基于BP神经网络理论的校园网带宽流量预测

摘要

当前社会网络迅速发展，对网络进行有效监管与预测已经成为计算机网络应用的重要部分。进行网络流量分析进而建立有效的网络流量模型是当前网络研究的热点问题之一。为了让校园网的网络节点间通信更加流畅，离不开对其网络节点当前状态的不断监测。校园网监测，特别是针对网络流量的监测，将直接影响校园网的运行效能，为校园网管理者提供实际的流量数据，以便其更加合理的分配流量，最大限度的获得效益。同时校园网监测也将能为校园网故障分析提供有用信息。 因此一款操作简单、功能齐全的流量监测软件将为校园网管理提供更多的便利，解决网络管理人员面目前网络行为特征日趋复杂，随着Internet飞速发展，这给网络规划、网络管理带来了巨大的挑战，矛盾也日益突出，进行网络流量分析进而建立有效的网络流量模型是当前网络研究的热点问题之一。网络流量模型是对网络流量特性的刻画，一个好的模型不仅应能准确地反映出历史流量的特性，而且还能有效预测将来一段时间内网络流量的大小。一些传统模型通常假定网络流量满足线性关系，然后用线性递推和组合的方法来描述系统。实际上网络流量数据随时间变化并未表现出显著规律，因为它包含了很多非线性因素。本文围绕提高预测精度和自适应能力的主题，在网络流量预测中采用非线性模型，作了深入的分析，并在此基础上设计并实现了网络流量预测分析系统。 本文在引入时间序列预测理论和人工神经网络理论的基础上，设计出基于BP神经网络的流量预测模型，给出了有效流量预测方案。本文在预测模型中加入了动态调用预测功能，使得所设计网络流量预测系统在灵活性和高效性方面得到了提升，并且具备较强的自适应能力。 本文所设计的预测系统通过大量实验获得最佳预测模型，应用该系统能有效预测短期内网络流量的变化，进行信息预报，为网络规划、网络管理做出了积极有益探索。

目录

文摘

英文文摘

声明

第1章绪论

1.1人工神经网络概述

1.1.1人工神经网络

1.1.2人工神经网络的研究

1.1.3人工神经网络的学习方式

1.2多层前向网络

1.2.1 M-P模型

1.2.2感知器

1.2.3自适应线性单元

1.2.4多层感知器

1.2.5函数连接网络

1.2.6径向基函数网络

1.2.7学习理论的发展

1.3网络流量简介

1.3.1网络流量国内外研究现状

1.3.2网络流量预测意义

1.4结论

1.5本文的主要工作

第2章BP神经网络模型及其学习算法

2.1 BP神经网络简介

2.1.1 BP网络学习过程

2.1.2 BP算法(反向传播算法)

2.2 BP网络学习中应注意的问题

2.2.1学习率η的选择

2.2.2激活函数f(x)的选择

2.2.3初始权值的选取

2.2.4局部极小问题

2.2.5训练的串行和集中方式

2.2.6隐含层个数

2.2.7隐含层单元个数

2.3 BP算法性能改进措施

2.4本章小结

第3章网络流量预测系统简介

3.1网络流量预测概述

3.1.1网络流量预测的基本原理

3.1.2网络流量预测的特点

3.2相关技术介绍

3.2.1简单网络管理协议(SNMP)

3.2.2网络流量监测软件(MRGT)

3.2.3 MRTG的配置与应用

3.3.4 RRD数据库

3.3网络流量预测系统的结构设计

3.3.1流量采集模块介绍

3.3.2流量图生成模块介绍

3.3.3网络流量预测模块

3.4本章小结

第4章网络流量预测模型的设计与实现

4.1流量预测模型总体设计

4.1.1网络流量时序分析

4.1.2网络节点端口流量的引入

4.1.3预测对象的确立

4.1.4预测模型结构设计

4.1.5带宽占有率预测模型流程图

4.2 BP网络拓扑结构的设计

4.3构建模型的几个参数的设定

4.3.1神经元的激励函数的选定

4.3.2权值、阈值的初始值域的确定

4.3.3网络学习速率的确定

4.4 BP算法的设计

4.4.1基本BP算法

4.4.2 BP算法的流程

4.4.3本文的BP改进算法方法

4.5预测模型的结果评价

4.6本章小结

第5章实验与应用

5.1 BP网络性能实验与实验数据结果分析

5.1.1数据的选择和样本的准备

5.1.2实验结果及结论

5.2预测模型结果分析

5.2.1训练误差分析

5.2.2预测效果分析

5.3预测模型在网络流量预测系统中的应用

5.4本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢