论文部分内容阅读
计算机网络业务流量已被证实是具有自相似性和长相关性的非线性数据。支持向量机(SVM)是以统计学习理论为基础的一种新的机器学习方法,适用于非线性数据的学习与建模,对于具有混沌特性的网络业务数据具有一定的学习能力。因此本文把利用SVM对网络业务进行预测作为研究对象。
采用台湾大学林智仁博士等开发的Libsvm软件包,研究了网络业务数据转化为适用于实时预测的时间序列数据的最佳聚积粒度,为1秒;比较了单步预测和多步预测在网络业务预测上的优劣;分析了各种核函数对网络业务数据建模能力的不同,证实了RBF核函数最优;探讨了组合核函数建模在网络业务预测方面的可行性;将SVM预测机制与其他预测机制进行了对比。
另外,随着多媒体等实时业务的发展,如何保障业务传输的QoS成为人们关注的焦点。准入控制便是保障QoS的方法之一。本文对将SVM预测机制引入准入控制流程的可行性进行了研究,并在仿真环境下将采用SVM预测机制进行的准入控制和无预测的准入进行了对比,展现出预测机制的积极实用意义。
最后,提出在MPLS体系下加入SVM预测机制,从而实现边缘路由器准入控制的可行方案,并提出展望。