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。     

改进的基于时变FARIMA模型和小波变换的网络流量预测算法

网络的流量特性是反映网络实时状态的一个重要特征,对于网络流量的分析、预测一直是该领域的研究热点。传统的基于时间序列模型的方法在计算效率和多尺度分析能力方面存在一定的局限性。本文提出了一种改进的基于小波变换和时变FARIMA模型的流量预测方法,利用小波变换的多尺度分析特性将原有的流量数据进行分解,在使用时变FARIMA模型进行预测,可大大提高算法的执行效率和预测的准确性。最后,本文选取了Bellcore提供的真实的网络流量进行了仿真实验,验证了提出的预测方法的准确性和有效性。     

基于突发分离的自相似网络流量预测

网络流量预测在网络拥塞控制及资源分配中起着至关重要的作用。对于具有自相似性的网络业务流量,由于其存在较强突发,传统预测方法的预测精度普遍较低。本文针对存在高突发的网络流量数据,提出了一种基于数据分离的流量预测方法。在预测步骤前,本方法首先通过控制图将网络流量中难以预测的突发流量进行有效的分离,从而得到突发流量和非突发流量两部分数据。之后分别采用人工神经网络和自适应模板匹配方法实现对非突发流量和突发流量的预测。最后通过对两部分预测结果的合并得到最终的预测结果。基于实际流量数据的实验结果表明:相较于传统流量预测方法,本文所提出的方法具有更高的流量预测精度。      

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。     

一种实时的新型网络性能预警系统

设计了一种基于NetFlow流量分析的实时的新型网络性能预警系统,它主要是利用基于NetFlow协议的高性能数据采集模式并运用统计学和预测学的相关算法,根据对当前网络流量值影响最大的在时间上最临近的流量值,预测下一时刻的流量数据。该系统能根据不同网络运行状态及时准确地预测出网络不同时间段的各种异常情况,有效分析网络运行效率并及时发现瓶颈,为优化网络性能提供了有力依据。     

一种实时的新型网络性能预警系统

设计了一种基于NetFlow流量分析的实时的新型网络性能预警系统，主要是利用基于NetFlow协议的高性能数据采集模式并运用统计学和预测学的相关算法，根据对当前网络流量值影响最大的在时间上最临近的流量值．预测下一时刻的流量数据。该系统能根据不同网络运行状态及时准确的预测出网络不同时间段的各种异常情况。有效分析网络运行效率并及时发现瓶颈，为优化网络性能提供了有力依据。     

基于PSO-Elman模型的网络流量预测

针对网络流量的混沌性特点以及传统神经网络处理网络流量预测问题易陷入局部极小导致预测精度不高的问题,提出在相空间重构基础上,采用粒子群算法(PSO)优化Elman神经网络初始参数的网络流量预测模型。首先对网络流量时间序列进行相空间重构,将重构后的流量序列作为模型的输入;再利用PSO算法全局搜索能力对Elman神经网络初始参数进行优化;最后利用训练好的Elman神经网络对网络流量进行预测。仿真结果表明,相比其他流量预测方法,基于PSOElman模型的网络流量预测提高了预测准确率。     

LTE/SAE移动通信网络流量识别方法的改进研究

对LTE/SAE移动通信网络流量的准确识别和预测,提高移动通信网络的通信可靠性。提出一种基于小波时间-尺度特征分解的LTE/SAE移动通信网络流量识别算法,构建LTE/SAE移动通信网络的信道模型,进行通信网络流量的时间序列分析,对时间序列采用小波时间—尺度特征分解方法进行特征提取和匹配,实现流量的准确识别和预测。仿真结果表明,采用该算法进行LTE/SAE移动通信网络流量识别的精度较好,预测的准确性较好,实时性好。     

一种适用于星地网络的流量负载均衡算法

在星地网络的背景下,为了降低由于地面网络链路负载过高导致的传播时延,提出了一种适用于星地网络的负载均衡算法。算法基于网络的链路容量设置一个链路资源利用率作为阈值,当发现路径出现过载的时候分成两步进行路径的预规划：第一步,运用蚁群算法为链路过载的数据流选择其他的路径,以满足地面网内部的负载均衡;第二步,如果仍出现链路超阈值的情况,通过卸载延迟容忍数据流来执行地面与卫星网络之间的负载均衡。仿真结果表明,设定自适应的过载阈值可以有效降低链路的拥塞,与现有算法相比该算法不仅可以更加均匀地分配地面网络中的流量,而且借助卫星网络使地面网络的平均时延降低了18.3%,提高了网络的服务质量。     

卫星网络流量测量方法的研究

该文针对卫星组网的特点,研究基于SNMP(Simple Network Management Protocol)的被动测量方法在卫星网络流量测量中的应用。首先介绍采用SNMP测量网络流量的基本原理。在此基础上引入监控节点选择算法,以减少监测设备的数量,提高网络流量测量性能。最后给出了实际开发的应用程序及实验结果。利用该结果可进一步计算或统计处理,进而确定卫星网中资源的分配和使用,调整网络达到最佳性能。该文实现的完整流量测量,为卫星网络实施流量工程提供了实时准确的数据和有效的网络管理依据。     

基于改进的路网聚类结合PSOWNN的交通流预测

针对城市路网交通流数据的空间相关性、非线性和平稳与非平稳的特点,提出一种采用基于交通流量数据相关性分析改进的路网聚类算法与基于交通流量分段加权适应度函数的粒子群小波神经网络算法(MC-MPSOWNN)相结合的预测方法,来提高算法的预测精度.首先,利用基于交通流量数据相关性分析的路网聚类算法筛选出空间中与预测点交通流量数据相关系数高的其他观测点,以此精简了样本输入数据,减少冗余数据对预测精度的干扰,提高整体预测精度;其次,再构建一种新型的粒子群算法的适应度函数,给予整体预测样本中非平稳数据段更大的调节力度,以此来进一步提高非平稳数据段的预测精度.最后经实验结果分析,提出的改进预测算法相比未进行改进前预测算法而言,明显提高了整体及非平稳数据段预测精度,达到较好的预测效果.     

Performance evaluation of adaptive routing algorithms in packet‐switched intersatellite link networks

This paper addresses the performance evaluation of adaptive routing algorithms in non‐geostationary packet‐switched satellite communication systems. The dynamic topology of satellite networks and variable traffic load in satellite coverage areas, due to the motion of satellites in their orbit planes, pose stringent requirements to routing algorithms. We have limited the scope of our interest to routing in the intersatellite link (ISL) segment. In order to analyse the applicability of different routing algorithms used in terrestrial networks, and to evaluate the performance of new algorithms designed for satellite networks, we have built a simulation model of a satellite communication system with intersatellite links. In the paper, we present simulation results considering a network‐uniform source/destination distribution model and a uniform source–destination traffic flow, thus showing the inherent routing characteristics of a selected Celestri‐like LEO satellite constellation. The updates of the routing tables are centrally calculated according to the Dijkstra shortest path algorithm. Copyright © 2002 John Wiley & Sons, Ltd.     

组合神经网络的网络流量预测研究

提出一种组合神经网络的网络流量预测模型.首先采用SMOF网络对网络流量数据进行聚类,然后采用Elman网络对聚类后的流量数据进行训练并预测,同时采用遗传算法对Elman网络的网络结构进行优化,提高网络流量预测精度.仿真结果表明,组合神经网络加快了网络流量预测速度,提高了网络流量预测精度,克服了单一预测模型不足,为网络流量预测提供了新的思路,具有很好的应用前景.     

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.     

Improved multipath routing with WNN for the open networks

Multipath routing mechanism is vital for reliable packet delivery, load balance, and flexibility in the open network because its topology is dynamic and the nodes have limited capability. This article proposes a new multipath switch approach based on traffic prediction according to some characteristics of open networks. We use wavelet neural network (WNN) to predict the node traffic because the method has not only good approximation property of wavelet, but also self-learning adaptive quality of neural network. When the traffic prediction indicates that the primary path is a failure, the alternate path will be occupied promptly according to the switch strategy, which can save time for the switch in advance. The simulation results show that the presented traffic prediction model has better prediction accuracy; and the approach based on the above model can balance network load, prolong network lifetime, and decrease the overall energy consumption of the network.     

小波分析与神经网络的网络流量预测模型

网络流量具有长相关、非平稳性与多时间尺度特性。提出了一种基于小波分析与AR(p)人工神经网络相结合的网络流量预测模型,即WPBP算法。该算法采用小波分析得到网络流量在不同尺度下的近似信号和细节信号,并运用AR(p)的相关性理论确定近似信号序列和细节信号序列的相关程度(p值),与神经网络进行耦合,以p+1划分数据,前p项作为输入,后一项作为输出对网络进行训练,从而使得神经网络的输入与输出的选择更加合理,预测的结果也更加准确。用小波重构得到最终的流量预测值,用实际网络流量对该模型进行验证。仿真结果表明,该模型的预测效果较好。     

一种基于改进教学优化的微弱信号检测方法

为了快速准确地检测混沌背景中的微弱信号,提高网络泛化能力,文中利用改进教学优化算法优化贝叶斯回声状态网络的模型参数,提出了一种改进教学优化的混沌背景中微弱信号检测方法。通过建立混沌序列单步预测模型,分析预测误差的幅值,检测混沌背景中微弱瞬态信号和周期信号。对Lorenz系统和实测的海杂波数据进行实验研究,验证预测模型的有效性,结果表明,贝叶斯回声状态网络模型的预测结果比支持向量机和径向基神经网络模型的均方根误差降低了2个数量级,缩短了预测时间,提高了预测精度和预测效率,能快速有效地检测混沌背景中微弱信号,且具有更低的门限。     

小波神经网络在短时交通流量预测中的应用

随着交通基础设施建设和智能运输系统的发展,交通规划和交通诱导成为交通领域的研究热点,对交通规划和交通诱导而言,准确的交通流量预测是其实现的前提和关键。短时交通流量预测是一个时间序列预测问题,文中应用小波神经网络对短时交通流量进行了预测。首先,对神经网络、小波分析等相关理论进行了简要介绍。在此基础上,采用5-7-1小波神经网络结构,以Morlet小波基函数作为隐含层节点的传递函数,将车流量数据输入该模型中,以训练小波神经网络,并用训练好的神经网络来预测短时交通流量。从预测结果来看,小波神经网络的预测结果较为准确,网络预测值接近期望值,效果较好。