本文關鍵詞：基于回聲狀態(tài)網(wǎng)絡的網(wǎng)絡流量預測研究

  更多相關文章： 網(wǎng)絡流量預測 回聲狀態(tài)網(wǎng)絡 共生生物搜索 集合經(jīng)驗模態(tài)分解 混沌局部搜索

【摘要】：網(wǎng)絡流量是通過網(wǎng)絡所傳輸?shù)臄?shù)據(jù)量。由于網(wǎng)絡流量蘊涵了網(wǎng)絡運行時的關鍵信息,是管理和優(yōu)化網(wǎng)絡的重要基礎數(shù)據(jù),因此對網(wǎng)絡流量的分析與預測十分重要。隨著網(wǎng)絡業(yè)務的不斷豐富,網(wǎng)絡流量也呈現(xiàn)出越來越錯綜復雜的特性。利用網(wǎng)絡流量預測模型,可以幫助人們提前感知網(wǎng)絡未來的態(tài)勢,這對于網(wǎng)絡規(guī)劃、資源配置和網(wǎng)絡安全等關鍵技術的發(fā)展具有深遠的影響。如何建立一個既高效又準確的模型來預測網(wǎng)絡流量已經(jīng)成為了一個具有挑戰(zhàn)性的研究熱點。作為一種廣受關注的新型遞歸人工神經(jīng)網(wǎng)絡,回聲狀態(tài)網(wǎng)絡(Echo State Network,ESN)具有計算高效且易于使用的優(yōu)勢。此外,由于ESN使用了儲備池計算框架,具備動態(tài)記憶能力,因此特別適合處理時間相關的建模問題,并且已經(jīng)被成功地應用在各種時間序列預測工程實踐中。而歷史網(wǎng)絡流量記錄可以看作時間序列數(shù)據(jù),對網(wǎng)絡流量的預測也可以看作一個標準的時間序列預測問題,因此可以使用ESN模型對其進行建模分析。但是,由于現(xiàn)代網(wǎng)絡流量具有自相似、長程相關和多重分形等復雜的多尺度特性,而標準的ESN模型不能有效識別網(wǎng)絡流量中的多尺度特性,因此會導致預測精度上的損失。本文通過改進共生生物搜索(Symbiotic Organisms Search,SOS)算法,結合集合經(jīng)驗模態(tài)分解(Ensemble Empirical Mode Decomposition,EEMD)算法,提出了一種基于ESN的網(wǎng)絡流量預測模型。使用集合經(jīng)驗模態(tài)分解算法依據(jù)網(wǎng)絡流量的多尺度特性將數(shù)據(jù)進行模態(tài)分解,分離出的高頻信號和重構數(shù)據(jù)作為ESN的輸入,并使用本文提出的混沌局部共生生物搜索算法C-SOS對ESN模型的輸入權值進行優(yōu)化。本文將所提模型運用在兩個真實數(shù)據(jù)集上進行網(wǎng)絡流量預測。實驗結果表明,該模型相對于其它模型具有較高的預測精度,是一種有效的網(wǎng)絡流量預測模型。
【關鍵詞】：網(wǎng)絡流量預測 回聲狀態(tài)網(wǎng)絡 共生生物搜索 集合經(jīng)驗模態(tài)分解 混沌局部搜索
【學位授予單位】：蘭州大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP393.06
【目錄】：

• 摘要3-4
• Abstract4-7
• 第一章 緒論7-11
• 1.1 研究背景及意義7
• 1.2 國內(nèi)外研究現(xiàn)狀7-9
• 1.3 本文的研究內(nèi)容9
• 1.4 論文的組織結構9-11
• 第二章 網(wǎng)絡流量的特性與預測模型11-19
• 2.1 網(wǎng)絡流量的特性11-13
• 2.1.1 網(wǎng)絡流量的自相似性11-12
• 2.1.2 網(wǎng)絡流量的長程相關性12
• 2.1.3 網(wǎng)絡流量的多重分形性12-13
• 2.2 網(wǎng)絡流量預測模型13-19
• 2.2.1 結合信號分析技術的混合模型13-14
• 2.2.2 支持向量回歸模型14-15
• 2.2.3 神經(jīng)網(wǎng)絡模型15-19
• 第三章 SOS算法基本原理及其改進19-29
• 3.1 SOS算法19-22
• 3.2 混沌理論22-24
• 3.3 C-SOS算法24-25
• 3.4 實驗仿真及結果分析25-29
• 第四章 基于ESN的網(wǎng)絡流量預測模型29-45
• 4.1 EEMD29-30
• 4.2 ESN30-33
• 4.2.1 ESN的結構30-31
• 4.2.2 ESN的訓練過程31-32
• 4.2.3 ESN的性能分析32-33
• 4.3 EC-SOS-ESN模型33-34
• 4.4 實驗仿真及結果分析34-45
• 4.4.1 模型評價標準35-36
• 4.4.2 模型輸入確定36-37
• 4.4.3 模型參數(shù)確定37-38
• 4.4.4 實驗結果分析38-45
• 第五章 總結及展望45-47
• 5.1 總結45-46
• 5.2 展望46-47
• 參考文獻47-50
• 在學期間研究成果50-51
• 致謝51

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 陳振偉;王茜;黃繼紅;;基于多神經(jīng)網(wǎng)絡的網(wǎng)絡流量預測模型[J];計算機安全;2010年12期

2 于靜;王輝;;基于組合模型的網(wǎng)絡流量預測[J];計算機工程與應用;2013年08期

3 葉苗;王勇;;基于支持向量回歸學習機的網(wǎng)絡流量預測[J];桂林工學院學報;2007年02期

4 張正本;翟海慶;;基于組合模型的網(wǎng)絡流量預測[J];河南機電高等�？茖W校學報;2008年06期

5 周丹琪;喬國平;張泉方;;基于K-Factor GARMA模型的網(wǎng)絡流量預測[J];江南大學學報(自然科學版);2008年02期

6 姜明;吳春明;張e，

本文編號：541096