隨著信息技術(shù)的進步,IP骨干網(wǎng)絡規(guī)模急劇擴大,網(wǎng)絡結(jié)構(gòu)也越來越復雜,網(wǎng)絡流量預測成為一個重要的研究課題。由于網(wǎng)絡規(guī)模的擴大及現(xiàn)代網(wǎng)絡中用戶的飛速增長,網(wǎng)絡擁塞或過載的情況時有發(fā)生,因此對網(wǎng)絡流量進行實時預測對于網(wǎng)絡的高效運行、網(wǎng)絡資源分配和網(wǎng)絡規(guī)劃等具有重要意義。近年來,網(wǎng)絡流量預測在實際應用中的重要性越來越受到人工智能研究領(lǐng)域的關(guān)注,長短時記憶神經(jīng)網(wǎng)絡LSTM（Long-term and Shor-term Memory Network,LSTM）由于能夠處理時間序列之間的長短程依賴關(guān)系,已成為主流的網(wǎng)絡流量預測方法之一,但是將LSTM模型應用到網(wǎng)絡流量實時預測時,存在模型參數(shù)量過大、計算成本過高,容易導致模型過擬合等問題,這在具有嚴格等待時間要求的網(wǎng)絡流量預測任務中是不能容忍的;另一方面,現(xiàn)有LSTM模型單從網(wǎng)絡流量相關(guān)性特征進行建模,忽略了網(wǎng)絡結(jié)構(gòu)中路由器節(jié)點空間相關(guān)性的考慮,因此對網(wǎng)絡流量進行實時、準確的預測模型建模,還存在一定的挑戰(zhàn)。本文基于深度學習技術(shù)設計了兩種不同的輕量級IP骨干網(wǎng)絡流量實時預測神經(jīng)網(wǎng)絡算法,主要研究內(nèi)容和創(chuàng)新點如下:針對LSTM模型應用于網(wǎng)絡流量實時預測... 

【文章來源】：南京郵電大學江蘇省

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

018年中國網(wǎng)民規(guī)模和互聯(lián)網(wǎng)普及率

南京郵電大學專業(yè)學位碩士研究生學位論文第一章緒論5絡，或者三種網(wǎng)絡的組合體。深度神經(jīng)網(wǎng)絡一般可以分為三層，通常是包括輸入層，隱藏層和輸出層，如圖1.2所示，根據(jù)整個網(wǎng)絡來設計神經(jīng)網(wǎng)絡每層中神經(jīng)元的個數(shù)。深度神經(jīng)網(wǎng)絡模型預測的基本步驟主要包括三步，第一步是根據(jù)數(shù)據(jù)的實際情況設計整體網(wǎng)絡結(jié)構(gòu)，第二部則通過輸入一些已有數(shù)據(jù)對模型進行訓練，讓深度神經(jīng)網(wǎng)絡學習并擬合數(shù)據(jù)，確定諸如網(wǎng)絡的層數(shù)和傳遞函數(shù)之類的參數(shù)，最后，訓練成功的模型經(jīng)過測試后將該模型用于真實數(shù)據(jù)的預測。在1980年代后期，Lapedes和Farber首次應用人工神經(jīng)網(wǎng)絡進行預測，為人工神經(jīng)網(wǎng)絡預測數(shù)據(jù)開創(chuàng)了先例。后來，越來越多來自世界各地的研究人員和工程師開始使用人工神經(jīng)網(wǎng)絡來模擬和預測時間序列，在取得令人滿意的結(jié)果之后，神經(jīng)網(wǎng)絡被逐步應用于非線性數(shù)據(jù)處理領(lǐng)域，如工業(yè)工程和經(jīng)濟學等[29][30]。研究人員對模型預測精度的要求越來越高，隨著對深度學習技術(shù)的不斷深入研究，非線性預測技術(shù)的應用研究可以帶來非常準確的預測結(jié)果，因此越來越受歡迎[31]，有一些學者在研究中發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡由于很容易陷入局部最優(yōu)的困境中，因此建議逐漸增加訓練數(shù)據(jù)量等其他方法來解決[32]。隨著深度神經(jīng)網(wǎng)絡和深度學習技術(shù)的蓬勃發(fā)展，研究人員開始使用深度學習技術(shù)來預測，循環(huán)神經(jīng)網(wǎng)絡（RecurrentNeuralNetwork，RNN）由于其隱藏層結(jié)構(gòu)中的時序和記憶單元特性所致，該模型十分適用于某些預測場景。RNN的記憶性質(zhì)，使得該神經(jīng)網(wǎng)絡模型能夠記憶歷史數(shù)據(jù)的影響，并且可以很好地顯示數(shù)據(jù)之間的相關(guān)關(guān)系。在語音識別和文本預測方面已經(jīng)有了很好的研究成果[33][34]。然而循環(huán)神經(jīng)網(wǎng)絡存在梯度消失和梯度爆炸的問題[35]，也就是說在一些長相關(guān)預測的場景中，RNN

南京郵電大學專業(yè)學位碩士研究生學位論文第二章課題研究基礎9第二章課題研究基礎對于網(wǎng)絡流量的預測和建模問題，我們必須首先明確解釋網(wǎng)絡流量的重要特征，以便能夠盡可能設計出合適的數(shù)學模型，該類模型應具備結(jié)構(gòu)簡單、計算成本相對較少的的優(yōu)點，并且可完整地描述和解釋這些特征，因此對IP骨干網(wǎng)絡流量的顯著特征進行詳細分析是非常必要的。通常網(wǎng)絡流量的最重要特征是時間相關(guān)性[38]，以及與網(wǎng)絡拓撲結(jié)構(gòu)中路由節(jié)點相關(guān)的空間相關(guān)性。因此，本章將詳細介紹網(wǎng)絡流量的時間相關(guān)性和空間相關(guān)性，然后闡述將在本文中使用到的循環(huán)神經(jīng)網(wǎng)絡的相關(guān)知識，最后考慮網(wǎng)絡結(jié)構(gòu)中路由器節(jié)點的空間關(guān)系，對所涉及到的圖卷積網(wǎng)絡進行討論和介紹。2.1.1網(wǎng)絡流量的時間相關(guān)性網(wǎng)絡流量的時間相關(guān)性早已受到網(wǎng)絡流量領(lǐng)域內(nèi)研究學者的重視，該特性在網(wǎng)絡流量預測領(lǐng)域發(fā)揮了巨大的作用，網(wǎng)絡流量數(shù)據(jù)屬于時間序列類型[39]。由于人們上網(wǎng)行為在時間上具有相關(guān)性，則在時間維度上，網(wǎng)絡流量數(shù)據(jù)也具備了時間相關(guān)性的特點，時間相關(guān)性的特點主要是表現(xiàn)在趨勢和周期性兩個方面。網(wǎng)絡流量數(shù)據(jù)會隨著時間動態(tài)變化，如圖2.1所示為AblieneIP骨干網(wǎng)絡的流量可視圖，從圖中我們可以看出，這些網(wǎng)絡流量數(shù)據(jù)顯示出的痕跡，表示的是2016時隙的數(shù)據(jù)集揭示了一周內(nèi)的流量，這些網(wǎng)絡數(shù)據(jù)隨著時間的變化而動態(tài)變化趨勢.關(guān)于網(wǎng)絡流量時間相關(guān)性的另外一個維度解讀即為網(wǎng)絡流量數(shù)據(jù)的周期性如圖2.2所示。從圖中可以看出網(wǎng)絡流量數(shù)據(jù)顯示出規(guī)則的痕跡，我們可得知IP骨干網(wǎng)絡的流量數(shù)據(jù)具有一定的周期性。圖2.1AblieneIP骨干網(wǎng)絡的流量趨勢可視圖

【參考文獻】：
期刊論文
[1]圖卷積神經(jīng)網(wǎng)絡綜述[J]. 徐冰冰,岑科廷,黃俊杰,沈華偉,程學旗.  計算機學報. 2020(05)
[2]基于兩層遷移卷積神經(jīng)網(wǎng)絡的抽象圖像情感識別[J]. 楊子文,陳蕾,浦建宇.  中國科學技術(shù)大學學報. 2019(01)
[3]高斯過程回歸補償ARIMA的網(wǎng)絡流量預測[J]. 田中大,李樹江,王艷紅,王向東.  北京郵電大學學報. 2017(06)
[4]深度神經(jīng)網(wǎng)絡的發(fā)展現(xiàn)狀[J]. 胡聰叢,胡桓.  電子技術(shù)與軟件工程. 2017(04)
[5]基于改進的BP神經(jīng)網(wǎng)絡的網(wǎng)絡流量預測模型[J]. 江露琪,孫文勝.  通信技術(shù). 2017(01)
[6]Minimal Gated Unit for Recurrent Neural Networks[J]. Guo-Bing Zhou,Jianxin Wu,Chen-Lin Zhang,Zhi-Hua Zhou.  International Journal of Automation and Computing. 2016(03)
[7]基于MCC的網(wǎng)絡流量預測方法（英文）[J]. 曲樺,馬文濤,趙季紅,王濤.  中國通信. 2013(01)
[8]Internet——一個開放的復雜巨系統(tǒng)[J]. 戴汝為,操龍兵.  中國科學E輯:技術(shù)科學. 2003(04)

博士論文
[1]基于時間相關(guān)的網(wǎng)絡流量建模與預測研究[D]. 高波.哈爾濱工業(yè)大學 2013

碩士論文
[1]基于回歸神經(jīng)網(wǎng)絡的動態(tài)流量預測模型及應用[D]. 韓憲斌.北京郵電大學 2019
[2]基于機器學習的網(wǎng)絡流量預測與應用研究[D]. 師圣蔓.北京郵電大學 2019
[3]基于時空圖卷積網(wǎng)絡的高速公路流量預測方法研究[D]. 馮寧.北京交通大學 2019
[4]基于時間序列模型的網(wǎng)絡流量預測研究[D]. 朱苗苗.西安工程大學 2017



本文編號：3268636