基于合理遗忘选择训练样本的网络流量预测模型

为了提高网络流量的预测精度,针对极限学习机的训练样本选择问题,提出一种基于合理遗忘选择训练样本的网络流量预测模型(SF-ELM)。首先通过引入遗忘因子减弱旧训练样本对预测结果的影响,合理对训练样本进行在线更新;然后以泛化能力作为评价准则,选择性更新极限学习机输出权值;最后进行仿真分析。结果表明,SF-ELM的网络流量学习速度快于对比模型,获得了更加理想的网络流量预测效果,更适于实时性要求高的网络流量在线预测。     

网络流量预测的建模与仿真研究

研究网络流量准确预测问题,网络流量变化是一种具有时变性、多尺度和突发性的非线性系统,由于传统时间序列预测方法很难揭示内在变化规律,导致网络流量的预测精度比较低.为了提高网络流量的预测精度,提出一种小波分析BP神经网络的网络流量预测模型.模型首先通过小波分析对网络流量进行分解,得到网络流量信号的近似和细节部分,然后进行重构提取多尺度特征,最后将重构的网络流量数据输入到BP神经网络,利用BP神经网络的非线性能力对网络流量进行训练、建模并预测.仿真结果表明,小波神经网络方法提高了网络流量预测精度,是一种有效实用的网络流量预测方法.     

小波与神经网络相结合的网络流量预测模型

针对网络流量序列的非线性和多时间尺度特性,提出了一种将小波变换与人工神经网络相结合进行网络流量预测的新模型.该模型吸取了小波变换的多分辨功能和人工神经网络的非线性逼近能力,对流量时间序列进行小波分解,得到小波变换尺度系数序列和小波系数序列,分别使用RBF神经网络和Elman神经网络进行预测,把两种预测的结果通过BP神经网络合成为最终预测结果.用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果.     

基于小波的多尺度网络流量预测模型

通过把ARIMA线性预测方法引入小波域内,提出一个基于多重分形小波模型的网络流量预测模型。通过对真实网络流量的仿真实验,结果表明该模型能够对网络流量进行比较精确的预测．     

基于小波变换的网络流量预测模型应用研究

研究优化网络性能问题,因网络流量数据具有很强的突发性和自相似性等分形特征,引起系统流量不稳定和不精确,用传统网络流量预测模型预测准确低.为解决上述问题,提出一种基于小波变换(WT)的自回归(AR)预测模型,首先对原始流量数据进行小波分解,并将分解得到的近似部分和各细节部分分别单支重构到原级别上,对各个重构后的序列分别建立自回归模型,由所拟合的模型分别进行预测,最后结合各个重构后序列的预测结果,得到对原始序列的预测结果.运用WT_AR进行仿真实验,实验结果表明模型比传统的网络流量预测模型具有更高的准确度.证明WT_AR是一种高效的网络流量检测模型,网络流量预测方法提供参考依据.     

网络流量的混沌特性及成因探讨

论证网络流量为一复杂的非线性系统,并运用分形、混沌等复杂性理论对网络流量的混沌特征进行实证研究,得出网络流量系统的分形特征、复杂性程度、系统演化类型,并得到相应的参数。在此基础上,用小波方法对网络流量序列进行了去长相关处理,探讨了网络流量的混沌与长相关的联系,最后指出这些结论的理论与实际意义。     

网络流量预测模型仿真分析与研究

网络流量的高效准确低冗余度预测,是保证网络安全的关键.网络流量的非线性影响,在突变性较强的网络流量预测中,为了应对突变性,需要大量的先验知识作为预测模型的支撑,导致出现了大量的非正常冗余数据,造成传统的的模型训练样本数量大以及结构复杂,模型不够稳定,导致预测冗余度高,效率低下.提出一种采用支持向量机模型的主成分分析的零冗余度PCA-SVM预测系统,在SVM模型的基础上,采用PCA分析方法对输入系统的一些冗余信息进行清除过滤,提高输入信息数据的贡献率,减少总体的样本训练集数量,降低SVM模型的信息维数,对网络流量的6个因子进行了系统模型构建原始驱动数据,对6个预测因子进行PCA处理,驱动因子之间具有显著的相关关系,完整去除了非相关冗余度.采用SVM-PCA模型进行数学建模,对后来10个月的网络流量进行预测.实验结果表明,改进算法比传统算法,预测偏差降低0.069,预测准确率可以提高17％以上,优化效果明显.     

基于递归神经网络的网络流量组合预测模型

为了提高网络流量的预测精度,提出了一种基于Elman递归神经网络,小波和自回归的网络流量组合预测模型.对流量时间序列进行小波分解,得到小波变换尺度系数序列和小波系数序列,对具有平稳特征的尺度系数序列用AR模型进行预测:而对体现了网络流量非线性、非平稳特性的小波系数序列使用Elman递归神经网络进行预测,最后通过Mallat算法重构得到网络流量的预测值.     

基于改进BP小波网络的网络流量预测研究

研究无线网络优化控制问题,针对流量拥塞,传统BP小波网络(BPWNN)易陷入局部极小,收敛速度慢的缺陷,为了提高网络服务性能,提出一种改时的学习速率自适应的算法IBPWNN.在IBPWNN的小波网络运行过程中,动态的调整学习速率,防止网络陷入局部极小和误差变大.进行仿真实验,分别利用BPNN和IBPWNN进行网络流量进行对比预测.仿真结果证明,IBPWNN算法既简捷,又能够提高学习速度和精度,避免了BPWNN网络易出现的收敛速度慢、易产生局部最优解的问题,为网络优化提供了有效算法.     

基于小波变换和极限学习机的网络流量预测模型

为了提高网络流量预测准确性,结合网络流量的变化特点,针对当前网络流量预测模型存在的局限性,设计了基于小波变换和极限学习机的网络流量预测模型。首先分析了当前国内外网络流量预测研究现状,找到引起网络流量预测准确性差的原因;然后采用小波变换对原始网络流量时间序列进行去噪,得到无噪声的网络流量时间序列;最后采用极限学习机对网络流量时间序列进行建模,得到相应的预测结果。与当前经典的网络流量预测模型在相同环境下进行对照测试,测试结果分析表明,小波变换和极限学习机的网络流量预测精度达到了95%以上,网络流量预测误差得到了有效的控制,而且提升了网络流量预测效率,预测结果要远优于当前经典的网络流量预测模型。     

面向科研专网的链路流量预测模型

当今科研活动已越来越依赖科研数据网络的高效传输,这对科研专网的链路资源规划和运行管理带来了更高要求.面向科研专网的实际需求建立链路流量预测模型能使网络运营者在SDN等先进控制转发技术辅助下更有效进行资源调度的快速决策.现有的预测方法未考虑当前网络流量更具多样化和更高复杂度的深层细粒度特征.通过改进LSTM模型,本文面向...     

网络流量的非线性组合预测模型应用研究

研究网络优化管理问题,网络流量具有趋势性、周期性和非线性,传统预测模型只能反映网络流量变化的片段信息,难以获得高精度的网络流量预测结果。为提高网络流量预测结果,提出一种非线性组合的网络流量预测模型。首先采用单一模型ARIMA、ARMA、GM(1,1)对网络流量各特征进行预测,然后将三种预测结果输入到支持向量机进行融合,得到网络流量的最终预测结果。仿真结果表明,与传统网络流量预测模型相比,改进的非线性组合预测模型能够较好的反映网络流量的复杂变化规律,从而提高了网络流量的预测精度。     

基于Gamma小波模型的网络流量预测

网络流量的精确预测是实现动态流量管理及控制的前提,由此提出一种基于Gamma小波模型的预测方法。将原始数据分解为高频信号和低频信号,采用Gamma小波模型对低频信号进行建模并获取服从Gamma分布的序列,分别对刚获取的序列以及高频信号采用加权一阶局域法进行预测,重构小波以合成数据。通过实验和数学分析的方法,证实该预测模型能够进行网络流量的短期预测。     

基于网络流量半马尔柯夫模型的流量预测

引入了半马尔柯夫模型描述网络流量特性，并在该模型的基础上分析推导了相应的流量预测方法。分别对广域网和局域网不同时间尺度统计的实际流量数据进行分析和短期、长期预测，所有数据的实际预测精确度均小于预先设定的置信度。说明引入的模型能真实反映网络流量特性，基于该模型的流量预测方法具有良好的预测性能且适用于不同长度的预测。     

新型Elman混沌神经网络的流量预测

根据实际网络中测量得到的网络流量数据,提出一种改进型Elman神经网络模型——季节性输入多层反馈Elman网络。在网络权值的训练过程中引入混沌搜索机制,利用Tent映射的遍历性进行混沌变量的优化搜索,以减少数据冗余,解决局部收敛问题。实验结果表明,该模型及其算法有效提高了网络的训练速度及网络流量的预测精度。     

一种基于神经网络的网络流量组合预测模型

Internet流量是具有相关和非平稳特性的时间序列,文中通过对过去一些流量模型的分析,构建了一种新的预测模型。该模型首先使用小波方法对网络流量进行预处理,然后分别使用线性神经网络和Elman神经网络进行预测,以保证能够描述流量的相关和非平稳性,最后把两种预测的结果通过BP神经网络合成为最终预测结果。通过对不同流量的一步预测和多步预测仿真,验证了组合模型比单一模型具有更高的预测精度。     

经GA优化的WNN在交通流预测中的应用

针对城市交通流的复杂性、随机性、非线性等特点,利用遗传算法(GA)优化小波神经网络(WNN),以克服传统神经网络收敛速度慢、易陷入局部最小点等缺陷,在此基础上建立基于GA-WNN的城市交通流预测模型。利用GA-WNN、GA-BP和WNN模型对南昌市南京西路交通流进行仿真预测,实验结果表明,GA-WNN模型的预测效果较好,相比GA-BP和WNN模型具有更高的预测精度和更快的收敛速度。     

基于自适应滤波理论的网络流量线性预测

Internet网络流量的分析、模型仿真以及流量的预测,在网络管理和设计中起着很重要的作用。该文在此方面做了一些工作和尝试,主要有两方面的贡献：（1）在分析和比较了不同模型性能的基础上,提出了CERNET IP backbone的流量模型;（2）将自适应滤波的新思想引入网络流量的模型仿真和预测,提出了自适应网络流量线性预测的新算法。     

基于多神经网络的网络流量预测模型

实现网络QoS控制对于网络管理及维护相当重要,而网络流量预测对于实现网络的QoS控制可以起到十分重要的作用;另外,流量预测在入侵检测中的应用也受到越来越多的关注。网络流量预测极具现实研究意义。对多个神经网络预测模型进行有效的整合,建立了一个基于多神经网络的网络流量预测模型,并用真实的网络流量对该模型进行仿真验证,提高了其预测性能。