率的预测供了可行的手段。实测丢包率与预测丢包率的对比分析表明提出的预测模型能很好的预测丢包率趋势。     

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。     

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.     

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.     

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。     

Network traffic prediction method based on wavelet transform and multiple models fusion

Accurate prediction of network traffic is an important premise in network management and congestion control. In order to improve the prediction accuracy of network traffic, a prediction method based on wavelet transform and multiple models fusion is presented. Mallat wavelet transform algorithm is used to decompose and reconstruct the network traffic time series. The approximate and detailed components of the original network traffic can be obtained. The characteristics of approximate components and detail components are analyzed by Hurst exponent. Then, according to the different characteristics of the components, autoregressive integrated moving average model (ARIMA) is chosen as the prediction model for the approximate component. Least squares support vector machine (LSSVM) is used to predict detail component. Meanwhile, an improved particle swarm optimization (PSO) algorithm is proposed to optimize the parameters of the LSSVM model. Gauss‐Markov estimation algorithm is adapted to fuse the predicted values of multiple prediction models. The variance of fusion prediction error is smaller than that of single prediction model, and the prediction accuracy is improved. Two actual datasets of network traffic are studied. Compared with other state‐of‐the‐art models, the case study results indicate that the proposed prediction method has a better prediction effect.     

基于在线LS-SVM的网络流量预测

为了提高流量预测的准确性,将混沌理论和在线LS-SVM回归技术应用于网络流量预测。采用相空间重构理论计算流量的时延τ、嵌入维数m,据此确定训练样本对并建立在线预测模型,对网络流量数据进行预测。结果表明,该方法能有效地进行流量预测,相对于传统的离线预测方式,该方法具有更好的预测精度。     

Exo-LSTM: traffic flow prediction based on multifractal wavelet theory

In order to predict traffic flow more accurately and improve network performance, based on the multifractal wavelet theory, a new traffic prediction model named exo-LSTM is proposed. Exo represents exogenous sequence used to provide a detailed sequence for the model, LSTM represents long short-term memory used to predict unstable traffic flow. Applying multifractal traffic flow to the exo-LSTM model and other existing models, the experiment result proves that exo-LSTM prediction model achieves better prediction accuracy.