基于平衡迭代规约层次聚类的无线传感器网络流量异常检测方案

针对现有网络流量异常检测方法不适用于实时无线传感器网络(WSN)检测环境、缺乏合理异常判决机制的问题,该文提出一种基于平衡迭代规约层次聚类(BIRCH)的WSN流量异常检测方案.该方案在扩充流量特征维度的基础上,利用BIRCH算法对流量特征进行聚类,通过设计动态簇阈值和邻居簇序号优化BIRCH聚类过程,以提高算法的聚类...     

一种平滑的可变步长算法

本文从长时相关性(LRD)和突发性两个方面,阐明图像组(GOP)时间尺度上的流量能够体现原有视频帧序列的流量特性。并在固定步长自适应算法(FSSA)和可变步长自适应算法(VSSA)的基础上提出了一种新的平滑的可变步长自适应算法(S-VSSA),这种算法可以在GOP所表示的大时间尺度上预测MPEG-4视频流量。仿真实验结果显示:该算法收敛速度快,预测误差低,可以明显改善预测性能。     

结合状态指示和流量预测的GPON DBA算法

提出了一种支持多业务的结合上行物理层开销Ind域状态指示与流量预测的GPON动态带宽分配算法.该算法由光线路终端(OLT)设备通过检测上行流物理层开销Ind字段,判断各光网络单元(ONU)缓存中数据的有无,在此基础上根据AR模型计算并预测ONU的流量.该算法提高了ONU流量预测的精度,并且采用分组机制减少开销,同时有利于异厂商OLT和ONU设备的互通.仿真结果表明,该算法不仅保证多业务的不同QoS要求,而且具有较高的带宽利用率.     

应用梯度提升树的小区域无线网络多标签流量预测

当前无线网络流量地理分布不均且可用网络资源有限,因而开展拆闲补忙工作极为必要。为合理投放无线网络资源以保证网络性能,提出了一种针对小区域范围的多标签流量预测算法。该算法结合历史流量信息,根据无线用户偏好特性建立多标签流量预测模型,并通过梯度提升树算法得到预测结果。仿真结果表明,相比于广泛应用的移动平均自回归(Autoregressive Integrated Moving Average, ARIMA)和神经网络预测方法,多标签预测模型在对小区域突发性流量的预测上具有很大的优越性。     

无线传感器网络中一种基于流量预测和相关系数的异常检测方法

几种典型的流量预测模型在无线传感器网络入侵检测系统中的应用进行了分析,结合相关系数,提出了一种异常入侵检测方法.根据WSN节点的预测流量序列和实际流量序列的相关系数变化来进行异常检测.实验结果表明了该方法的有效性,在攻击强度较弱时也具有较高的检测率.     

OSHIARMA预测模型在WSN入侵检测系统中的应用

针对WSN对安全的特殊要求,提出一种基于流量序列的ARMA(2,1)估计方法.新方法通过确定ARMA模型的AR参数可以获得ARMA的流量谱,再与预测值相比较,通过计算机仿真达到对WSN的入侵检测.     

基于隐私保护的WSN路由算法

为了提高无线传感器网络(WSN)的隐私安全保护能力,针对当前的动态路由冲突重整隐私保护路由算法的链路开销过大和输出误码较高等问题,提出一种改进的基于隐私保护的WSN路由算法。首先构建WSN的路由链路信道模型,然后采用时隙调度方法进行隐私保护控制协议设计,结合WSN的能量量化均衡控制实现WSN路由算法优化设计。最后进行仿真测试,结果表明,该路由算法能提高WSN的隐私保护能力,网络输出码元的误码能得到有效抑制,提高数据传输的保真性。     

基于直接序列扩频的WSN通信信道调制算法

无线传感器网络(WSN)通信是无线通信的重要应用领域,WSN通信信道受到码间干扰导致信道均衡度不高,需要进行信道调制提高信道均衡性能,降低误码率。提出一种基于直接序列扩频的WSN通信信道调制算法。进行WSN通信的信道模型构建,采用奈奎斯特码间干扰抑制原理进行波特间隔均衡器设计,对接收信号进行贯序处理,采用直接序列扩频技术实现WSN通信信道优化调制。仿真结果表明,采用该算法进行WSN通信,信道均衡性能较好,输出码元的误比特率较低,在通信质量改善方面比传统方法具有优越性能。     

一种误差可控传输均衡的WSN数据融合算法

如何有效降低WSN(Wiretess Sensor Net work)网内数据传输量,延长WSN的寿命,是WSN领域的研究热点.在分簇WSN基础上,实现了一种误差实时可控的数据融合算法.通过该算法,节点可自行根据近期采集的历史数据实时调整传输阈值,不同节点可保持接近的数据传输率,实现均匀耗电;自适应的阈值可以有效控制数据融合的误差.理论分析与仿真实验表明,该算法能够保证不同节点数据传输的公平性;在数据传输率相同的情况下,其求和查询及均值查询的平均绝对误差均远低于当前优秀的基于伯努利采样的数据融合方法.此算法无需先验知识,在多种WSN应用场景中具有较强的可用性与适应性.     

一种基于最长队列预测的CICQ交换结构调度算法

CICQ(Combined Input Crosspoint Queued)是一种在crossbar交叉点加入少量缓存的交换结构,具有无需内部加速比及分布并行调度的特性。为了自适应网络环境中各种业务流量,提高在非均匀流量下的性能,该文提出了一种基于最长队列预测的高效CICQ交换结构调度算法RR-LQD (Round Robin with Longest Queue Detecting)。RR-LQD算法复杂度为O(1),具有良好的可扩展性;通过预测局部最长队列并尽力为其服务,保持调度中队列长度的均衡,能够适应各种非均匀流量的网络环境。仿真结果表明:在各种均匀和非均匀流量下,RR-LQD算法均能达到100%的吞吐量,并且具有优良的时延性能。该文使用FPGA芯片实现了RR-LQD算法仲裁器,能够满足高速、大容量交换结构的设计需要。     

传感器网络中一种基于一元线性回归模型的空时数据压缩算法

针对传感器网络中节点采样数据的空间和时间冗余特点以及节能要求,该文提出了一种基于一元线性回归模型的空时数据压缩算法ODLRST。ODLRST先在每个节点内进行消除时间冗余的数据压缩,再在节点汇集处对来自不同节点的数据消除空间冗余以进一步压缩数据。仿真实验证明,ODLRST能够极大地减少节点发送的数据量和网络中的通信流量,节省并平衡网络中的能量消耗。     

基于卡尔曼滤波和小波的网络流量预测算法研究

流量预测是流量工程,拥塞控制和网络管理的核心问题。该文针对网络流量的特点,将卡尔曼滤波和小波分析混合的预测算法引入到网络流量预测领域中,对其进行了理论证明。仿真结果表明,该算法与传统的算法相比,具有较高的预测精度和较好的实时性与广谱性。     

基于深度学习的车联边缘网络交通事故风险预测算法研究

针对传统交通事故风险预测算法无法自动判别数据特征,且模型表达能力差等问题。该文提出一种基于深度学习的车联边缘网络交通事故风险预测算法,该算法首先针对车载自组织网络中采集的大量交通数据,采用边缘服务器中建立的卷积神经网络自主提取多维特征,经归一化、去均值等预处理后,再将得到的新变量输入卷积层、采样层进行训练,最后根据全连接层输出的判别值,得到模拟预测交通事故发生的风险性。仿真结果表明,该算法被验证能够预测交通事故发生的风险性,较传统的机器学习算法BP神经网络、逻辑回归具有更低的损失与更高的预测准确度。     

Network traffic prediction method based on wavelet transform and multiple models fusion

Accurate prediction of network traffic is an important premise in network management and congestion control. In order to improve the prediction accuracy of network traffic, a prediction method based on wavelet transform and multiple models fusion is presented. Mallat wavelet transform algorithm is used to decompose and reconstruct the network traffic time series. The approximate and detailed components of the original network traffic can be obtained. The characteristics of approximate components and detail components are analyzed by Hurst exponent. Then, according to the different characteristics of the components, autoregressive integrated moving average model (ARIMA) is chosen as the prediction model for the approximate component. Least squares support vector machine (LSSVM) is used to predict detail component. Meanwhile, an improved particle swarm optimization (PSO) algorithm is proposed to optimize the parameters of the LSSVM model. Gauss‐Markov estimation algorithm is adapted to fuse the predicted values of multiple prediction models. The variance of fusion prediction error is smaller than that of single prediction model, and the prediction accuracy is improved. Two actual datasets of network traffic are studied. Compared with other state‐of‐the‐art models, the case study results indicate that the proposed prediction method has a better prediction effect.     

基于混沌理论与改进回声状态网络的网络流量多步预测

网络流量预测是网络管理及网络拥塞控制的重要问题,针对该问题提出一种基于混沌理论与改进回声状态网络的网络流量预测方法。首先利用0-1混沌测试法与最大Lyapunov指数法对不同时间尺度下的网络流量样本数据进行分析,确定网络流量在不同时间尺度下都具有混沌特性。将相空间重构技术引入网络流量预测,通过C-C方法确定延迟时间,G-P算法确定嵌入维数。对网络流量时间序列进行相空间重构之后,利用一种改进的回声状态网络进行网络流量的多步预测。提出一种改进的和声搜索优化算法对回声状态网络的相关参数进行优化以提高预测精度。利用网络流量的公共数据集以及实际数据进行了仿真,结果表明,提出的预测方法具有更高的预测精度以及更小的预测误差。     

无线传感器网络时间序列流量预估算法

提出了一种专用于无线传感器网络流量预估的时间序列模型ATFA/WSN。ATFA/WSN可对未来工作周期内的网络流量进行预估,并根据预估值实现对网络路由、占空比、能耗等的自适应控制。对采集的流量数据经过NS2仿真实验进行预估并和原始流量对比,发现该模型预估的流量和原始值偏差很小,将其应用于SMAC协议的自适应占空比控制,取得了较好的节能效果。     

遗传算法优化支持向量机的交通流量预测

交通流量预测是智能交通系统中的关键技术,针对当前交通流量预测模型存在不足,提出一种遗传算法优化支持向量机的交通流量预测模型。首先收集交通流量历史数据,并基于混沌理想对其进行相空间重构,然后将训练样本输入到支持向量机中进行学习,并采用遗传算法优化支持向量机参数,建立交通流量预测模型,最后采用测试样本对模型的性能进行测试。结果表明,相对于经典交通流量预测模型,本文模型可以更加准确描述交通流量预测复杂的变化趋势,提高了交通流量的单步和多步预测精度。     

基于FARIMA-GARCH模型的网络业务预测算法

网络流量的波动性与自相似特性为其精确预测提出了挑战。为此,提出了一种基于FARIMA-GARCH模型的预测算法。该算法首先利用分段双向CUSUM检测算法对流量序列的均值进行有效检测,并在此基础上将序列零均值化;然后采用限定搜索法对分数差分阶数进行精确估计;在获得模型参数后,使用FARIMA-GARCH模型对网络流量进行预测。仿真实验表明,限定搜索法能够获得比传统算法更高的估计精度。随后采用真实网络流量验证了预测算法的性能,在保持与FARIMA预测算法等价的时间复杂度下,其均方根和相对均方根误差与RBF神经网络预测算法相当,而高于FARIMA预测算法。同时,预测算法对突发流量的跟踪和预测性能明显优于对比算法,且有更好的区间估计性能。     

Network traffic prediction method based on improved ABC algorithm optimized EM-ELM

In order to overcome the poor generalization ability and low accuracy of traditional network traffic prediction methods, a prediction method based on improved artificial bee colony (ABC) algorithm optimized error minimized extreme learning machine (EM-ELM) is proposed. EM-ELM has good generalization ability. But many useless neurons in EM-ELM have little influences on the final network output, and reduce the efficiency of the algorithm. Based on the EM-ELM, an improved ABC algorithm is introduced to optimize the parameters of the hidden layer nodes, decrease the number of useless neurons. Network complexity is reduced. The efficiency of the algorithm is improved. The stability and convergence property of the proposed prediction method are proved. The proposed prediction method is used in the prediction of network traffic. In the simulation, the actual collected network traffic is used as the research object. Compared with other prediction methods, the simulation results show that the proposed prediction method reduces the training time of the prediction model, decreases the number of hidden layer nodes. The proposed prediction method has higher prediction accuracy and reliable performance. At the same time, the performance indicators are improved.