论文部分内容阅读
近年来,随着Internet的迅速发展,网络中承载的网络流量迅猛增长,网络流量特性变得越来越复杂,而网络流量信息对于人们的生活所产生的影响也越来越广泛而深远。因此,只有通过有效的手段对网络中的各种业务流量进行统计与分析,才能进一步促进网络管理、网络维护与网络规划等网络操作。由于网络的高速发展,获得Internet中的流量矩阵变得尤为困难,而且通过直接测量的方法获得流量矩阵是不可行的,所以建立一个能够准确、有效地刻画网络流量特性的预测模型,并通过该模型对于网络流量的未来变化趋势进行预测,已成为一种获得流量矩阵的有效途径。针对网络流量预测过程中所遇到的高度病态特性问题,以及网络流量的自相似性、多分形性等流量特性,提出了基于多分形小波模型的网络流量预测模型。多分形小波模型是分形的乘法模型,其边缘是渐近对数正态分布,具有较强的全局分析能力,为流量分析开辟了一个新的途径。多分形小波模型既有小波多尺度的特点,又具有多分形分析的特征,能够有效地处理网络流量中的非线性部分。该预测模型相对于传统的流量预测模型能够更好地描述网络流量的特性,提高了网络流量预测的精度,从而对实际的网络流量进行准确的预测。针对多分形小波模型局部刻画能力差的问题,以及网络流量自身的长相关性、短相关性、时变非平稳性和时空相关性等流量特性,提出了联合自回归模型与反向传播神经网络模型的网络流量预测模型。该预测模型采用小波分解将原始网络流量分解为高频部分和低频部分,对具有非平稳性与短相关性的高频部分采用反向传播神经网络模型来进行预测,对于具有长相关特性的低频部分则采用自回归模型来进行预测,最后合成两个部分的预测结果,得到最终的预测结果,进而对实际的网络流量进行准确的预测。针对多分形小波模型局部刻画能力较差,自回归模型全局把握能力不足,以及反向传播神经网络模型的学习速度慢,并且容易陷入局部次优点等问题,提出了联合灰色模型与高斯白噪声的网络流量预测模型。该预测模型采用小波分解将原始流量数据分解为近似部分和细节部分,对近似部分采用灰色模型来进行预测,对于细节部分则采用高斯白噪声来构造,最后通过两部分的预测结果合成最终的预测结果,从而对实际的网络流量进行准确的预测。