一种基于小波包分解和模糊神经网络的网络流量预测方法及装置

摘要

本发明公开了一种基于小波包分解和模糊神经网络的网络流量预测方法及装置，其中，所述方法为：采集网络流量的历史测量数据；通过小波包变换将原始网络流量分解到各个不同的时间尺度的子波上；对各个时间尺度上的流量信号进行重构，使其流量信号数据量与原始信号相同；通过模糊神经网络对分解到各个时间尺度上的流量信号进行学习和预测；将各个时间尺度上的流量信号的预测值进行求和得到网络流量的预测值。

说明书

技术领域：

本发明涉及一种精确的网络流量预测模型，是一种基于小波包分解与模糊神经网络相结合的网络流量预测模型。该模型广泛适用于广域骨干网和局域网中的分组域核心路由器，以实现对资源的动态分配，网络容量规划等提供基础性建议。属于计算机网络领域。

背景技术

网络流量行为预测是网络行为学的一个重要研究方向，涉及网络容量规划、网络设备设计、网络资源分配等网络管理的各个方面，有着不言而喻的重要性。因此，对流量预测方法和模型的研究也备受研究人员的关注，并不断提出各种模型来描述和仿真流量特性。

最初的电信网络是围绕主营话音业务展开的，Possion模型和Markov模型很好的刻画了这一时期电信网络的特点，因此得到了广泛的应用。随着低速率数据业务的兴起，Possion模型和Markov模型在描述分组交换网络时的不足日益显现，根据Poisson流量模型，从不同的数据源汇聚的网络流量将随着数据源的增加而日益平滑，这和实际测试的流量是不符合的，因而该模型变得已不适于刻画实际的网络流量。Markov模型虽然可以在一定程度上捕获业务的突发性，但Markov方法是一种具有无后效性的随机过程，无法描述网络的长相关性。

这时线性时间序列模型(AR，MA，ARMA)被引入到网络流量行为的描述当中，ARIMA(求和自回归移动平均模型)曾在描述这一时期的网络流量行为中体现出了不错的效果。ARIMA模型是一种在描述时间序列方面特别有效的随机时间序列模型，强调时间序列未来的点数由同一时间序列过去的值来决定，它采用线性映射，用过去的值来映射未来的值，其缺点是于主要描述短相关性的时间序列，对长程相关刻画不佳。

在上世纪末本世纪初，Internet经历了一段爆炸性的发展时期，光纤技术和交换技术的不断突破使得骨干网络传输能力得到巨大提升，xDSL技术的广泛应用使得个人宽带接入用户的接入速率大大提高，个人宽带接入用户数呈指数增长。伴随着话音业务的不断低值化，以Client/Server模式为主要应用模式的网络数据业务显示出了高昂的发展态势，逐渐成为网络运营商的主要收入来源。这一时期，随着网络流量自相似特性的发现，描述自相似网络流量的模型也不断提出，其中FARIMA模型被认为可以同时描述网络流量的长相关和短相关特性而被广泛研究。近些年，随着网络测量技术的发展和业务流量特性研究的深入，人们在对Intemet流量的分析中更深入的应用分形、多重分形、时间序列分析、小波分析、神经网络、混沌学等理论和技术来分析、描述网络流量的精细特性。流量预测模型不但要描述复杂业务的长、短相关特性，还要体现流量的其他特性。因此，对复杂的网络流量使用单一的流量模型已经不能很好的描述其真实的特性，为了更精确和全面的描述流量特性并预测流量，需要根据网络业务流量的多个特性建立混合的流量预测模型。

在众多的分析方法中，小波理论的引入引起了研究者的极大关注，成为近年来网络流量预测领域的研究热点。利用小波分析和多分辨率分析的方法，将原始网络流量分解到各个时间尺度，可以有效去除原始网络流量中的长相关性质，再结合传统的时间序列预测方法对分解后的各个时间尺度下的信号进行分别预测，最后合成，取得了较之其他单纯预测模型和混合模型更好的预测效果。

但是，这种混合模型存在两个主要的不足：一方面，小波分解的方法只对网络流量的低频部分做进一步的分解，高频部分不再做细致的分析。原始流量的高频部分集中反应了网络流量的突发特性，它的剧烈抖动使得对其预测达不到理想的效果，进而影响到整个网络流量的预测精确度。另一方面，分解到各个时间尺度下的信号仍然展示出非平稳的性质，传统的时间序列预测方法在预测非平稳时间序列时通常基于某些假设(这些假设未必与真实情况相符)，也使得预测的精度与期望值有一定的距离。

发明内容

鉴于以上的问题，本发明的目的在于针对现有技术的不足，设计提出一种新的用于精确预测网络流量的方法和装置。该装置通过小波包分解对原始网络流量中的高频部分做进一步细致的分析，并通过模糊神经网络对分解后的子波信号进行不基于任何假定的预测。克服了通过小波分析不对原始网络流量的高频部分做进一步分解，之后采用常规基于短相关时间序列预测算法需要某些与实际情况不符的假设的缺点，达到了更好的预测准确性。

首先，我们进一步延伸了小波分析的思想，通过小波包分解(WPT)和多分辨率分析，对原有信号的高频部分做了进一步细致的分解，使得分解后的信号较之原有信号“平缓”许多，降低了对高频部分预测的难度。更进一步，我们引入自适应模糊推理系统(ANFIS)用于预测分解到各个时间尺度上的信号。自适应模糊推理系统是模糊推理和神经网络的有机结合，具备模糊推理系统的易解释性和神经网络自学习性的优点，对时间序列的预测既不需要基于事先的假定，又有比单纯神经网络更好的预测效果。于是我们提出将小波包分解(WPT)和自适应模糊推理系统(ANFIS)相结合构建网络流量预测的复合模型(WPANFIS)。

根据本发明的实现网络流量预测的方法步骤如下：

(1)通过小波包变换将原始网络流量分解到各个不同的时间尺度上；

(2)对各个时间尺度上的信号进行重构，使其信号点数与原始信号相同；

(3)通过模糊神经网络对分解到各个时间尺度上的信号进行学习和预测；

(4)将各个时间尺度上的信号的预测值进行求和得到网络流量的预测值。

附图说明

图1为本发明具体实施例的系统流程框图；

图2为小波分解及重构示意图

图3为本发明实施例的小波包分解及重构示意图；

图4为本发明实施例的模糊神经网络示意图。

图5为本发明实现网络流量预测装置的一个实施例结构图。

具体实施方式

图1显示了本发明的一个具体实施例系统流程框图。

步骤101：通过小波包变换将原始网络流量分解到各个不同的时间尺度的子波上。小波变换理论是信号分析和信号处理的强大工具，是一种从时频两域分析信号的方法。传统的网络流量预测算法利用小波分解来去除网络流量的长相关特性，实现对网络流量复杂业务特性的分解。将网络流量记为信号x(t)，则其小波分解可以表示成为：

$x\left(t\right)=\underset{k}{\Sigma }{a}_{\mathrm{Jk}}{\phi }_{\mathrm{Jk}}\left(t\right)+\underset{j=1}{\overset{J}{\Sigma }}\underset{k}{\Sigma }{d}_{\mathrm{jk}}{\psi }_{\mathrm{jk}}\left(t\right)$

其中J是分解的级数，k是时间轴索引。其中尺度函数系数a_jk用来表示网络流量的低频部分，刻画流量的整体趋势，小波系数d_jk用来表示网络的高频部分，集中刻画网络流量的突发特性。在实际应用中，我们通过Mallat塔式分解算法，采用正交镜像滤波器组来实现网络流量信号x(t)的小波分解，得到尺度函数系数和各级的小波系数，如图2所示，其中H＝{h_n}表示低通滤波器，G＝{g_n}表示高频滤波器。

从图2中我们可以看出，采用小波分解算法，每次分解只针对输入信号的低频部分(即尺度函数系数)，而输入信号的高频部分没有进行进一步的分解。为了对输入信号的高频部分进行进一步的分解，我们采用小波包分解算法，实现对小波分解的扩展。如图3所示，采用小波包分解算法，每次分解不仅针对输入信号的低频部分，高频部分也同样进行分解。

步骤102：对各个时间尺度上的信号数值进行重构，使其信号数据量与原始信号相同。由图3可以看出，每进行一级的分解，由于下采样的存在，尺度函数系数和小波系数的点数将会减半，随着分解级数的增加，信号点数减少将会影响下一步预测的效果。为了使尺度函数系数与小波系数的点数与原始信号相同，我们需要对尺度函数系数和小波系数进行单支重构。单支重构与小波重构一样可表示为：

$a_j\left(n\right)=\underset{k}{\Sigma }\bar{h}(n-2k)a_{j+1}+\underset{k}{\Sigma }\overrightarrow{g}(n-2k)d_{j+1}$

如果我们将{{h_n}，{g_n}}称为分析滤波器组，则被称为与之对应的合成滤波器组，见图3的右半部分。

步骤103：对分解后的各个频率上的子波信号分别通过模糊神经网络进行学习和预测。ANFIS(Adaptive-Network-based Fuzzy Inference System)自适应模糊推理系统是模糊逻辑和神经网络的有机结合，其性能比单独使用模糊推理和神经网络都要好，为解决复杂的非线性、不确定系统的预测开辟了新的途径。其示意图如图4所示：

它是一个五层的前馈式网络，输入为最近的m+1个值，输出为预测值，k表示预测步长，在本试验例中k＝1，即预测下一时刻的值。下面分层介绍：

第一层的每一个节点代表一个模糊集合，用隶属度函数表征。每个节点的输出是输入变量对应于该模糊集合的隶属度。在本实验例中，采用广义钟形隶属度函数来表征模糊集合：

${\mu }_i^j\left(x\right)=\frac{1}{1+{[(x-c_i)/a_i]}^{{2b}_i}}$

其中μ_i^j表示第i个输入变量的第j个隶属度函数。{a_i，b_i，c_i}被称为前件参数，其值在初始化时由网格划分算法决定，在后续学习中不断调整。

第二层的每一个节点用来计算该层输入信号的乘积，该层第j个节点的输出代表第j条规则的触发强度，可表示为

$w_j={\mu }_1^j\left(x(n-m)\right)...{\mu }_m^j\left(x(n-1)\right){\mu }_{m+1}^j\left(x\left(n\right)\right)$

第三层为归一化层，归一化的触发强度可表示为

$\overline{w_j}=w_j/\underset{i=1}{\overset{r}{\Sigma }}{w}_i$

第四层的每个节点用于计算每条规则对总的输出的贡献，第j个节点的输出即第j条规则对总的输出的贡献可表示为：

$\overline{w_j}(c_{j0}+c_{j1}x(n-m)+...+c_{j(m+1)}x\left(n\right))$

第五层将每条规则的贡献相加，得到最后的预测值

$\hat{x}(n+1)=\underset{j=1}{\overset{r}{\Sigma }}\overline{w_j}{y}_j=\underset{j=1}{\overset{r}{\Sigma }}\overline{w_j}(c_{j0}+c_{j1}x(n-m)+...+c_{j(m+1)}x\left(n\right))$

步骤104：对尺度函数系数和小波系数的预测完成之后，将其预测值相加，即可得到网络流量的预测值，不断重复上述步骤，即可得到关于网络流量的一系列预测值。

图5为本发明实现网络流量预测装置的一个实施例结构图，包括：

小波包分解单元：将原始网络流量分解成不同频率尺度的子波，将表示趋势的低频部分与表示突发特性的高频部分分解开来。

单支重构单元：对分解后的各个子波信号进行单支重构，使各个子波流量信号的数据数量与原始网络流量信号数量相同，给进一步预测使用。

模糊神经网络单元：通过模糊神经网络单元对分解重构后的各个子波信号进行学习，并预测各子波的下一时刻网络流量值。

求和单元：将各个子波信号的预测值相加求和得到最终的网络流量的预测值。