基于支持向量机的网络流量预测和资源调度

摘要

随着计算机和互联网的持续高速发展，网络在人们生活中扮演的角色也越来越重要，人们再也不能满足于只简单上网的需求，人们对上网的要求也越来越高。网络拥塞、网络故障、网络安全等一系列的问题时刻困扰着我们，如何对系统中的网络数据进行测量、收集和预测已成为网络系统运行的主要难题之一。
　　据大量数据显示，网络是复杂的、多方因素影响的，网络流量也必然呈现出高度自相似、时变性和非线性等特征，这注定传统的预测方法无法做到高的准确率。支持向量机是一种机器学习方法，其求解速度快，且泛化能力强，故本文用支持向量机来进行预测。
　　支持向量机可以根据现有的有限的样本信息，在所建立的模型的复杂性和机器的学习能力间寻求一个平衡点，以得到最好的泛化能力，并创造性的将线性不可分的问题，通过核函数映射到高维空间，使之线性可分。
　　本文在对网络流量准确预测后，综合预测了CPU使用率和内存使用率的情况，为市区信访件对接平台设计了模糊控制器，该模糊控制器根据预测结果进行资源调度，并在仿真平台上进行了实验，取得了很好的效果。
　　本文的主要研究内容如下:
　　1).研究支持向量机参数选择的问题。参数的选择在支持向量机建模期间有巨大的影响，参数的好坏直接影响着预测精度的高低。在研究生学习期间，本人关注了各种新型的算法，并创新性的将布谷鸟搜索算法应用于支持向量机的参数选择过程中。实验对比了现有的算法，如遗传算法和粒子群算法，布谷鸟搜索算法明显提高了SVM的效率和结果准确率。
　　2).根据记录的网络带宽、CPU使用率，内存使用率的数据，通过本文提出的基于布谷鸟搜索算法的支持向量回归机(CS-SVR)进行预测，并通过本文设计的模糊控制器根据CS-SVR的预测结果，对资源进行调度，使得服务器端的各项资源的利用率最大化，达到负载平衡，从而提高服务质量。

目录

摘要

第一章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 网络流量预测的研究现状

1．2．2 支持向量回归机参数选择的现状

1．3 论文的结构与组织

第二章 支持向量机理论

2．1 统计学理论

2．2 统计学的核心内容

2．2．1 VC维

2．2．2 推广性的界

2．2．3 结构风险最小化

2．3 SVR理论基础

2．3．1 线性可分的情况

2．3．2 非线性可分的情况

2．4 核函数

2．5 本章小结

第三章 资源调度仿真实例平台简介

3．1 Web服务简介

3．1．1 Web服务和Web服务引擎简介

3．1．2 服务器管理过程

3．1．3 SOAP协议和Axis2简介

3．2 负载度量指标

3．3 市区信访业务对接平台简介

3．3．1 市、区信访业务对接的服务编排模型

3．3．2 市、区系统业务流程之间消息交互的技术性难题

3．4 本章小结

第四章 SVR参数选择方法对比

4．1 SVR模型推广能力评估

4．1．1 SVR中两个主要参数

4．1．2 SVR模型的验证

4．1．3 元启发式算法在SVR参数寻优中的运用

4．2 基于遗传算法的SVR参数选择

4．3 基于粒子群算法的SVR参数选择

4．4 基于布谷鸟搜索算法的SVR参数选择

4．4．1 莱维飞行

4．4．2 布谷鸟搜索算法的理论

4．5 实验对比

4．5．1 Libsvm工具箱简介

4．5．2 单输入的回归的实验

4．5．3 多输入的回归

4．5 本章小结

第五章 资源优化的仿真实验

5．1 系统的具体实现

5．1．1 资源调度模型

5．1．2 系统性能参数的监测

5．2 模糊控制器

5．2．1 模糊控制系统的输入输出

5．2．4 模糊规则设计

5．3 系统测试与分析

5．4 本章小结

结论

全文总结

未来工作

参考文献

攻读硕士学位期间发表的学术论文

声明

致谢