资源描述：
《基于的支持向量机地网络流量建模及预测》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、实用标准文案基于支持向量机的网络流量建模及预测摘 要: 流量建模与预测对于大规模网络的规划设计和网络资源管理等方面都具有积极的意义，是网络流量工程重要组成部分。本文结合网络流量的时间序列特性,提出一种基于支持向量机的网络流量预测算法,并针对由于支持向量机采用先验知识选择参数会导致不同数据对先验知识适应程度不同，给出了一个动态调整优化参数策略。实验仿真结果表明,该算法具有很好的预测精度和适用性。关键词:支持向量机;网络流量;回归预测Abstract:networktrafficmodelandpr
2、edictionissignificantfordesignofnetworkandresourcemanagement,anditisanimportantpartoftrafficengineering.Inthispaper,amethodoftrafficpredictionbasedonsupportvectormachineispresentedwithcharacteristicoftimeseriesofnetworktraffic,andstrategyofdynamicopt
3、imizingparameterisgivenbecauseofthedefectofparameterselectionbasedonpriorknowledge.Theexperimentsimulationresultsshowthatthismethodisofhighprecisionandapplicability.Keywords:SVR;networkflowing;prediction0引 言由于互联网业务量急剧增长,网络性能和网络安全方面的问题非常突出。通过对网络流量的测量与
4、预测,可以了解网络之间的流量情况及趋势,从而更有效地进行网络优化,更好地进行路由设计和负载均衡的设计，并且可以发现潜在的攻击和入侵行为,实现网络入侵检测。针对网络流量的预测的研究,最初主要有基于AR、ARIMA的线性预测模型[1],算法较简单,但其自适应性较差。随着智能算法的不断发展,其良好的非线性映射能力、灵活有效的学习方式在预测领域的应用中表现出较大的优势和潜力，如BP神经网络、径向基函数神经网络等,已应用于网络流量、金融、水文等多种预测领域[2]。但是，神经网络是一种依赖经验的启发式技术,
5、其学习过程采用经验风险最小化原则(ERM),在小样本情况下,容易出现过学习现象从而导致泛化能力低下;另外,神经网络算法的复杂性受网络结构复杂性和样本复杂性的影响较大。这些不足,使得神经网络在预测中的应用效果不如期望的那样好。支持向量机(supportvectormachines,SVM)[3]是一种新型的机器学习方法,它具有完备的理论基础和出色的学习性能,其突出特点是根据结构风险最小化原则(SRM)进行学习,可以从本质上提高学习机的泛化能力,不存在局部最小问题,并且运用核函数巧妙地解决了维数问题
6、。为此，本文提出了一种基于支持向量机的网络流量预测模型,由于支持向量机采用先验知识选择参数,会导致不同数据对先验知识适应程度不同[4]，本文给出了一个动态调整优化参数策略。基于改进支持向量机的网络流量模型,计算速度快,实时性好,相对于传统的线性流量模型具有更高的逼近能力和良好的自适应性。1支持向量机预测算法原理预测问题实质上属于回归问题,即通过函数估计方法建立输入变量与输出变量的关系模型,并根据模型进行未来输出值的预测。利用支持向量机进行函数估计算法思想在于，首先选择一非线性映射把样本向量从原空
7、间映射到高维特征空间,在此高维特征空间构造最优决策函数;利用结构最小化原则,同时引入了损失函数,并巧妙的利用原空间的核函数取代了高维特征空间的点积运算,避免了复杂计算。算法原理如下:假定训练数据集记为，为第i个输入，为对应的期望输出，且，，为待估计的未知函数。首先用非线性映射把输入数据从原空间映射到N维特征空间,在高维空间实现线性回归,即被估计函数有如下形式：（1）其中是线性权值向量；b为偏置。这样,在高维空间的线性回归对应着低维空间的非线性回归,定义损失函数:精彩文档实用标准文案（2） 需要求
8、解的非线性回归问题就是最小化目标函数:（3）式中：和分别为两个由用户决定的自由参数，是函数回归模型的复杂度和样本拟合精度之间的折衷,值越大,拟合程度越高，是回归允许的最大误差,控制支持向量的个数和泛化能力,其值越大,支持向量越少。引入非负的松弛变量，得到等价的原问题：（4）相应的对偶问题为：（5）其中为Lagrange乘子。K为满足Mercer条件的核函数。常用的核函数有:多项式核函数、Sigmoid核函数、高斯径向基函数核函数。通过(5)式求得以和偏置b，则测试样本x对应的输出按下式进行预测：
