GAFSA优化SVR的网络流量预测模型研究

发布时间：2018-10-31 09:00

【摘要】：现有的诸多网络流量预测模型存在预测稳定性不好、精度较低等问题。针对此类问题,研究了一种通过GAFSA(全局人工鱼群算法)优化SVR模型的网络流量预测方法。GAFSA是一种群智能优化算法,寻优效果显著。采用GAFSA对SVR预测模型进行参数寻优,可以得到使预测效果最佳的训练参数;使用这组最优参数训练SVR,建立网络流量预测模型,可以很好地改善基于其他智能优化算法改进的SVR网络流量预测模型多次预测结果相差较大的问题,使预测结果趋于稳定,同时也可以提高预测精准度。仿真结果表明,GAFSA-SVR网络流量预测模型与其他模型相比,预测结果基本稳定,精准度提高到89%以上,对于指导网络控制行为、分析网络安全态势有重要意义。
[Abstract]:Many existing network traffic prediction models have some problems, such as poor prediction stability and low accuracy. In order to solve this problem, a network traffic prediction method based on GAFSA (Global artificial Fish Swarm algorithm) for optimizing SVR model is studied. GAFSA is an intelligent optimization algorithm with remarkable optimization effect. Using GAFSA to optimize the parameters of SVR prediction model, the best training parameters can be obtained. Using this set of optimal parameters to train SVR, to set up network traffic prediction model can improve the problem that the multiple prediction results of SVR network traffic prediction model based on other intelligent optimization algorithms differ greatly, and make the prediction results tend to be stable. At the same time, it can also improve the accuracy of prediction. The simulation results show that compared with other models, the GAFSA-SVR network traffic prediction model is basically stable, and the accuracy is improved to more than 89%, which is of great significance for guiding the network control behavior and analyzing the network security situation.
【作者单位】： 江南大学数字媒体学院;
【基金】：江苏省自然科学基金重点研究专项基金资助项目(BK2011003) 国家自然科学基金资助项目(61103223) 江苏省六大人才高峰基金资助项目
【分类号】：TP393.06

【参考文献】

相关期刊论文 前4条

1 郝清民;R/S系列分析的非线性估计及应用[J];系统工程理论与实践;2005年03期

2 刘杰;黄亚楼;;基于BP神经网络的非线性网络流量预测[J];计算机应用;2007年07期

3 薛可,李增智,刘浏,宋承谦;基于ARIMA模型的网络流量预测[J];微电子学与计算机;2004年07期

4 邹柏贤,刘强;基于ARMA模型的网络流量预测[J];计算机研究与发展;2002年12期

相关硕士学位论文 前1条

1 李丽;基于支持向量机的网络流量预测研究[D];南京理工大学;2007年

【共引文献】

相关期刊论文 前4条

1 蒋海;刘淑芬;姚志林;庞世春;张新佳;兰庆国;;一个网络流量监测与预测系统的设计与实现[J];吉林大学学报(理学版);2006年01期

2 王建新,肖雪峰,高文宇;小时间粒度网络流量自回归预测分析[J];计算机工程与应用;2005年26期

3 王靖华;何迪;;基于数据包字节长度的线性自回归(Autoregression)和支持向量分类机(SVM)的网络流量预测建模与分析[J];微型电脑应用;2005年11期

4 张爱萍,赵明旺;网络中的流量模型[J];武汉科技大学学报(自然科学版);2004年02期

相关会议论文 前1条

1 桂晓琳;许向阳;;基于Elman神经网络的网络流量预测[A];全国自动化新技术学术交流会会议论文集（一）[C];2005年

相关博士学位论文 前7条

1 赵其刚;基于流量预测的下一代网络动态QoS研究[D];西南交通大学;2005年

2 郑军;网络恶意数据流的检测与控制技术研究[D];哈尔滨工业大学;2006年

3 王楠;无线局域网的网络流量特性与建模研究[D];中国科学院研究生院（计算技术研究所）;2003年

4 魏进武;基于分形的网络流量建模及排队性能研究[D];解放军信息工程大学;2006年

5 林青家;基于小波的网络流量的特性刻画与模型建立[D];山东大学;2007年

6 刘m:辛;无线通信网接入性能分析的建模与优化研究[D];燕山大学;2006年

7 殷礼胜;交通流量时间序列混沌特性分析及预测研究[D];重庆大学;2007年

相关硕士学位论文 前10条

1 冷宁;网络流量监控系统的研究和应用[D];合肥工业大学;2004年

2 张爱萍;基于FARIMA的网络流量分形维数的分析方法研究[D];武汉科技大学;2004年

3 李卫民;ARMA-广义回归神经网络技术在股票预测中的应用研究[D];山东科技大学;2004年

4 邓辉;大规模网络流量及安全状态模拟系统研究[D];浙江大学;2005年

5 陈亚军;自相似网络流量的产生与研究[D];武汉科技大学;2005年

6 胡晓婷;基于突变理论的复杂网络系统行为预测研究[D];西安建筑科技大学;2006年

7 蒋庆华;一种基于小波变换及自回归模型的网络流量预测算法[D];吉林大学;2006年

8 杨伟;基于时间序列预测的IP控制网关集群的设计与实现[D];苏州大学;2006年

9 周嘉亮;VoIP控管系统实现与研究[D];哈尔滨工业大学;2006年

10 罗海云;突发约束流量模型在校园网的研究与运用[D];西南交通大学;2006年

【二级参考文献】

相关期刊论文 前10条

1 付强;;一种基于RBF神经网络的转台分系统故障诊断方法[J];传感器与微系统;2007年06期

2 杨虞微;左洪福;陈果;;支持向量机时间序列预测模型的参数影响分析与自适应优化[J];航空动力学报;2006年04期

3 邹柏贤,刘强;基于ARMA模型的网络流量预测[J];计算机研究与发展;2002年12期

4 陈梦根;中国股市长期记忆效应的实证研究[J];经济研究;2003年03期

5 谭晓玲,许勇,张凌,梅成刚,刘兰;基于小波分解的网络流量模型[J];计算机工程与应用;2005年09期

6 胡申敏;许维胜;王中杰;余有灵;;基于分数差分和Fuzzy-AR的网络流量建模和预测[J];计算机工程与应用;2006年19期

7 郑成兴;;网络流量预测方法和实际预测分析[J];计算机工程与应用;2006年23期

8 肖健华,吴今培,杨叔子;基于SVM的综合评价方法研究[J];计算机工程;2002年08期

9 王存睿,段晓东,刘向东,周福才;改进的基本粒子群优化算法[J];计算机工程;2004年21期

10 雷霆;余镇危;;一种网络流量预测的小波神经网络模型[J];计算机应用;2006年03期

相关博士学位论文 前1条

1 冯慧芳;IEEE 802.11无线局域网业务流特性研究及预报[D];天津大学;2006年

相关硕士学位论文 前2条

1 张红梅;基于支持向量机的电力系统短期负荷预测研究[D];河海大学;2006年

2 蒋庆华;一种基于小波变换及自回归模型的网络流量预测算法[D];吉林大学;2006年

【相似文献】

相关期刊论文 前10条

1 彭亦飞;张英杰;;基于免疫粒子群算法的网络拥塞控制策略[J];中南大学学报(自然科学版);2011年07期

2 ;[J];;年期

3 ;[J];;年期

4 ;[J];;年期

5 ;[J];;年期

6 ;[J];;年期

7 ;[J];;年期

8 ;[J];;年期

9 ;[J];;年期

10 ;[J];;年期

相关硕士学位论文 前9条

1 黄小珂;基于蚁群优化算法的数据包路由技术研究[D];长春理工大学;2010年

2 李丽;基于支持向量机的网络流量预测研究[D];南京理工大学;2007年

3 王鹏;网络流量预测技术研究[D];江南大学;2009年

4 陆国浩;网络流量预测系统的研究与实现[D];苏州大学;2007年

5 唱雪;基于BP神经网络理论的校园网带宽流量预测[D];哈尔滨工程大学;2008年

6 刘思佳;智能网络入侵检测方法的研究[D];西华大学;2009年

7 吕倩;基于传输速率调整的动态带宽分配策略及性能分析[D];燕山大学;2012年

8 胡明科;未知木马检测技术研究[D];沈阳航空航天大学;2011年

9 李鹏超;基于模拟退火算法和支持向量回归的网格资源预测[D];吉林大学;2010年

，

本文编号：2301592