基于朴素贝叶斯的网络异常流量攻击行为预测方法

为解决网络异常流量攻击行为预测准确性较低的问题，研究基于朴素贝叶斯的网络异常流量攻击行为预测方法。首先，提取流量特征，对流量进行分类；其次，控制异常流量的攻击，对网络异常流量的攻击行为进行处理与预测，实现对攻击行为的实时监测；最后，进行实验分析。实验结果表明，该方法对于异常流量的预测准确率较高，能够有效地适用于复杂多变的网络流量信息。     

基于混合模型的网络流量预测研究

随着网络应用的多样化发展,分析网络流量的行为特性并建立模型进行预测,对于网络管理与流量工程有着重要意义。论文通过对多种流量预测方法的分析和比较,指出单一预测模型的局限性并结合近年流量的新特性提出：网络流量的建模预测必须建立在流量重要特性的基础上,采用混合模型可以更全面、准确地描述和预测流量的行为趋势。     

基于混合模型的网络络流量预测研究

随着网络应用的多样化发展,分析网络流量的行为特性并建立模型进行预测,对于网络管理与流量工程有着重要意义.论文通过对多种流量预测方法的分析和比较,指出单一预测模型的局限性并结合近年流量的新特性提出:网络流量的建模预测必须建立在流量重要特性的基础上,采用混合模型可以更全面、准确地描述和预测流量的行为趋势.     

基于BP神经网络的非线性网络流量预测

传统的流量分析建立在线性模型的基础上，但是由于复杂的拓扑结构和网络行为，网络流量表现为一个非线性的系统。根据实际网络中测量的大量网络流量数据，建立一个时间相关的基于神经网络的流量模型，预测和分析网络流量状况。相对于传统线性模型该模型具有较高的预测精度、自适应性和鲁棒性。     

基于周期性网络流量模型的流量预测

文中使用自主开发的网络监控系统，对数据链路实施长期的测试监控。通过大量流量测试数据统计分析表明，WAN／LAN实际流量可以分为时间相关分量和时间无关分量。文中介绍了一个基于周期性网络流量模型的流量预测算法，以便对给定时刻的网络流量进行在线预测，并给出了不同预测精度下预测流量取值区间和实际流量的比较结果。     

网络流量预测方法

分析网络流量的行为特性并建立模型进行预测,对于网络管理以及安全预警具有重要意义。基于此,针对网络异常处理滞后、网络服务质量差等问题,研究多种经典流量预测方法,从流量特性、建模复杂性、预测精度及应用场景等多角度进行分析比较。实验结果证明,预测模型与具体场景密切相关,实际操作时需根据流量特性及预测目标选择合适的模型。     

网络测量分析及研究综述

网络行为测量是网络行为分析的基础。网络的性能评价,网络规划,网络预测都离不开真实的数据和现象的捕获。文章从网络测量的方法、网络测量的基础设施以及网络的流量模型几方面,论述了目前Internet网络测量的现状,提出了一些需要努力和改进的问题。     

基子自适应泸波器理论的自相似流量预测

根据流量特徵预测其到达速率是基于测量的网络控制机制的关键问题。本文研究了基于最小均方（Least Mean-Square，LMS）自适应滤波器对自相似流量进行速率预测的方法。通过分析对不同实际流量记录和仿真流量的预测结果，发现该方法不但减小了采用指数加权平均估计带来的计算复杂度，而且其滤波器系数自适应特性可以有效地跟踪流量的高度变化，从而更加准确地估计流量速率。此外，实验还得出了用LMS自适应滤波器进行流量预测的几个基本参数。     

基于时空融合的网络流量预测模型研究

准确的网络流量预测能够合理分配通信网络的资源，有效提高网络的通信质量。然而通信网络复杂的拓扑结构和动态性给流量预测增加了难度。传统的流量预测模型存在预测精度低、特征单一等缺陷，经过对网络流量预测算法的研究，给出了一种新的基于时空融合的网络流量预测模型GAT-LSTM，用于学习网络流量的时空特征，并将该模型在数据集GEANT和Abilene上与传统的网络流量预测模型进行对比。实验结果证明GAT-LSTM具有更好的预测性能。     

自相似网络流量预测的分析和研究

网络流量模型能准确和全面地刻画流量数据的各种统计特性，因而成为网络研究的热点。讨论了传统模型预测的弊端，描述了网络流量自相似的基本特征，分析了三个重要自相似模型的特点和存在的问题，使用实际网络流量验证了流量的自相似性并结合多分形小波模型对网络流量进行预测，探讨了流量模型预测的新技术和进一步研究的问题。     

基于FARIMA的ARP欺骗入侵检测

针对ARP网络流量具有自相似性,ARP欺骗会导致ARP网络流量局部突发的特征,在进行理论分析的基础上,提出一种ARP欺骗入侵检测方法。采用适合描述自相似性的FARIMA准确预测ARP网络流量,在线实时计算每个周期实测值和预测值的差值,比较差值变化率快速准确实现ARP欺骗入侵检测。运行结果证明FARIMA具有先进性,该方法可有效提高ARP欺骗实时入侵检测的检测率,实现追踪ARP欺骗攻击源主机。     

GAFSA优化SVR的网络流量预测模型研究

现有的诸多网络流量预测模型存在预测稳定性不好、精度较低等问题。针对此类问题, 研究了一种通过GAFSA(全局人工鱼群算法)优化SVR模型的网络流量预测方法。GAFSA是一种群智能优化算法, 寻优效果显著。采用GAFSA对SVR预测模型进行参数寻优, 可以得到使预测效果最佳的训练参数; 使用这组最优参数训练SVR, 建立网络流量预测模型, 可以很好地改善基于其他智能优化算法改进的SVR网络流量预测模型多次预测结果相差较大的问题, 使预测结果趋于稳定, 同时也可以提高预测精准度。仿真结果表明, GAFSA-SVR网络流量预测模型与其他模型相比, 预测结果基本稳定, 精准度提高到89%以上, 对于指导网络控制行为、分析网络安全态势有重要意义。     

城市交通网络宏观控制模型及仿真实现

为研究适合城市交通网络控制系统应用的交通流预测模型,在改进Van Den Berg, M的路段交通流模型的基础上,建立了以路口交通流为基本建模单元,以动态非线性离散方程反映交通流变化的城市交通网络宏观模型.为验证该模型能有效地预测城市路网的交通流信息,在VC++net环境下,开发了城市交通宏观控制模型仿真系统UTFS,设计了网络拓扑结构模块,以适应不同规模、不同复杂程度的实际交通网络的仿真要求.最后选取典型网络进行应用研究.仿真结果表明:该模型满足交通控制对控制模型的实时性和精度要求,该仿真系统可以作为城市交通网络宏观控制模型验证的有效工具,也可以作为城市交通控制系统控制和优化研究的辅助工具.     

改进的RBF神经网络交通流预测算法

短时交通流预测是实现智能交通控制的前提与基础.提出了一种基于粗神经网络的RBF短时交通流预测算法,该算法在交通流量预测方面明显优于常规RBF神经网络,且具有较高的实时性.     

基于时间特征的网络流量预测模型

本文设计一种基于时间特征的网络流量预测模型,并采用该流量模型预测网络流量。文章提出网络流量预测误差的数学定义,根据测试实验表明,我们的流量模型具有更高的可用性,并适用实际运行的网络环境。     

一种新的基于GCS．SVM的网络流量预测模型

针对网络流量预测模型存在预测稳定性不好、精度较低等问题,提出一种改进布谷鸟搜索算法优化支持向量机的网络流量预测模型（GCS．SVM）。将网络流量时间序列进行重构,采用改进布谷鸟搜索算法优化支持向量机参数,使用这组最优参数建立网络流量预测模型。仿真结果表明,GCS—SVM模型对网络流量预测是有效可行的。     

小波变换与GARCH组合模型的网络流量预测

在一些网络环境当中,网络流量具有非线性、异方差性和波动集群现象,传统的小波变换与ARMA组合模型不能很好地描述网络流量的这些特性。因此,研究使用了小波变换与广义自回归条件异方差GARCH组合模型来预测网络流量。首先,使用小波变换原理将网络流量序列分解成高频部分和低频部分,在此基础上对各个子序列分别建立相应的GARCH模型并进行预测;然后,使用小波变换原理将各个子序列的预测结果进行重构,从而最终实现对原始网络流量的预测。通过仿真实验表明,该模型的预测精度较之传统的小波变换与ARMA组合模型的预测精度得到了大幅提升。     

Long-term traffic flow prediction using multivariate SSA forecasting in SDN based networks

Accurate and real-time traffic flow forecasting plays an important role in optimizing traffic routing enabling adaptive and sophisticated applications on the network. Managing and routing enormous traffic flow with dynamic behavior is a highly challenging task. However, arriving at a precise model for traffic forecasting in a short interval of time is not trivial because of the dynamic nature of traffic flow. A novel multivariate time series framework is designed to analyze and forecast the dynamic traffic flow in SDN based networks. The proposed framework adapts the Multivariate Singular Spectrum Analysis (MSSA) forecasting model and incorporates the Randomized Singular Value Decomposition (RSVD) to improve the accuracy of flow prediction. Simulations are conducted to evaluate the effectiveness of the proposed MSSA method. The proposed method predicts the long-term traffic fluctuation from the observed traffic traces. The SDN controller is trained using the traffic traces and future traffic flows are forecasted. The performance evaluation of the proposed method predicts real-time traffic trends accurately with 2.2% MAPE, 9.44 MAE and 13.803 RMSE. The results show that the learning ability of MSSA helps to forecast future network traffic with low prediction errors.     

基于混沌理论的网络数据流RBF神经网络预测

应用相空间重构理论，研究了网络数据流的混沌特性，计算了实际网络数据流的关维数、Lyapunov指数，证实网络数据流存在混沌现象；据此建立了基于径向基函数(RBF)预测模型，对实际网络数据流进行预测。仿真实验表明，相对于反向传播(BP)神经网络预测，基于混沌理论的RBF神经网络预测方法学习速度快，预测精度高。     

基于混沌理论的网络流量BP神经网络预测

应用相空间重构技术,论证了网络流量存在混沌现象,并计算了实际网络流量的关联维,Lyapunov指数;在此基础上对网络流量时间序列建立BP神经网络模型对网络流量进行预测,实例表明,和FARIMA(p,d,q)模型相比,基于混沌理论的BP神经网络模型有较好的预测能力,并具有较长的预测步长。