基于小波变换的ARMA和极限学习机组合模型的网络流量预测

发布时间：2017-05-24 04:00

  本文关键词：基于小波变换的ARMA和极限学习机组合模型的网络流量预测，由笔耕文化传播整理发布。

【摘要】：随着社会网络迅速发展,计算机网络已经发展成为现代化社会最为基础的设施之一,人们的日常生活与之也越来越紧密。同时Internet的普及率越来越高,尤其是在一些地区,网民数量呈爆炸式的增长,这对计算机网络的安全及管理提出巨大挑战。研究并利用网络流量预测来对网络进行有效的监管已经成为计算机网络应用的重要工作。网络流量预测主要是对采集的连续网络数据通过建立某种数学模型来预测未来一段时间的网络流量,然后通过对预测的结果分析出可能发生的问题,针对相应的问题网络管理员提前采用一定的预防措施,保障计算机网络的安全/稳定运行。同时流量预测对网络的异常或者攻击行为提供了依据,对加强网络管理、掌握流量的规律,以及提高拥塞服务、负载均衡都具有重要的意义。由于网络流量数据的非平稳性和长相关性等特点,采用单一的预测模式对原始时间序列预测很难取得好的效果。本文提出一种基于小波变换(Wavelet Transform)、自回归滑动平均模型(ARMA)和极限学习机(ELM)的组合预测模型W-ARMA-ELM。这个模型利用小波分解的比例收缩特性将长相关的时间序列分解为短相关的子序列,然后使用自相关性和偏自相关分析确定子序列的平稳性,再分别使用ELM和ARMA进行预测。我们使用了三组不同的网络流量数据来检验W-ARMA-ELM的预测性能,包括兰州大学教育网和网通流量数据,英国学术主干网流量数据。实验结果表明,我们提出的组合方法要比单一的ARMA和ELM预测效果要好,预测精度有较大的提高。同时,文章指出使用自相关和偏自相关分析相结合的方法对分解后的子序列进行平稳性判定有利于帮助选择合适的组合模型从而提高预测的精度。
【关键词】：小波变换 ARMA ELM 网络流量预测
【学位授予单位】：兰州大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP393.06
【目录】：

• 摘要3-4
• Abstract4-7
• 第一章 绪论7-11
• 1.1 本课题的研究背景和意义7
• 1.2 研究现状7-9
• 1.3 本课题研究的工作概述9
• 1.4 本文的内容安排9-11
• 第二章 网络流量的特征分析和预测技术11-25
• 2.1 网络流量的性质11-16
• 2.1.1 自相似性11-12
• 2.1.2 长程相关性12-13
• 2.1.3 突发性13-14
• 2.1.4 随机过程14-16
• 2.2 传统流量预测技术16-21
• 2.2.1 泊松模型16-17
• 2.2.2 马尔科夫模型17-18
• 2.2.3 时间序列模型18-19
• 2.2.4 分形布朗运动模型19-21
• 2.3 流量预测技术的新发展21-25
• 2.3.1 小波分析理论21-22
• 2.3.2 神经网络理论22-23
• 2.3.3 模糊理论23
• 2.3.4 混沌理论23-25
• 第三章 基于小波变换的ARMA和极限学习机组合模型25-34
• 3.1 小波分解及参数选择25-27
• 3.2 ARMA的识别与参数估计27-30
• 3.3 极限学习机30-31
• 3.4 基于小波变换的组合模型设计与实现31-34
• 第四章 实验结果及分析34-44
• 4.1 实验数据的选择和处理34-35
• 4.2 性能评价指标35
• 4.3 实验结果的比较与分析35-44
• 第五章 总结与展望44-46
• 参考文献46-50
• 在学期间的研究成果50-51
• 致谢51

【相似文献】

中国期刊全文数据库 前10条

1 陈振伟;王茜;黄继红;;基于多神经网络的网络流量预测模型[J];计算机安全;2010年12期

2 于静;王辉;;基于组合模型的网络流量预测[J];计算机工程与应用;2013年08期

3 叶苗;王勇;;基于支持向量回归学习机的网络流量预测[J];桂林工学院学报;2007年02期

4 张正本;翟海庆;;基于组合模型的网络流量预测[J];河南机电高等专科学校学报;2008年06期

5 周丹琪;乔国平;张泉方;;基于K-Factor GARMA模型的网络流量预测[J];江南大学学报(自然科学版);2008年02期

6 姜明;吴春明;张e，

本文编号：389729