论文部分内容阅读
随着互联网的飞速发展,网络服务提供商和网络用户的规模不断增长,互联网已深刻的变革了大众的生产和生活方式。互联网发展的同时也带来了对网络服务质量及可管理性可维护性的更大挑战。网络时延不仅是衡量网络性能的重要指标,也是影响用户网络使用体验的重要因素。对于网络时延的预管理与控制在维护网络状态、动态带宽分配、提高用户体验等方面具有十分重要的意义。本文基于IVCE平台,为满足提高网络时延的预测精度的需求,设计并实现了一种时间序列模型与神经网络模型结合的复合网络时延预测模型。本文的主要研究内容包括:(1)在时间序列分析模型的传统定阶AIC准则的基础上,针对网络时延的自相似性和长相关性做出针对性的改进,提出了一种新的考虑相关度的时间序列定阶准则——AICcc准则。该准则在AIC准则的基础上增加了对模型相关度的考量,相比改进前加强了对网络时延数据变化趋势的拟合准确度,实现了最优模型的拟合准确度、复杂度和相关度三者的统一。在测试数据集上AICcc准则选取的模型与AIC准则相比,MSE平均降低了 6.45%,相关度平均提升了3.0%且没有增加建模时间。该仿真实验验证了本文提出的AICcc准则在提高网络时延预测精度上的可行性。(2)提出了一种基于时间序列模型与神经网络模型结合的网络时延复合预测模型,其中时间序列模型预测时延的长期自相关成分,神经网络模型预测时延的短期波动成分。该复合模型相对单一使用时间序列模型,对数据的随机波动和突发变化具有更好的拟合准确度。根据实验数据,本文提出的复合模型较单独使用时间序列模型在预测误差上减小了 17.4%,说明本文提出的复合模型能更好的挖掘出网络时延变化规律。(3)设计并实现了基于IVCE的网络时延预测模型。模块包含四个功能模块:网络时延测量任务下发模块、时延结果回收模块、时延结果聚合模块和时延结果预测模块,实现了从时延数据获取、数据清洗与格式化、按照指定条件聚合数据、建立预测模型和分析建模性能一系列功能。本文在四种不同场景下预测网络时延并进行结果分析,相对于一般的时间序列模型本文设计的模型RMSE降低了10%到30%,相关度提高了 0.1到0.2。可认为本文提出的模型有效提高了对网络时延数据预测的准确度和相关度。