基于LMS的网络流量预测

通过对网络流量的考察．提出使用自适应最小均方误差方法（LMS）对网络流量进行预测,以及如何针对网络流量特性对LMS预测效果进行优化的方法．并分别使用网络仿真实验和实际IP流量数据对LMS的预测效果进行实验研究。实验表明．使用LMS对网络流量进行预测是可行的。     

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。     

基于网络流量自相似性的入侵检测技术

提出一种根据网络业务自相似性对网络流量进行异常检测和判断的方法,从而为及时、准确地判断和制止大规模DDoS攻击的发生提供了新的手段。和传统的方法相比,该方法不需要对分组内容进行检测,效率较高,可用于大流量网络节点的DDoS攻击检测和防范工作。     

网络流量自相似性影响因素的研究

网络流量特征是分析和研究网络性能、规划网络建设的基础。由于自相似模型能够更加真实地描述网络传输的特性,通过生成自相似性的流量进行仿真研究。提出将业务源流量自相似性与网络传输的TCP协议相结合进行研究的方法,探讨影响自相似流量的因素,分析网络行为随参数变化的情况。仿真结果表明业务源流量的自相似与网络状态无关,而网络传输的TCP协议自适应改变网络状态,从而间接改变网络流量的自相似性,但并不能消除业务源流量的自相似性。     

Internet网络流量的自相似性分析

网络流量的白相似参数估计方法有多种,但研究表明这些方法在准确性或计算上都有一定的局限性。该文在小波包分解的基础上,考虑信号能量在分解过程中的分布,得到基于小波包分解的Hursc参数估计方法。通过对两组合成数据的参数估计,表明该方法在继承了小波变换的计算优势的基础上,能得到更精确的估计结果。把该方法应用于计算实际互联网流量的白相似参数,并在此基础上着重分析了受到蠕虫攻击的Internet流量的自相似性的变化,得到了一些有用的结论。     

校园网网络流量自相似性的测定

根据自相似性理论,网络流量自相似性的程度可由计算Hurst参数的大小来测定。本文通过在校园网主干路上进行网络数据包的采集,然后用方差时间方法和R／S方法计算所采集流量的Hurst参数值,以检测校园网网络流量的自相似性。通过实验的分析与比较,验证了自相似性的存在,并对如何运用Hurst值的变化来进行流量异常检测做了初步的 探讨。     

基于FARIMA模型的网络流量预测

论文基于长相关特性的时间序列分析方法,采用FARIMA模型对网络自相似业务进行研究,利用“后向预报”技术对序列进行分形反滤波,在模型辩识、参数估计中利用粗、精估计结合的方法建立模型。选择伯克力实验室的经典实测数据,利用FARIMA模型进行H值估计、分数差分定阶及消除长相关性的操作,实验证明了模型的有效性。     

基于高阶图卷积自编码器的网络流量预测

网络流量预测是有效保障用户QoS措施之一。当前深度学习为基础的网络算法预测中没有充分利用网络拓扑信息。为此,提出了基于高阶图卷积自编码器的网络流量预测模型。该流量预测模型基于软件定义网络(SDN)架构,利用高阶图卷积网络(GCN)获取网络拓扑中的多跳邻域之间的流量相互影响关系,采用门控递归单元(GRU)获取网络的时间相关性信息,利用自编码模型来实现无监督学习和预测。在Abilene网络上采用真实数据进行了仿真对比分析试验,结果表明,提出的方法在网络流量检测方面的MAPE值为41.56%,低于其它深度学习的方法,同时预测准确率方面也达到最优。     

基于UDP的分布式拒绝服务攻击的自相似性研究

在NS -2中模拟了基于UDP协议的分布式拒绝服务攻击,实验结果表明,针对不同的攻击模型和不同的网络负荷,当网络中发生基于UDP协议的分布式拒绝服务攻击的时候,网络流量仍具有较好的自相似性。这个对DDoS攻击流量的特性和DDoS防御的研究都具有十分重要的意义。     

网络流量自相似特性的研究与探讨

针对校园网络流量自相似特性问题,以测量、分析为启发并对验证机制进行了研究,以数据和分析模型为依据,用典型的工程方法对HTTP流量进行了测量、分析和预测。证实校园网络流量具有典型的自相似性。     

改进的漏桶算法对输出业务流自相似特性的影响

漏桶算法是基于速率调节进行业务流控制的一种重要方法.在自相似业务流输入下,将模糊控制机制加入漏桶算法中,分析了改进的漏桶算法对业务流自相似特性的影响.计算机仿真实验结果表明,在负载较重的情况下,改进的漏桶算法对于业务流输出的自相似特性有较好的性能,同时对缓冲区容量的需求和输入流的方差变化上也有很好的自适应性.因此,改进的漏桶算法比简单漏桶算法更适用于自相似业务流的整形.     

The impact of self-similar traffic on network delay

The effect of self-similar traffic on the delay of a single queue system is studied through the use of the measured traffic and models as input process.A model-driven simulation-based method is then proposed for the computation of mean line delay in a network design.Both the hybrid-FGN and the FARIMA algorithms have been used to synthesize self-similar sample paths.The comparison results with real-traffic data sets firmly establish the usefulness of the proposed model-driven simulation-based method.A practical database method is also introduced that helps the designer to determine the parameters in network design.This approach may play an important role in network design and analysis.     

自相似网络流量模拟系统的集群实现

随着网络技术的发展,人们对网络服务质量提出更高的需求。对网络流量准确的建模,预测未来的网络流量,是保证网络服务质量和可靠性的重要措施。提出了一种基于Windows集群的自相似网络流量模型解决方案。该方案采用分形高斯噪声（FGN）模型并行算法,由基于Windows HPC Server的集群系统生成网络流量。详细描述了基于集群平台的系统设计和实现过程。实验结果表明,该系统能够生成大规模的具有指定Hurst系数的自相似网络流量,同时克服了单机系统及分布式系统的局限性。     

自相似背景流量模型下的CBR流延迟抖动分析

实时业务是网络中快速增长的业务类型,但网络中需要传送多种业务的混合流量。实时 业务的性能取决于分组延迟抖动。过大的分组延迟抖动将导致语音的中断,画面的停顿和跳跃。延 迟抖动主要是背景流量在边缘路由器的干扰引起的。以往的延迟抖动分析都是假设背景流量为泊松 过程,研究表明这种假设已经不符合当前网络流量的特性。本文将对自相似背景流量下的CBR流的 延迟抖动进行分析,给出其分布函数,并以仿真结果验证其与泊松流量对CBR流的不同影响。     

自相似网络通信量的多尺度预测研究

自相似性是网络的普遍属性,并且对网络性能具有重要影响。在网络性能研究中,利用自相似的长程相关性来进行预测对于有效分配和利用网络资源以保证网络QoS及提高网络性能是非常有意义的。然而,由于自相似通信量同时具有长程相关和短程相关性的多尺度性和非线性使得通信量的预测非常困难。文章在充分考虑自相似网络通信量这些特性的基础上,提出了利用人工神经网络来进行预测的方法。我们首先根据研究目标构建了多时间尺度预测的人工神经网络,并且对输入/输出向量处理、参数选择和学习算法进行了讨论;然后,我们利用FARIMA为模型合成的同时具有LRD和SRD性质的通信量trace进行了多尺度预测的实验研究,结果表明可以利用该算法进行多时间尺度预测,这对于优化网络控制策略是非常有意义的。     

经验模式分解与时间序列分析在网络流量预测中的应用

提出一种经验模式分解和时间序列分析的网络流量预测方法. 首先,对网络流量时间序列进行经验模式分解,产生高低频分量和余量;然后,对各分量进行时间序列分析,确保高频分量采用改进和声搜索算法优化的最小二乘支持向量机模型、低频分量和余量采用差分自回归滑动平均模型进行建模和预测;最后,将预测结果通过RBF神经网络进行非线性叠加,得到最终的预测值.仿真实验表明,所提出方法具有更好的预测效果和更高的预测精度.     

基于面向服务对象体系结构的交通噪声地图分布式计算方法

针对目前城市交通噪声地图绘制工具和方法不能适应大规模项目分布式计算需要的现状,提出一种基于松耦合服务的噪声地图分布式计算方法,阐述了面向服务对象体系结构(SOOA)运作机制,给出了噪声地图计算服务的建立方法并介绍了其部署方式和管理模式。最后通过某示范区噪声地图求解实例验证了该算法在有效提高计算效率的同时能够给系统提供充分的灵活性。实验结果表明,并行子任务的不均衡会影响并行效率,一般状况下并行效率能够达到85%以上。     

一种基于线性预测残差的语音增强算法

本文提出了一种基于线性预测残差的语音增强算法,以去除语音中的加性噪声。对不同噪声下语音信号的线性预测分析,不难发现线性预测系数携带有语音的频谱和共振峰信息。多次实验表明,在噪声位置预测系数较小,在语音位置预测系数相对较大,其平方和可以反映带噪语音信号的瞬时信噪比。本文将该平方和用在从维纳滤波导出的一个基于线性预测系数的去噪函数中,将该去噪函数结合B.Yegnanaraynana的提出的基于逆相对预测残差去噪的方法共同作用于线性预测残差信号,可得到增强的语音信号。实验表明这种方法可以得到较好的去噪语音,去噪的同时较好地保留了语音的可懂度,并且运算量较小。     

基于云遗传的RBF神经网络的交通流量预测

以神经网络和混沌时间序列理论为基础,提出了一种基于云遗传的RBF神经网络优化算法。该算法利用云模型云滴的随机性和稳定倾向性的特点,由正态云模型的Y条件云发生器实现交叉操作,由基本云发生器实现变异操作,提高了遗传搜索的效率,精简了网络结构。将该算法应用到Logistic混沌时间序列和实测交通流时间序列进行算法的有效性验证,并与传统的RBF算法和遗传算法优化的RBF算法（GARBF）进行比较。仿真结果表明该算法对混沌时间序列和交通流预测的精度有较大提高,从而证明该算法在交通流时间序列预测领域的可行性和有效性。     

Theoretical mean-variance relationship of IP network traffic based on ON/OFF model

Mean-variance relationship (MVR), nowadays agreed in power law form, is an important function. It is currently used by traffic matrix estimation as a basic statistical assumption. Because all the existing papers obtain MVR only through empirical ways, they cannot provide theoretical support to power law MVR or the definition of its power exponent. Furthermore, because of the lack of theoretical model, all traffic matrix estimation methods based on MVR have not been theoretically supported yet. By observing both our laboratory and campus network for more than one year, we find that such an empirical MVR is not sufficient to describe actual network traffic. In this paper, we derive a theoretical MVR from ON/OFF model. Then we prove that current empirical power law MVR is generally reasonable by the fact that it is an approximate form of theoretical MVR under specific precondition, which can theoretically support those traffic matrix estimation algorithms of using MVR. Through verifying our MVR by actual observation and public DECPKT traces, we verify that our theoretical MVR is valid and more capable of describing actual network traffic than power lawMVR. Supported by the National Basic Research Program of China (Grant No. G2005CB321901)