基于改进ESN的网络流量预测方法研究

发布时间：2020-10-25 03:06

　　 随着互联网技术的发展和网络规模的不断扩大,人们对于网络管理的要求也越来越高。网络流量是评价网络负载和运行状态的重要参数,连续监测并准确预测网络流量,是实现网络有效管理和控制的重要手段。网络流量具有时效性、非线性、突发性、混沌性和多样性等特征,神经网络模型、灰色模型、支持向量机等传统方法已逐渐无法胜任现有网络流量预测任务。回声状态网络(Echo State Network,ESN)以独有的储备池结构改进了传统递归神经网络的不足,具有强大的非线性处理能力和较快的训练速度。尽管回声状态网络表现出了优越的性能,但在网络流量预测方面它仍然存在一些问题。首先,储备池的随机结构与随机权值会一定程度地影响回声状态网络预测模型对于网络流量数据非线性的刻画,并难以满足网络流量预测的实时性要求;其次,网络流量的突发性和混沌性很大程度上会给回声状态网络预测模型的预测效果带来不利影响;最后,回声状态网络的关键参数较多,依靠经验选择的参数并不适用于网络流量预测任务。针对以上问题,本文主要研究了ESN的多环储备池结构,网络流量的降噪处理以及灰狼算法自适应参数寻优,具体内容如下:首先,为了满足网络流量预测的非线性与实时性要求,本文提出了一种基于具有多环储备池结构ESN的网络流量预测方法,该方法通过构建多环储备池结构,避免了传统ESN所产生的储备池的随机性,加强了储备池内神经元的连接度,提高了ESN的非线性逼近能力。仿真实验表明,该方法对于网络流量非线性刻画能力更强,预测实时性更佳。然后,针对网络流量序列的突发性与混沌性,本文结合局部投影降噪方法,提出了一种基于局部投影降噪和双环储备池结构ESN的网络流量预测方法。该方法利用局部投影方法对网络流量序列进行降噪处理,降低流量序列的突发性与混沌性。同时,该方法采用双环储备池结构回声状态网络,并结合降噪流量序列和原始流量序列作为预测输入,提高了预测方法对网络流量预测的准确度。仿真实验表明,该预测方法与其他预测方法相比,具有更好的预测性能。最后,针对网络流量序列的多样性,本文研究了灰狼算法(Grey Wolf Optimizer,GWO),提出了一种基于灰狼算法的网络流量预测参数优化方法,该方法利用GWO算法对基于局部投影降噪和双环储备池结构ESN的网络流量预测方法中的参数进行迭代优化,自适应地选取最优参数,提高了预测方法对于网络流量预测任务的自适应能力,避免了经验选择的局限性。仿真实验表明,经过GWO寻优后的参数更加适用于网络流量预测任务,提高预测准确度。
【学位单位】：南京邮电大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP393.06
【部分图文】：

大学硕士研究生学位论文 第一会对 ESN 预测模型的预测效果带来不利影响；最后，ESN 虽然结构较为简着影响预测性能的关键参数，依靠经验选择的参数会存在一定局限性，并流量预测任务。针对上述问题，本文的研究内容主要包括三个方面：ESN络流量的预处理以及预测方法中关键参数的选择。备池结构N 模仿大脑中递归连接的神经元结构，由输入层、储备池和输出层三部分构1.1 所示。

（Multiple Loop Reservoir Structure, MLRS）ESN 的网络流量预测方法（ESN-MLRS）。该方法避免了传统 ESN 所产生的储备池的随机性，提高了流量预测效率，同时与单环储备池结构相比，加强了储备池内神经元的连接度，优化了储备池结构，提高了 ESN 对网络流量数据的非线性刻画能力。本章将 ESN-MLRS 应用到实际的网络流量预测任务中，针对 ESN-MLRS的多环神经元间隔与环数等参数进行仿真，分析了其对预测误差的影响。然后，针对 BP 神经网络、经典 ESN、ESN-MLRS 进行了实时性分析。最后，本章针对不同预测步长，比较分析了ESN-MLRS与长短期记忆网络（Long Short-Term Memory, LSTM）[69]，前馈神经网络（BackPropagation, BP）[70]、经典 ESN、SCR、ALR 的预测效果。3.1 ESN-MLRS 整体框架本节提出一种基于多环储备池结构 ESN 的网络流量预测方法，以双环储备池结构 ESN为例，整体框架如图 3.1 所示。

21(b)数据集 B图 3.2 网络流量样本数据于传统 ESN、SCR、ALR 和 ESN-MLRS，根据经验设置各项参数：储备池谱8，储备池神经元均采用 tanh 传输函数，输出神经元均采用恒等变换函数，无，具体实验参数设置如表 3.1 所示。其中，ESN-MLRS 的储备池连接矩阵W产生，输入连接矩阵inW 中所有非零权值与储备池连接矩阵中非零权值r 相同于数据集 A 和数据集 B，一半的数据点作为训练集，另一半的数据点作为测试了评估预测性能，我们采用标准均方误差（Normalized Mean Squared Error, N测精度，即
【相似文献】

相关期刊论文 前10条

1 林振荣;黎嘉诚;杨冬芹;伍军云;;改进微分进化和小波神经网络的网络流量预测[J];计算机工程与设计;2019年12期

2 李巧侠;;基于组合模型的网络流量预测[J];微型电脑应用;2018年08期

3 王雪松;;改进支持向量机的网络流量预测[J];计算机系统应用;2017年03期

4 丁春莉;李林森;;和声搜索算法优化支持向量机的网络流量预测[J];微型电脑应用;2017年01期

5 陈南岳;汤永斌;岳淼;滕云;;一种网络流量预测模型的研究[J];科技通报;2017年07期

6 张涛;唐华;张甜甜;;网络流量预测算法仿真分析[J];计算机仿真;2016年09期

7 卢振利;;相空间重构和正则极限学习机的网络流量预测[J];激光杂志;2015年01期

8 张大卫;李海雁;;基于相空间重构双参数联合估计的网络流量预测[J];计算机与数字工程;2014年09期

9 赵伟;;一种改进的网络流量预测模型研究[J];计算机技术与发展;2013年04期

10 章治;;组合神经网络的网络流量预测研究[J];微电子学与计算机;2012年03期

相关博士学位论文 前2条

1 孙晓川;未来网络虚拟化资源管理机制研究[D];北京邮电大学;2013年

2 于青;基于混沌时间序列预测的主动型入侵防御系统研究[D];天津大学;2012年

相关硕士学位论文 前10条

1 吴腾;面向数据挖掘的网络流量预测及业务识别算法研究[D];重庆邮电大学;2019年

2 黎嘉诚;基于小波神经网络的校园网络流量预测研究[D];南昌大学;2019年

3 曹淑琳;基于深度学习的无线网络流量预测[D];西安电子科技大学;2019年

4 杨欣颜;基于改进ESN的网络流量预测方法研究[D];南京邮电大学;2019年

5 杨兴;基于Kafka监测系统的网络流量预测和异常检测[D];北京邮电大学;2019年

6 师圣蔓;基于机器学习的网络流量预测与应用研究[D];北京邮电大学;2019年

7 张焕;SDN环境下基于神经网络的网络流量预测模型研究[D];湖南师范大学;2019年

8 姚骞;基于机器学习的SDN网络流量预测与负载均衡[D];电子科技大学;2018年

9 邱锴;转移张量在数据中心流量预测中的应用[D];华中科技大学;2016年

10 姚春萍;基于s变换和压缩感知的大规模网络流量预测与仿真实现[D];东北大学;2013年

本文编号：2855370