基于傅里叶模型的最佳网络流量预测*

针对网络流量数据自相似性和长相关性的特点,提出了一种基于傅里叶模型的最佳网络流量预测方法。同时给出了该模型的预测函数,并通过某互联网运营商的实际流量数据验证了该算法的有效性。     

基于ARMA模型的网络流量预测

随着计算机网络的迅速发展,目前的网络规模极为庞大和复杂,因此发生各种问题的可能性也越大,同时管理网络的难度也增大,传统的网络管理是在告警之后,解决潜在的问题,即为一种响应式的行为,这时候网络的服务很可能已经受到影响,根据实际采集的非单播包数的观测值序列,建立该流量参数的正常行为,然后平稳化该序列,估计出网络流量的ARMA（2,1）模型,用线性最小均方误差预测方法,对网络流量进行预测,并检测在将来超越阈值的可能性和发生时间,这样,在网络过载发生之前,可以预先采取防范措施,来保证网络的正常服务,这种方法改变了以往的网络管理响应方式,使得网络过载的预警成为可能。     

基于组合模型的网络流量预测

网络流量预测是网络管理的基础,网络流量受到多种因素影响,具有周期性、时变性和非线性,传统单一线性模型ARIMA或非线性模型SVM均难以准确描述网络流量复杂变化规律,为此,提出一种网络流量组合预测模型（ARIMA-LSSVM）。采用ARIMA对网络流量进行预测,捕捉其周期性变化趋势,采用LSSVM对网络流量非线性变化趋势进行预测,同时采用遗传算法对LSSVM参数进行优化,采用LSSVM两种预测结果进行融合,得到网络流量的最终预测结果。仿真实验结果表明,相对于单一网络流量预测模型,ARIMA-LSSVM提高网络流量预测精度,更能全面刻画网络流量变化趋势。     

基于SCSO-GRU模型的网络流量预测

网络流量有实时性、不稳定性和时序相关性等特点,传统网络流量预测模型存在泛化能力不强和预测精度低等不足之处。为解决这些不足,本文提出一种结合基于正余弦的群优化（SCSO）算法的GRU神经网络的网络流量预测模型（SCSO-GRU）。首先,介绍SCSO算法的粒子更新原理;然后构建SCSO-GRU神经网络的网络流量预测模型,将SCSO算法用于模型训练,提高训练效果,克服传统GRU神经网络收敛于局部最优的缺点;最后用SCSO-GRU模型进行网络流量预测。实验结果表明,与传统LSTM和GRU模型相比,本文模型具有显著的收敛效果和较好的预测精度,可以更好地刻画网络流量变化趋势。     

基于ARIMA模型的网络流量预测

网络流量的预测具有重大的研究意义,网络流量的预测对于解决网络管理优化、网络拥塞控制这一难题具有重要的指导意义。网络流量的变化受多种因素的综合影响,其变化具有周期性、非线性和随机性等特点。时间序列中的预测模型包括一元线性回归、指数平滑以及能够拟合复杂变化的ARIMA模型,本文通过分析比较ARIMA模型的适用场景以及预测效果,综合评价模型在网络流量预测方面的实用性,着眼于提高网络流量预测的精度。     

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。     

基于周期性网络流量模型的流量预测

文中使用自主开发的网络监控系统，对数据链路实施长期的测试监控。通过大量流量测试数据统计分析表明，WAN／LAN实际流量可以分为时间相关分量和时间无关分量。文中介绍了一个基于周期性网络流量模型的流量预测算法，以便对给定时刻的网络流量进行在线预测，并给出了不同预测精度下预测流量取值区间和实际流量的比较结果。     

基于Gamma小波模型的网络流量预测

网络流量的精确预测是实现动态流量管理及控制的前提,由此提出一种基于Gamma小波模型的预测方法。将原始数据分解为高频信号和低频信号,采用Gamma小波模型对低频信号进行建模并获取服从Gamma分布的序列,分别对刚获取的序列以及高频信号采用加权一阶局域法进行预测,重构小波以合成数据。通过实验和数学分析的方法,证实该预测模型能够进行网络流量的短期预测。     

基于混合模型的网络流量预测算法

研究网络流量准确预测,针对网络优化控制问题,由于网络数据拥塞严重,网络流量变化具有高度自相似性、非线性和多尺度等特点,线性数据的传统预测方法无法准确刻画网络流量的非线性变化规律,导致预测准确率低.为了提高网络流量的预测准确率,在分析网络流量变化特征的基础上,提出一种小波分析的网络流量混合预测模型.混合模型首先利用小波分析将网络流量分解线性和非线性部分,然后分别采用ARIMA模型和BP神经网络模型对其进行预测,最后采用小波分析对线性和非线性部分预测结果进行重构,得到混合模型最终预测结果.仿真结果表明,混合模型比其它网络流量预测模型具有更高的预测准确率,为网络优化控制提供了有效分析方法.     

基于混合模型的网络流量预测研究

随着网络应用的多样化发展,分析网络流量的行为特性并建立模型进行预测,对于网络管理与流量工程有着重要意义。论文通过对多种流量预测方法的分析和比较,指出单一预测模型的局限性并结合近年流量的新特性提出：网络流量的建模预测必须建立在流量重要特性的基础上,采用混合模型可以更全面、准确地描述和预测流量的行为趋势。     

基于短相关ARIMA模型的网络流量预测

不同日期同一时刻的网络流量存在相关性和突发性。为准确预测网络流量,提出一种短相关ARIMA模型。对模型定阶后,运用改进的建模方法推导模型参数,使参数随样本数据的变化而更新。实验结果表明,与AR模型和ARIMA模型相比,该模型能更好地描述网络的相关性和自相似性,预测精度较高。     

基于季节变动模型的网络流量行为预测

网络的流量行为特征在一定程度上反映了网络运行的某种规律,对流量行为的分析和预测不仅有助于对网络的整体理解,还可为网络管理提供决策支持。本文研究了确定时间序列方法中的季节变动模型,并将其应用于校园网的日流量预测。通过比较实际流量的抽样值和预测值,证明了预测模型具有较高的可信度。     

基于残差改进的灰色模型网络流量预测

网络流量是衡量网络运行负荷和状态的重要参数,也是网络规划、流量管理等方面起着重要的作用的重要参数.在流量管理中,流量模型用于评价接入控制机制和预测网络性能.灰色模型在反映数据的趋势性变化上效果明显,随着灰色理论的发展及其广泛应用,越来越多的改进方法已经被提出.在对原有的模型进行研究的基础上提出进一步改进模型来对网络流量进行预测.     

基于周期性网络流量模型的校园网流量预测

网络流量模型是网络性能评价、网络协议设计和网络规划等的基础,然而实践证明基于泊松过程的传统流量模型并不适用于实际的网络流量.在对大量校园网络流量数据统计分析的基础上,提出一个基于周期性网络流量的网络流量模型,将网络流量分为时间相关分量和正态随机分量,并利用分布拟合检验算法加以验证,同时给出了在不同置信度下基于该流量模型的流量预测算法,从而保证对校园网络高效的管理.     

基于双向GRU模型的网络流量预测的研究

当前使用门控循环单元(Gated Recurrent Units,GRU)神经网络进行流量预测时,普遍存在滞后性以及预测准确性不高的问题,因此提出一种改进的GRU模型进行流量预测的方法.首先基于GRU神经网络提出一种双向GRU神经网络和人工神经网络堆叠的网络模型,适用于流量特征、时间特征、事件特征等多维向量的输入;同时...     

基于神经网络和自回归模型的网络流量预测

互联网的急速发展在给人类带来了巨大便利的同时,也使网络中的网络流量出现了爆炸性的增长,预测网络流量对于网络的研究、管理和控制都具有很高的现实指导意义.为了降低减少网络流量数据的预测误差,提出一种基于神经网络和自回归模型的网络流量预测模型——卷积神经网络(CNN)-长短期记忆(LSTM)网络+自回归(AR).通过卷积神经...     

基于关联度网络流量预测的加权局域线性模型

用来预测混沌时间序列的传统加权局域模型一般用空间距离来定义邻近点的权重,当重构相空间嵌入维数增大时预测效果不是很理想。考虑了关联度对预测中心动力学行为的影响,提出用关联度来定义权重的方法,建立了一个用来预测网络流量新型的加权局域线性模型。模拟试验结果表明,和传统加权模型相比,当嵌入维数较高的时候,该模型能在较大程度上提高网络流量的预测精度。     

基于灰色模型和自适应过滤的网络流量预测

提出一种新的网络流量预测方法。该方法根据网络流量历史值用灰色模型GM（1,1）进行预测,并用自适应过滤法对GM（1,1）预测时产生的残差进行修正,从而达到较高的预测精度。该方法综合了GM（1,1）预测所需原始数据少、方法简单等特点,具有较高的应用价值。实验结果表明,该方法是有效可行的。     

基于网络流量半马尔柯夫模型的流量预测

引入了半马尔柯夫模型描述网络流量特性，并在该模型的基础上分析推导了相应的流量预测方法。分别对广域网和局域网不同时间尺度统计的实际流量数据进行分析和短期、长期预测，所有数据的实际预测精确度均小于预先设定的置信度。说明引入的模型能真实反映网络流量特性，基于该模型的流量预测方法具有良好的预测性能且适用于不同长度的预测。     

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。