基于回声状态网络的网络流量预测研究

摘要

网络流量是通过网络所传输的数据量。由于网络流量蕴涵了网络运行时的关键信息，是管理和优化网络的重要基础数据，因此对网络流量的分析与预测十分重要。随着网络业务的不断丰富，网络流量也呈现出越来越错综复杂的特性。利用网络流量预测模型，可以帮助人们提前感知网络未来的态势，这对于网络规划、资源配置和网络安全等关键技术的发展具有深远的影响。如何建立一个既高效又准确的模型来预测网络流量已经成为了一个具有挑战性的研究热点。　　作为一种广受关注的新型递归人工神经网络，回声状态网络（Echo State Network。ESN）具有计算高效且易于使用的优势。此外，由于ESN使用了储备池计算框架，具备动态记忆能力，因此特别适合处理时间相关的建模问题，并且已经被成功地应用在各种时间序列预测工程实践中。而历史网络流量记录可以看作时间序列数据，对网络流量的预测也可以看作一个标准的时间序列预测问题，因此可以使用 ESN模型对其进行建模分析。但是，由于现代网络流量具有自相似、长程相关和多重分形等复杂的多尺度特性，而标准的ESN模型不能有效识别网络流量中的多尺度特性，因此会导致预测精度上的损失。　　本文通过改进共生生物搜索(Symbiotic Organisms Search。SOS)算法，结合集合经验模态分解（Ensemble Empirical Mode Decomposition。EEMD）算法，提出了一种基于ESN的网络流量预测模型。使用集合经验模态分解算法依据网络流量的多尺度特性将数据进行模态分解，分离出的高频信号和重构数据作为ESN的输入，并使用本文提出的混沌局部共生生物搜索算法C-SOS对ESN模型的输入权值进行优化。本文将所提模型运用在两个真实数据集上进行网络流量预测。实验结果表明，该模型相对于其它模型具有较高的预测精度，是一种有效的网络流量预测模型。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1研究背景及意义

1.2国内外研究现状

1.3本文的研究内容

1.4论文的组织结构

第二章 网络流量的特性与预测模型

2.1网络流量的特性

2.2网络流量预测模型

第三章SOS算法基本原理及其改进

3.1 SOS算法

3.2混沌理论

3.3 C-SOS算法

3.4实验仿真及结果分析

第四章 基于ESN的网络流量预测模型

4.1 EEMD

4.2 ESN

4.3 EC-SOS-ESN模型

4.4实验仿真及结果分析

第五章 总结及展望

5.1总结

5.2 展望

参考文献

在学期间研究成果

致谢