基于EMD及ARMA的自相似网络流量预测

《基于EMD及ARMA的自相似网络流量预测》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、万方数据第32卷第4期2011年4月通信学报JoumalonCommunications、，0l_32No．4April2011基于EMD及ARMA的自相似网络流量预测高波1一，张钦宇1，梁永生2，刘宁宁3，黄程波2，张乃通4(1．啥尔滨工业大学深圳研究生院。广东深圳518055．2．深圳信息职业技术学院信息技术研究所，广东深圳518029；3．中国电子系统设备工程公司研究所，北京100039：4．哈尔滨工业大学电子与信息工程学院，黑龙江哈尔滨150001)摘要：提出了一种基于ARMA(自回归滑动平均)模犁的经验模式分解预测自相似网络流量的方法，进行了理论证明

2、和仿真验证。结果表明，经验模式分解对长相关流量有去相关的作用，采用ARMA模犁即可对自相似网络流量准确刻画，不但降低了算法的复杂度，而且预测精度高于径向基函数神经网络的预测精度。关键词：自相似：经验模式分解；自回归滑动平均：流量预测中图分类号：TP393文献标识码：A文章编号：1000．436X(2011)04．0047．10Predictingself-similarnetworkingtrafficbasedonEMDandARMAGAOB01”，ZHANGQin—yul，LIANGYong—shen92，L叫Ning．nin93，HUANGCheng．b

3、02，ZHANGNai—ton94(1．ShenzhenGraduateSch001．HarbinInstituteofTechnology,Shenzhen518055，China；2．InstituteofInformationTechnology,ShenzhenInstituteofInformationTechnology,Shenzhen518029，China；3．InstituteofElectronicSystemEngineeringofChina．Beijing100039，China；4．SchoolofElectronicsandIn

4、formationEngineering，HarbinInstituteofTechnology,Harbin150001。China)Abstract：Anovelmethodbasedonempiricalmodedecomposition(EMD)andARMAwasproposedtomodelandfore-castself-similarnetworkingtraffic．TheresultsdemonstratethatEMDhadthefunctionofgettingridofthelongrangedependence(LRD)intraf

5、ocdata．Therefore，theself-similartrafficprocessedbyEMDcouldbemodeledandpredictedwellbyusingARMAwhichWasashortrangedependent(SRD)model．Moreover,thecomplexityoftheproposedmethodwasreducedsharplyandthepredictionprecisionwashigherthanradialbasisfunctionneuralnetwork．Keywords：self-similar

6、；EMD；ARMA；trafficforecasting1引言网络流量的建模和预测是研究网络的性能、管理、协议及服务质量的基础，对网络的规划设计具有重要意义，因此针对网络流量的建模和预测备受人们关注。由于网络流量具有的自相似性对网络数据分组缓存的占用比传统排队论分析的结果大‘¨，导致了较大的分组丢失率和延时，所以为了保证网络的服务质量，在研究网络流量的建模和预测过程中，需要对网络流量的自相似性质进行深入研究，找出能够刻画及预测自相似流量的模型。为此，研究人员主要做了两方面工作：一是使用传统短相关(SRD，shortrangedependent)模型来拟合长相关

7、(LRD，longrangedependent)性质，传统的短相关收稿日期：2010．03．25；修回日期：2010．08．26基金项目：国家自然科学基金资助项目(60672150，60702034)；国家重点基础研究发展计划(“973”计划)基金资助项目(2009CB320402)FoundationItems：TheNationalNaturalScienceFoundationofChina(60672150，60702034)；TheNationalBasicResearchPro—gramofChina(973Program)(2009CB32040

8、2)万方数据通信学报第32卷模型主要包