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。     

基于FARIMA-GARCH模型的网络业务预测算法

网络流量的波动性与自相似特性为其精确预测提出了挑战。为此,提出了一种基于FARIMA-GARCH模型的预测算法。该算法首先利用分段双向CUSUM检测算法对流量序列的均值进行有效检测,并在此基础上将序列零均值化;然后采用限定搜索法对分数差分阶数进行精确估计;在获得模型参数后,使用FARIMA-GARCH模型对网络流量进行预测。仿真实验表明,限定搜索法能够获得比传统算法更高的估计精度。随后采用真实网络流量验证了预测算法的性能,在保持与FARIMA预测算法等价的时间复杂度下,其均方根和相对均方根误差与RBF神经网络预测算法相当,而高于FARIMA预测算法。同时,预测算法对突发流量的跟踪和预测性能明显优于对比算法,且有更好的区间估计性能。     

一种基于小波的网络流量发生器设计

网络流量发生器在网络性能分析和协议实现中具有重要的作用。文章基于多分形小波模型，设计了一种自相似网络流量发生器。其中对随机数的生成、序列的截断、自相似序列的生成以及自相似流量的生成等主要设计部分进行了论述。与常用的基于分形布朗运动的模型的流量发生器相比，该发生器生成的流量具有更准确的自相似流量特性。     

网络流量预测模型的研究与分析

网络流量模型以考察网络流量特性为出发点,以数学理论为基础,通过建立数学模型来反映真实的网络流量及其变化趋势。传统的泊松模型在现代数据网络中已经不再适用,不能真实地反映流量的趋势。但是自从网络流量的自相似性被发现后,网络流量的自相似模型不断涌现。应用了既能反映长相关性又能反映短相关性的FARIMA模型对真实网络流量数据进行了分析预测,经过研究和实践的验证,对模型进行了改进,提出了SFARIMA网络流量预测模型。     

基于分形点过程自相似流的队列性能分析

通过对交换机排队系统进行仿真,分析了以分形点过程( FPP )自相似业务流为输入的排队系统的性能.仿真结果显示,自相似业务流量模型下队列的性能与传统指数流量模型下的队列性能大不相同.文中所获得的仿真结果可用于网络流量模型、网络设计、网络拥塞控制和流量工程等.     

一种基于预测PI控制器的自相似网络主动队列管理算法

近年研究发现网络中的业务量呈自相似特征,这种自相似特征显著影响网络的流量控制与排队性能,本文在自相似网络流量可预测的基础上,利用线性回归分析理论进行流量预测,并应用控制理论中的预测PI控制器原理设计了动态矩阵PI控制主动队列管理(Dynamic Matrix PI Control-Active Queue Management,简称DMPIC-AQM)算法,以克服队列的剧烈振荡,保持队列稳定在期望的长度.仿真实验结果表明,DMPIC-AQM算法在网络流量剧烈变化和小期望队列长度的情形下,DMPIC-AQM算法明显优于RED与PI算法.     

改进的基于时变FARIMA模型和小波变换的网络流量预测算法

网络的流量特性是反映网络实时状态的一个重要特征,对于网络流量的分析、预测一直是该领域的研究热点。传统的基于时间序列模型的方法在计算效率和多尺度分析能力方面存在一定的局限性。本文提出了一种改进的基于小波变换和时变FARIMA模型的流量预测方法,利用小波变换的多尺度分析特性将原有的流量数据进行分解,在使用时变FARIMA模型进行预测,可大大提高算法的执行效率和预测的准确性。最后,本文选取了Bellcore提供的真实的网络流量进行了仿真实验,验证了提出的预测方法的准确性和有效性。     

改进的基于小波变换和FARIMA模型的网络流量预测算法

提出了一种改进的基于小波变换和FARIMA模型的网络流量预测算法,先对经过预处理的流量进行小波分解,再进行Mallat算法单支重构,接着用FARIMA模型分别对重构后的单支进行预测,最后合成流量。该算法较之传统的首先用FARIMA模型对小波系数进行预测再进行小波重构的算法减小了预测误差。仿真实验也验证了改进算法的预测准确性。     

网络流量的联合多重分形模型及特性分析

网络尺度行为的发现提供了用数学模型方法研究网络流量特性的可能性.本文基于连乘瀑布过程与K分布过程提出了联合多重分形(JMF)网络流量模型,该模型以尺度函数与矩因子的联合作为主要特征函数来研究网络流量的特性.理论分析及由实测网络流量数据的仿真结果表明,JMF模型可以较客观地同时描述网络流量短期分形行为与长期自相似行为,且实现复杂度小.其中尺度函数能够刻画时间尺度对流量特性的影响,矩因子描述了同一时间尺度上流量突发性的变化,二者的联合较好地描述了网络流量的短期行为,而模型的统计特性则刻画了流量的长期行为特征.     

基于小波多尺度分析的网络流量组合预测方法研究

基于小波多尺度的分解和重构思想,将网络流量通过小波分解成不同尺度下的逼近信号和细节信号,然后分别单支重构成低频序列和高频序列。根据低频序列和高频序列的不同特性,分别采用自回归模型(AR)和线性最小均方误差估计(LMMSE)对未来网络流量进行预测,最后重新组合生成预测流量,通过对真实网络流量的仿真实验,结果显示该方法能比较准确地预测未来的网络流量。     

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。     

Network traffic prediction based on a new time series model

Fast and accurate methods for predicting traffic properties and trend are essential for dynamic network resource management and congestion control. With the aim of performing online and feasible prediction of network traffic, this paper proposes a novel time series model, named adaptive autoregressive (AAR). This model is built upon an adaptive memory‐shortening technique and an adaptive‐order selection method originally developed by this study. Compared to the conventional one‐step ahead prediction using traditional Box–Jenkins time series models (e.g. AR, MA, ARMA, ARIMA and ARFIMA), performance results obtained from actual Internet traffic traces have demonstrated that the proposed AAR model is able to support online prediction of dynamic network traffic with reasonable accuracy and relatively low computation complexity. Copyright © 2005 John Wiley & Sons, Ltd.     

基于混沌理论与改进回声状态网络的网络流量多步预测

网络流量预测是网络管理及网络拥塞控制的重要问题,针对该问题提出一种基于混沌理论与改进回声状态网络的网络流量预测方法。首先利用0-1混沌测试法与最大Lyapunov指数法对不同时间尺度下的网络流量样本数据进行分析,确定网络流量在不同时间尺度下都具有混沌特性。将相空间重构技术引入网络流量预测,通过C-C方法确定延迟时间,G-P算法确定嵌入维数。对网络流量时间序列进行相空间重构之后,利用一种改进的回声状态网络进行网络流量的多步预测。提出一种改进的和声搜索优化算法对回声状态网络的相关参数进行优化以提高预测精度。利用网络流量的公共数据集以及实际数据进行了仿真,结果表明,提出的预测方法具有更高的预测精度以及更小的预测误差。     

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.     

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。     

基于混沌时间序列和神经网络的网络流量预测方法

网络流量时间序列具有复杂的非线性和不确定性特征,故提出以相空间重构理论与递归神经网络相结合的网络流量预测方法。以相空间重构理论确定最佳延迟时间和最小嵌入雏数,重构网络流量时间序列。将重构后的时间序列运用递归神经网络来训练,得到合适的模型,并用于网络节点中网络流量的预测。将该方法应用于实际数据预测,其结果与传统的时间序列预测方法结果相比较,提高了预测精度和稳定性,证明了该预测模型和方法在实际时间序列预测领域的有效性和实用性。     

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.     

基于神经网络的网络流量预测算法研究

网络流量预测有助于网络服务质量的提升和网络资源的合理分配,对优化网络管理与运营、保障用户体验质量至关重要.因特网业务的急剧增加和基础网络的快速发展导致网络流量变得更加复杂多样,传统网络流量预测模型难以保证较高的预测精度,而神经网络作为人工智能的重要分支,在预测复杂网络流量时具有显著优势.简述反向传播神经网络、径向基神经...     

基于数据挖掘技术的移动通信话务预测模型探析

本文探讨引入数据挖掘技术和算法,通过3种高精度话务预测模型对某市话务数据建模和预测验证,探析3种模型的实际误差和适用场景,并提出基于数据挖掘技术的移动通信智能话务预测管理平台架构设想,具有较高的推广和应用价值。