隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展和網(wǎng)絡(luò)規(guī)模的不斷擴(kuò)大,人們對(duì)于網(wǎng)絡(luò)管理的要求也越來(lái)越高。網(wǎng)絡(luò)流量是評(píng)價(jià)網(wǎng)絡(luò)負(fù)載和運(yùn)行狀態(tài)的重要參數(shù),連續(xù)監(jiān)測(cè)并準(zhǔn)確預(yù)測(cè)網(wǎng)絡(luò)流量,是實(shí)現(xiàn)網(wǎng)絡(luò)有效管理和控制的重要手段。網(wǎng)絡(luò)流量具有時(shí)效性、非線性、突發(fā)性、混沌性和多樣性等特征,神經(jīng)網(wǎng)絡(luò)模型、灰色模型、支持向量機(jī)等傳統(tǒng)方法已逐漸無(wú)法勝任現(xiàn)有網(wǎng)絡(luò)流量預(yù)測(cè)任務(wù)�；芈暊顟B(tài)網(wǎng)絡(luò)(Echo State Network,ESN)以獨(dú)有的儲(chǔ)備池結(jié)構(gòu)改進(jìn)了傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)的不足,具有強(qiáng)大的非線性處理能力和較快的訓(xùn)練速度。盡管回聲狀態(tài)網(wǎng)絡(luò)表現(xiàn)出了優(yōu)越的性能,但在網(wǎng)絡(luò)流量預(yù)測(cè)方面它仍然存在一些問(wèn)題。首先,儲(chǔ)備池的隨機(jī)結(jié)構(gòu)與隨機(jī)權(quán)值會(huì)一定程度地影響回聲狀態(tài)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)于網(wǎng)絡(luò)流量數(shù)據(jù)非線性的刻畫(huà),并難以滿(mǎn)足網(wǎng)絡(luò)流量預(yù)測(cè)的實(shí)時(shí)性要求;其次,網(wǎng)絡(luò)流量的突發(fā)性和混沌性很大程度上會(huì)給回聲狀態(tài)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)效果帶來(lái)不利影響;最后,回聲狀態(tài)網(wǎng)絡(luò)的關(guān)鍵參數(shù)較多,依靠經(jīng)驗(yàn)選擇的參數(shù)并不適用于網(wǎng)絡(luò)流量預(yù)測(cè)任務(wù)。針對(duì)以上問(wèn)題,本文主要研究了ESN的多環(huán)儲(chǔ)備池結(jié)構(gòu),網(wǎng)絡(luò)流量的降噪處理以及灰狼算法自適應(yīng)參數(shù)尋優(yōu),具體內(nèi)容如下:首先,為了滿(mǎn)足網(wǎng)絡(luò)流量預(yù)測(cè)的非線性與實(shí)時(shí)性要求,本文提出了一種基于具有多環(huán)儲(chǔ)備池結(jié)構(gòu)ESN的網(wǎng)絡(luò)流量預(yù)測(cè)方法,該方法通過(guò)構(gòu)建多環(huán)儲(chǔ)備池結(jié)構(gòu),避免了傳統(tǒng)ESN所產(chǎn)生的儲(chǔ)備池的隨機(jī)性,加強(qiáng)了儲(chǔ)備池內(nèi)神經(jīng)元的連接度,提高了ESN的非線性逼近能力。仿真實(shí)驗(yàn)表明,該方法對(duì)于網(wǎng)絡(luò)流量非線性刻畫(huà)能力更強(qiáng),預(yù)測(cè)實(shí)時(shí)性更佳。然后,針對(duì)網(wǎng)絡(luò)流量序列的突發(fā)性與混沌性,本文結(jié)合局部投影降噪方法,提出了一種基于局部投影降噪和雙環(huán)儲(chǔ)備池結(jié)構(gòu)ESN的網(wǎng)絡(luò)流量預(yù)測(cè)方法。該方法利用局部投影方法對(duì)網(wǎng)絡(luò)流量序列進(jìn)行降噪處理,降低流量序列的突發(fā)性與混沌性。同時(shí),該方法采用雙環(huán)儲(chǔ)備池結(jié)構(gòu)回聲狀態(tài)網(wǎng)絡(luò),并結(jié)合降噪流量序列和原始流量序列作為預(yù)測(cè)輸入,提高了預(yù)測(cè)方法對(duì)網(wǎng)絡(luò)流量預(yù)測(cè)的準(zhǔn)確度。仿真實(shí)驗(yàn)表明,該預(yù)測(cè)方法與其他預(yù)測(cè)方法相比,具有更好的預(yù)測(cè)性能。最后,針對(duì)網(wǎng)絡(luò)流量序列的多樣性,本文研究了灰狼算法(Grey Wolf Optimizer,GWO),提出了一種基于灰狼算法的網(wǎng)絡(luò)流量預(yù)測(cè)參數(shù)優(yōu)化方法,該方法利用GWO算法對(duì)基于局部投影降噪和雙環(huán)儲(chǔ)備池結(jié)構(gòu)ESN的網(wǎng)絡(luò)流量預(yù)測(cè)方法中的參數(shù)進(jìn)行迭代優(yōu)化,自適應(yīng)地選取最優(yōu)參數(shù),提高了預(yù)測(cè)方法對(duì)于網(wǎng)絡(luò)流量預(yù)測(cè)任務(wù)的自適應(yīng)能力,避免了經(jīng)驗(yàn)選擇的局限性。仿真實(shí)驗(yàn)表明,經(jīng)過(guò)GWO尋優(yōu)后的參數(shù)更加適用于網(wǎng)絡(luò)流量預(yù)測(cè)任務(wù),提高預(yù)測(cè)準(zhǔn)確度。
【學(xué)位單位】：南京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類(lèi)】：TP393.06
【部分圖文】：

大學(xué)碩士研究生學(xué)位論文 第一會(huì)對(duì) ESN 預(yù)測(cè)模型的預(yù)測(cè)效果帶來(lái)不利影響；最后，ESN 雖然結(jié)構(gòu)較為簡(jiǎn)著影響預(yù)測(cè)性能的關(guān)鍵參數(shù)，依靠經(jīng)驗(yàn)選擇的參數(shù)會(huì)存在一定局限性，并流量預(yù)測(cè)任務(wù)。針對(duì)上述問(wèn)題，本文的研究?jī)?nèi)容主要包括三個(gè)方面：ESN絡(luò)流量的預(yù)處理以及預(yù)測(cè)方法中關(guān)鍵參數(shù)的選擇。備池結(jié)構(gòu)N 模仿大腦中遞歸連接的神經(jīng)元結(jié)構(gòu)，由輸入層、儲(chǔ)備池和輸出層三部分構(gòu)1.1 所示。

（Multiple Loop Reservoir Structure, MLRS）ESN 的網(wǎng)絡(luò)流量預(yù)測(cè)方法（ESN-MLRS）。該方法避免了傳統(tǒng) ESN 所產(chǎn)生的儲(chǔ)備池的隨機(jī)性，提高了流量預(yù)測(cè)效率，同時(shí)與單環(huán)儲(chǔ)備池結(jié)構(gòu)相比，加強(qiáng)了儲(chǔ)備池內(nèi)神經(jīng)元的連接度，優(yōu)化了儲(chǔ)備池結(jié)構(gòu)，提高了 ESN 對(duì)網(wǎng)絡(luò)流量數(shù)據(jù)的非線性刻畫(huà)能力。本章將 ESN-MLRS 應(yīng)用到實(shí)際的網(wǎng)絡(luò)流量預(yù)測(cè)任務(wù)中，針對(duì) ESN-MLRS的多環(huán)神經(jīng)元間隔與環(huán)數(shù)等參數(shù)進(jìn)行仿真，分析了其對(duì)預(yù)測(cè)誤差的影響。然后，針對(duì) BP 神經(jīng)網(wǎng)絡(luò)、經(jīng)典 ESN、ESN-MLRS 進(jìn)行了實(shí)時(shí)性分析。最后，本章針對(duì)不同預(yù)測(cè)步長(zhǎng)，比較分析了ESN-MLRS與長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory, LSTM）[69]，前饋神經(jīng)網(wǎng)絡(luò)（BackPropagation, BP）[70]、經(jīng)典 ESN、SCR、ALR 的預(yù)測(cè)效果。3.1 ESN-MLRS 整體框架本節(jié)提出一種基于多環(huán)儲(chǔ)備池結(jié)構(gòu) ESN 的網(wǎng)絡(luò)流量預(yù)測(cè)方法，以雙環(huán)儲(chǔ)備池結(jié)構(gòu) ESN為例，整體框架如圖 3.1 所示。

21(b)數(shù)據(jù)集 B圖 3.2 網(wǎng)絡(luò)流量樣本數(shù)據(jù)于傳統(tǒng) ESN、SCR、ALR 和 ESN-MLRS，根據(jù)經(jīng)驗(yàn)設(shè)置各項(xiàng)參數(shù)：儲(chǔ)備池譜8，儲(chǔ)備池神經(jīng)元均采用 tanh 傳輸函數(shù)，輸出神經(jīng)元均采用恒等變換函數(shù)，無(wú)，具體實(shí)驗(yàn)參數(shù)設(shè)置如表 3.1 所示。其中，ESN-MLRS 的儲(chǔ)備池連接矩陣W產(chǎn)生，輸入連接矩陣inW 中所有非零權(quán)值與儲(chǔ)備池連接矩陣中非零權(quán)值r 相同于數(shù)據(jù)集 A 和數(shù)據(jù)集 B，一半的數(shù)據(jù)點(diǎn)作為訓(xùn)練集，另一半的數(shù)據(jù)點(diǎn)作為測(cè)試了評(píng)估預(yù)測(cè)性能，我們采用標(biāo)準(zhǔn)均方誤差（Normalized Mean Squared Error, N測(cè)精度，即
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 林振榮;黎嘉誠(chéng);楊冬芹;伍軍云;;改進(jìn)微分進(jìn)化和小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)[J];計(jì)算機(jī)工程與設(shè)計(jì);2019年12期

2 李巧俠;;基于組合模型的網(wǎng)絡(luò)流量預(yù)測(cè)[J];微型電腦應(yīng)用;2018年08期

3 王雪松;;改進(jìn)支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測(cè)[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2017年03期

4 丁春莉;李林森;;和聲搜索算法優(yōu)化支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測(cè)[J];微型電腦應(yīng)用;2017年01期

5 陳南岳;湯永斌;岳淼;滕云;;一種網(wǎng)絡(luò)流量預(yù)測(cè)模型的研究[J];科技通報(bào);2017年07期

6 張濤;唐華;張?zhí)鹛?;網(wǎng)絡(luò)流量預(yù)測(cè)算法仿真分析[J];計(jì)算機(jī)仿真;2016年09期

7 盧振利;;相空間重構(gòu)和正則極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)流量預(yù)測(cè)[J];激光雜志;2015年01期

8 張大衛(wèi);李海雁;;基于相空間重構(gòu)雙參數(shù)聯(lián)合估計(jì)的網(wǎng)絡(luò)流量預(yù)測(cè)[J];計(jì)算機(jī)與數(shù)字工程;2014年09期

9 趙偉;;一種改進(jìn)的網(wǎng)絡(luò)流量預(yù)測(cè)模型研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2013年04期

10 章治;;組合神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)研究[J];微電子學(xué)與計(jì)算機(jī);2012年03期

相關(guān)博士學(xué)位論文 前2條

1 孫曉川;未來(lái)網(wǎng)絡(luò)虛擬化資源管理機(jī)制研究[D];北京郵電大學(xué);2013年

2 于青;基于混沌時(shí)間序列預(yù)測(cè)的主動(dòng)型入侵防御系統(tǒng)研究[D];天津大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 吳騰;面向數(shù)據(jù)挖掘的網(wǎng)絡(luò)流量預(yù)測(cè)及業(yè)務(wù)識(shí)別算法研究[D];重慶郵電大學(xué);2019年

2 黎嘉誠(chéng);基于小波神經(jīng)網(wǎng)絡(luò)的校園網(wǎng)絡(luò)流量預(yù)測(cè)研究[D];南昌大學(xué);2019年

3 曹淑琳;基于深度學(xué)習(xí)的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)[D];西安電子科技大學(xué);2019年

4 楊欣顏;基于改進(jìn)ESN的網(wǎng)絡(luò)流量預(yù)測(cè)方法研究[D];南京郵電大學(xué);2019年

5 楊興;基于Kafka監(jiān)測(cè)系統(tǒng)的網(wǎng)絡(luò)流量預(yù)測(cè)和異常檢測(cè)[D];北京郵電大學(xué);2019年

6 師圣蔓;基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)流量預(yù)測(cè)與應(yīng)用研究[D];北京郵電大學(xué);2019年

7 張煥;SDN環(huán)境下基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)模型研究[D];湖南師范大學(xué);2019年

8 姚騫;基于機(jī)器學(xué)習(xí)的SDN網(wǎng)絡(luò)流量預(yù)測(cè)與負(fù)載均衡[D];電子科技大學(xué);2018年

9 邱鍇;轉(zhuǎn)移張量在數(shù)據(jù)中心流量預(yù)測(cè)中的應(yīng)用[D];華中科技大學(xué);2016年

10 姚春萍;基于s變換和壓縮感知的大規(guī)模網(wǎng)絡(luò)流量預(yù)測(cè)與仿真實(shí)現(xiàn)[D];東北大學(xué);2013年

本文編號(hào)：2855370