论文部分内容阅读
随着互联网的迅速发展,互联网应用不断推陈出新,网络系统日益复杂。为了更好的控制网络行为、配置网络资源,应对网络攻击,也为了设计出更合理的互联网系统,就需要对复杂的网络行为进行分析和预测。网络流量的建模与预测对于监测网络行为、保证网络安全有着非常重要的意义。当前的研究表明,网络流量序列呈现出复杂的特性,如自相似性、长相关性、多重分形性等,且传统的网络流量预测方法和模型已经难以刻画日益复杂多变的互联网行为了。论文对网络流量的复杂特性进行了简单的介绍,并从线性模型、非线性模型、组合模型三个角度分析了传统的网络流量预测模型的特点,对比了这些模型的优缺点。机器学习方法中的支持向量回归机算法是进行网络流量预测的重要智能方法,论文先对机器学习和支持向量回归机预测方法进行了简单的介绍,然后提出了两种基于它的改进模型。针对支持向量回归机预测模型的参数选择方法上的不足,将一种新颖高效的智能搜索算法-全局人工鱼群算法运用于支持向量回归机的参数择优过程中,选择出使支持向量回归机的预测效果最好的一组参数,建立预测模型,并将这种模型运用于网络流量预测当中。仿真实验表明,这种预测模型与其它两类通过优化支持向量回归机的参数择优过程的改进模型相比,预测精度高,且稳定性强。针对网络流量序列既具有短相关性,又具有长相关性的特点,先使用小波将原始序列解成两个子序列,使用在短相关领域表现良好的ARMA模型对原始序列的短相关的部分进行建模和预测,再使用在长相关领域表现良好的SVR模型对原始序列的长相关部分进行建模和预测,然后将两部分的预测结果融合,得到最终的预测结果,并将这种模型运用于网络流量预测当中。仿真实验表明,这种组合模型与单独的两个预测模型相比,预测效果好。