隨著信息技術(shù)的進(jìn)步,IP骨干網(wǎng)絡(luò)規(guī)模急劇擴(kuò)大,網(wǎng)絡(luò)結(jié)構(gòu)也越來(lái)越復(fù)雜,網(wǎng)絡(luò)流量預(yù)測(cè)成為一個(gè)重要的研究課題。由于網(wǎng)絡(luò)規(guī)模的擴(kuò)大及現(xiàn)代網(wǎng)絡(luò)中用戶的飛速增長(zhǎng),網(wǎng)絡(luò)擁塞或過(guò)載的情況時(shí)有發(fā)生,因此對(duì)網(wǎng)絡(luò)流量進(jìn)行實(shí)時(shí)預(yù)測(cè)對(duì)于網(wǎng)絡(luò)的高效運(yùn)行、網(wǎng)絡(luò)資源分配和網(wǎng)絡(luò)規(guī)劃等具有重要意義。近年來(lái),網(wǎng)絡(luò)流量預(yù)測(cè)在實(shí)際應(yīng)用中的重要性越來(lái)越受到人工智能研究領(lǐng)域的關(guān)注,長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)LSTM（Long-term and Shor-term Memory Network,LSTM）由于能夠處理時(shí)間序列之間的長(zhǎng)短程依賴關(guān)系,已成為主流的網(wǎng)絡(luò)流量預(yù)測(cè)方法之一,但是將LSTM模型應(yīng)用到網(wǎng)絡(luò)流量實(shí)時(shí)預(yù)測(cè)時(shí),存在模型參數(shù)量過(guò)大、計(jì)算成本過(guò)高,容易導(dǎo)致模型過(guò)擬合等問(wèn)題,這在具有嚴(yán)格等待時(shí)間要求的網(wǎng)絡(luò)流量預(yù)測(cè)任務(wù)中是不能容忍的;另一方面,現(xiàn)有LSTM模型單從網(wǎng)絡(luò)流量相關(guān)性特征進(jìn)行建模,忽略了網(wǎng)絡(luò)結(jié)構(gòu)中路由器節(jié)點(diǎn)空間相關(guān)性的考慮,因此對(duì)網(wǎng)絡(luò)流量進(jìn)行實(shí)時(shí)、準(zhǔn)確的預(yù)測(cè)模型建模,還存在一定的挑戰(zhàn)。本文基于深度學(xué)習(xí)技術(shù)設(shè)計(jì)了兩種不同的輕量級(jí)IP骨干網(wǎng)絡(luò)流量實(shí)時(shí)預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)算法,主要研究?jī)?nèi)容和創(chuàng)新點(diǎn)如下:針對(duì)LSTM模型應(yīng)用于網(wǎng)絡(luò)流量實(shí)時(shí)預(yù)測(cè)... 

【文章來(lái)源】：南京郵電大學(xué)江蘇省

【文章頁(yè)數(shù)】：72 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

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

南京郵電大學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文第一章緒論5絡(luò)，或者三種網(wǎng)絡(luò)的組合體。深度神經(jīng)網(wǎng)絡(luò)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(gè)網(wǎng)絡(luò)來(lái)設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)每層中神經(jīng)元的個(gè)數(shù)。深度神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的基本步驟主要包括三步，第一步是根據(jù)數(shù)據(jù)的實(shí)際情況設(shè)計(jì)整體網(wǎng)絡(luò)結(jié)構(gòu)，第二部則通過(guò)輸入一些已有數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，讓深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)并擬合數(shù)據(jù)，確定諸如網(wǎng)絡(luò)的層數(shù)和傳遞函數(shù)之類的參數(shù)，最后，訓(xùn)練成功的模型經(jīng)過(guò)測(cè)試后將該模型用于真實(shí)數(shù)據(jù)的預(yù)測(cè)。在1980年代后期，Lapedes和Farber首次應(yīng)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，為人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)數(shù)據(jù)開(kāi)創(chuàng)了先例。后來(lái)，越來(lái)越多來(lái)自世界各地的研究人員和工程師開(kāi)始使用人工神經(jīng)網(wǎng)絡(luò)來(lái)模擬和預(yù)測(cè)時(shí)間序列，在取得令人滿意的結(jié)果之后，神經(jīng)網(wǎng)絡(luò)被逐步應(yīng)用于非線性數(shù)據(jù)處理領(lǐng)域，如工業(yè)工程和經(jīng)濟(jì)學(xué)等[29][30]。研究人員對(duì)模型預(yù)測(cè)精度的要求越來(lái)越高，隨著對(duì)深度學(xué)習(xí)技術(shù)的不斷深入研究，非線性預(yù)測(cè)技術(shù)的應(yīng)用研究可以帶來(lái)非常準(zhǔn)確的預(yù)測(cè)結(jié)果，因此越來(lái)越受歡迎[31]，有一些學(xué)者在研究中發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)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(xùn)練數(shù)據(jù)量等其他方法來(lái)解決[32]。隨著深度神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)技術(shù)的蓬勃發(fā)展，研究人員開(kāi)始使用深度學(xué)習(xí)技術(shù)來(lái)預(yù)測(cè)，循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork，RNN）由于其隱藏層結(jié)構(gòu)中的時(shí)序和記憶單元特性所致，該模型十分適用于某些預(yù)測(cè)場(chǎng)景。RNN的記憶性質(zhì)，使得該神經(jīng)網(wǎng)絡(luò)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(yǔ)音識(shí)別和文本預(yù)測(cè)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(luò)存在梯度消失和梯度爆炸的問(wèn)題[35]，也就是說(shuō)在一些長(zhǎng)相關(guān)預(yù)測(cè)的場(chǎng)景中，RNN

南京郵電大學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文第二章課題研究基礎(chǔ)9第二章課題研究基礎(chǔ)對(duì)于網(wǎng)絡(luò)流量的預(yù)測(cè)和建模問(wèn)題，我們必須首先明確解釋網(wǎng)絡(luò)流量的重要特征，以便能夠盡可能設(shè)計(jì)出合適的數(shù)學(xué)模型，該類模型應(yīng)具備結(jié)構(gòu)簡(jiǎn)單、計(jì)算成本相對(duì)較少的的優(yōu)點(diǎn)，并且可完整地描述和解釋這些特征，因此對(duì)IP骨干網(wǎng)絡(luò)流量的顯著特征進(jìn)行詳細(xì)分析是非常必要的。通常網(wǎng)絡(luò)流量的最重要特征是時(shí)間相關(guān)性[38]，以及與網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中路由節(jié)點(diǎn)相關(guān)的空間相關(guān)性。因此，本章將詳細(xì)介紹網(wǎng)絡(luò)流量的時(shí)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(luò)的相關(guān)知識(shí)，最后考慮網(wǎng)絡(luò)結(jié)構(gòu)中路由器節(jié)點(diǎn)的空間關(guān)系，對(duì)所涉及到的圖卷積網(wǎng)絡(luò)進(jìn)行討論和介紹。2.1.1網(wǎng)絡(luò)流量的時(shí)間相關(guān)性網(wǎng)絡(luò)流量的時(shí)間相關(guān)性早已受到網(wǎng)絡(luò)流量領(lǐng)域內(nèi)研究學(xué)者的重視，該特性在網(wǎng)絡(luò)流量預(yù)測(cè)領(lǐng)域發(fā)揮了巨大的作用，網(wǎng)絡(luò)流量數(shù)據(jù)屬于時(shí)間序列類型[39]。由于人們上網(wǎng)行為在時(shí)間上具有相關(guān)性，則在時(shí)間維度上，網(wǎng)絡(luò)流量數(shù)據(jù)也具備了時(shí)間相關(guān)性的特點(diǎn)，時(shí)間相關(guān)性的特點(diǎn)主要是表現(xiàn)在趨勢(shì)和周期性兩個(gè)方面。網(wǎng)絡(luò)流量數(shù)據(jù)會(huì)隨著時(shí)間動(dòng)態(tài)變化，如圖2.1所示為AblieneIP骨干網(wǎng)絡(luò)的流量可視圖，從圖中我們可以看出，這些網(wǎng)絡(luò)流量數(shù)據(jù)顯示出的痕跡，表示的是2016時(shí)隙的數(shù)據(jù)集揭示了一周內(nèi)的流量，這些網(wǎng)絡(luò)數(shù)據(jù)隨著時(shí)間的變化而動(dòng)態(tài)變化趨勢(shì).關(guān)于網(wǎng)絡(luò)流量時(shí)間相關(guān)性的另外一個(gè)維度解讀即為網(wǎng)絡(luò)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(luò)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(luò)的流量數(shù)據(jù)具有一定的周期性。圖2.1AblieneIP骨干網(wǎng)絡(luò)的流量趨勢(shì)可視圖

【參考文獻(xiàn)】：
期刊論文
[1]圖卷積神經(jīng)網(wǎng)絡(luò)綜述[J]. 徐冰冰,岑科廷,黃俊杰,沈華偉,程學(xué)旗.  計(jì)算機(jī)學(xué)報(bào). 2020(05)
[2]基于兩層遷移卷積神經(jīng)網(wǎng)絡(luò)的抽象圖像情感識(shí)別[J]. 楊子文,陳蕾,浦建宇.  中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào). 2019(01)
[3]高斯過(guò)程回歸補(bǔ)償ARIMA的網(wǎng)絡(luò)流量預(yù)測(cè)[J]. 田中大,李樹(shù)江,王艷紅,王向東.  北京郵電大學(xué)學(xué)報(bào). 2017(06)
[4]深度神經(jīng)網(wǎng)絡(luò)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(jìn)的BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)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(luò)流量預(yù)測(cè)方法（英文）[J]. 曲樺,馬文濤,趙季紅,王濤.  中國(guó)通信. 2013(01)
[8]Internet——一個(gè)開(kāi)放的復(fù)雜巨系統(tǒng)[J]. 戴汝為,操龍兵.  中國(guó)科學(xué)E輯:技術(shù)科學(xué). 2003(04)

博士論文
[1]基于時(shí)間相關(guān)的網(wǎng)絡(luò)流量建模與預(yù)測(cè)研究[D]. 高波.哈爾濱工業(yè)大學(xué) 2013

碩士論文
[1]基于回歸神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)流量預(yù)測(cè)模型及應(yīng)用[D]. 韓憲斌.北京郵電大學(xué) 2019
[2]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]. 師圣蔓.北京郵電大學(xué) 2019
[3]基于時(shí)空?qǐng)D卷積網(wǎng)絡(luò)的高速公路流量預(yù)測(cè)方法研究[D]. 馮寧.北京交通大學(xué) 2019
[4]基于時(shí)間序列模型的網(wǎng)絡(luò)流量預(yù)測(cè)研究[D]. 朱苗苗.西安工程大學(xué) 2017



本文編號(hào)：3268636