基于小波神经网络的网络流量预测研究

《基于小波神经网络的网络流量预测研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于小波神经网络的网络流量预测研究　　摘要：主要采用小波神经网络的相关理论和方法对某小区网络的访问流量情况进行建模和预测。利用收集到的网络流量变化情况作为小波网络的训练样本，成功实现了该网络的流量预测。试验仿真结果表明，构建的小波神经网络模型可以很好地实现对网络流量的高精度预测。　　关键词：小波神经网络；网络流量；预测研究；训练样本　　中图分类号：TN711?34文献标识码：A文章编号：1004?373X（2016）23?0098?02　　Researchonnetworktrafficpredi

2、ctionbasedonwaveletneuralnetwork　　LIXin，SUNShanshan　　（CollegeofInformationEngineering，SuihuaUniversity，Suihua152000，China）　　Abstract：Therelevanttheoryandmethodofwaveletneuralnetworkareusedtoestablishandpredictthenetworktrafficsituationofacertainuptown

3、.Theacquirednetworktrafficchangesituationisusedasthetrainingsampleofthewaveletnetworktorealizethetrafficpredictionofthenetwork.Thesimulationresultsshowthattheconstructedwaveletneuralnetworkmodelhashighprecisiontopredictthenetworktraffic.6　　Keywords：wa

4、veletneuralnetwork；networktraffic；predictionresearch；trainingsample　　0引言　　随着互联网规模的不断增大以及各种网络“新应用”、“新服务”的不断涌现，网络信息变得越来越庞大和多变，对网络访问流量进行精确地预测从而实现对网络运行状态的有效管理，已经逐步成为目前的一个研究热点。网络流量预测是实现网络控制、网络规划，保证网络安全以及提高网络服务质量的重要前提。　　网络流量具有自相似性、长相关性和多重分形性等复杂性质，对其进行精确地预测一

5、直以来都是一个难点。目前，常见的网络流量预测方法主要有自回归分析法、马尔科夫分析法、分形布朗运动分析法和神经网络分析法。与前面三种传统方法相比，利用神经网络对网络流量进行预测具有预测精度高、方法简单、泛化性强和稳定性好的特点，正在逐步成为网络流量预测研究中的主流方法。6　　文献[1]根据网络流量的变化特征，基于BP神经网络提出了一个P2P网络流量预测模型，实现了网络流量的较高精度预测。文献[2]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，通过将流量时间序列进行小波分解

6、，获得了网络的训练和验证样本，试验表明采用这种方法进行流量预测，要比直接采用神经网络对样本进行预测的精度高。文献[3]根据网络流量自身的特征，研究了BP神经网络和小波神经网络在校园流量预测中的应用，其所建立的模型，经仿真验证证明，可以较好地预测学校网络的流量变化情况，可以为校园网络的规划和管理提供一定参考。　　小波神经网络是一种以BP神经网络拓扑结构为基础，把小波基函数作为隐含节点的传递函数，其拓扑结构如图1所示。它类似于BP神经网络权值修正算法，采用梯度修正法修正网络的权值和小波基函数参数，从而

7、使小波神经网络预测输出不断逼近期望输出[4?5]。　　采用小波神经网络进行网络流量预测的基本流程如图2所示。　　1网络流量预测　　1.1试验数据来源　　采用网络流量监测软件对某小区的网络流量进行实时采集，得到了该小区5天内的网络流量数据，每隔15min记录一次该时间段内的网络流量值，一共获得了480个时间点的数据。用4天共384个网络流量的数据训练小波网络，最后用训练好的小波神经网络预测第5天的网络流量。为了避免局部数值偏移造成的误差，本文采用编组的方式提高模型预测精度，用前三个时间点的网络流量来

8、综合预测后一个时间点的网络流量情况[6?7]。　　　　图1小波神经网络的拓扑结构　　　　图2小波神经网络进行预测的流程图　　1.2构建小波神经网络模型　　本文采用的小波基函数为MexicanHat小波基函数，其表达式为：　　[ψ（t）=（1-t2）e-t22ψ（ω）=2πω2e-ω22]6　　函数的时域和频域波形图如图3所示[7?8]。　　　　图3MexicanHat函数的时域和频域特征　　本文采用的小波神经网络结构为3?5?1；输入层有3个节点，表示预测时间节点前3个时间节点的网