基于小波分解的网络流量模型

论文充分利用小波变换具有多分辨率的特点,将时域里的网络流量通过小波分解,分解到不同的频带上。再对各子频带上的细节分量使用不同阈值进行消噪处理,使分解后的流量在频率成分上较单一,且平稳性较好。然后采用自回归滑动平均混合模型对小波分解去噪后的不同分量分别进行预测再合成预测流量。对实际流量进行模拟预测,结果表明该模型有效地提高了预测精度,能对网络流量特别是短期流量作出较为准确的预测。     

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。     

基于小波变换的网络流量预测模型应用研究

研究优化网络性能问题,因网络流量数据具有很强的突发性和自相似性等分形特征,引起系统流量不稳定和不精确,用传统网络流量预测模型预测准确低.为解决上述问题,提出一种基于小波变换(WT)的自回归(AR)预测模型,首先对原始流量数据进行小波分解,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分别建立自回归模型,由所拟合的模型分别进行预测,最后结合各个重构后序列的预测结果,得到对原始序列的预测结果.运用WT_AR进行仿真实验,实验结果表明模型比传统的网络流量预测模型具有更高的准确度.证明WT_AR是一种高效的网络流量检测模型,网络流量预测方法提供参考依据.     

基于小波变换的PCNN网络流量预测算法

网络流量预测对网络安全、网络管理等具有重要的意义。针对网络流量的行为特征,提出了基于小波变换的PCNN网络流量预测算法。对预处理的网络流量进行小波分解,利用PCNN模型预测获得的近似系数和细节系数,通过小波逆变换对预测的小波系数进行重构,得到预测的网络流量。实验结果表明,与其他的三种网络流量预测算法相比,算法得到较小的残差,取得了较好的预测效果。     

小波变换和GM-ARMA组合模型的股指预测

当前在利用小波分解和其他模型建立组合模型的过程中,对小波基方程的选择和分解层数并没有一个标准,基本上是通过经验和一些实验来决定这2个因素;而且很多利用小波分解建立的组合模型并不考虑模型之间相互的影响,对各个子模型的参数估计采取各自独立的估计,从而导致预测结果不是最优.为此,提出了先对小波基方程和分解层数这2个特征进行参数化,然后定量地对所有子模型的特征参数进行统一、综合的评估,以达到建立最佳组合模型的目的.由于该组合模型是由小波分解、灰色模型和ARMA模型组合而成的,因此称为WGM-ARMA模型.股指预测的实例验证了WGM-ARMA模型大幅度地降低了预测误差,说明了该组合模型的有效性、实用性和可行性.     

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。     

基于小波变换的网络流量组合预测模型

为了提高网络流量的预测精度,利用小波变换、差分自回归移动平均模型和最小二乘支持向量机等优点,提出一种基于小波变换的网络流量预测模型(WA-ARIMA-LSSVM)。针对网络流量多尺度特性,首先对网络流量时间序列进行小波分解,然后分别采用差分自回归移动平均模型和最小二乘支持向量机对网络流量的高频和低频进行建模与预测,最后小波重构高频和低频的预测结果,并采用仿真实验对模型性能进行分析。结果表明,WA-ARIMA-LSSVM提高了网络流量的预测精度,可以更加准确地描述网络流量的非平稳变化趋势。     

一种网络流量预测的小波神经网络模型

结合小波变换和人工神经网络的优势,建立一种网络流量预测的小波神经网络模型。首先对流量时间序列进行小波分解,得到小波变换尺度系数序列和小波系数序列,以系数序列和原来的流量时间序列分别作为模型的输入和输出,构造人工神经网络并且加以训练。用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果。     

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。     

应用小波变换改进网络流量的相空间重构

流量预测是流量工程、拥塞控制和网络管理的核心问题,网络流量非线性变化部分有混沌特性的存在.现有的网络流量研究方法只是单一采用线性或者非线性的方法进行处理,而忽略了对混沌特性的研究.针对网络流量的混沌特点,利用小波变换和非线性动力学方法研究网络流量的混沌特性,并改进相空间重构方法.将混沌吸引子投影于小波滤波器向量所张的空间中,并充分利用了小波变换的去噪优点,给网络流量预测提供了行之有效的新方法.     

GARCH非线性时间序列模型的网络流量预测

网络流量预测在拥塞控制、网络管理与诊断、路由器设计等领域都具有重要意义。根据当今网络流量的特点,传统的ARMA模型在描述网络流量数据特性时有一定的局限性,从而影响网络流量预测的精度。针对这个问题,研究了使用广义自回归条件异方差模型(GARCH)对网络流量数据进行建模的方法,通过仿真实验表明,该模型可以较好地描述网络流量数据的异方差性,同时其预测精度较之传统的ARMA模型的预测精度也得到了大幅提升。     

小波与神经网络相结合的网络流量预测模型

针对网络流量序列的非线性和多时间尺度特性,提出了一种将小波变换与人工神经网络相结合进行网络流量预测的新模型.该模型吸取了小波变换的多分辨功能和人工神经网络的非线性逼近能力,对流量时间序列进行小波分解,得到小波变换尺度系数序列和小波系数序列,分别使用RBF神经网络和Elman神经网络进行预测,把两种预测的结果通过BP神经网络合成为最终预测结果.用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果.     

网络流量短期预测方法的研究与应用

给出了网络流量短期预测方法.该方法运用小波变换自适应时频局部化分析方法和改进的Mallat算法将网络流量分解到不同频带上,然后对各子频带上的小波分进行不同阈值的消噪处理,再对仍是非平稳过程的分量进行差分处理使其转化为平稳序列,最后对各平稳过程分量采用ARMA模型进行预测.实际流量分析表明该方法简便,且短期预测精度较高.     

基于小波包分析的网络流量随机模拟

提出基于小波包分析的网络流量随机模拟算法,通过应用小波包变换将实际测量的网络流量分解为2"个不同分量(n为分解的层数),再将这些分解长度相等的每个分量进行等分,进行这些等分分量的随机组合形成2"个分量,再重构,最后对模拟合成的网络流量进行自相似特性的分析.实验结果表明,用该方法模拟的网络流量具有较好的自相似性.     

网络流量行为分析的小波加权混沌局域模型

结合小波变换和混沌局域模型的各自优势,提出一种网络流量的预测模型。首先,将网络流量时间序列进行小波分解得到高频信号序列和低频信号序列,再用加权混沌局域模型对每一成分的信号序列分别进行预测,对所有的预测分量进行小波重构就可以实现对网络流量的预测。用实际网络流量对该模型进行验证,实验结果表明,该模型具有较高的预测效果。     

基于Gamma分布和小波的城域网流量仿真模型

针对网络仿真的需要,在对实际网络流量进行拟合的基础上,设计了基于Gamma分布和小波方法的流量仿真模型。对拟合效果的评估显示,该模型较好地刻画了网络流量的自相似特征,为网络流量仿真提供了一种有效的方法。     

融合小波变换与贝叶斯LS SVM的网络流量预测*

为了提高网络流量预测的精度,研究了一种融合小波变换与贝叶斯LSSVM的网络流量预测方法。首先将原始流量数据时间序列进行小波分解,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分别用最小二乘支持向量机进行预测,将贝叶斯证据框架应用于最小二乘支持向量机模型参数的选择;将各个预测结果重构后得到对原始序列的预测结果。对比实验表明,该模型不仅具有较快的运行速度,而且具有较高的预测精度。