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。     

基于傅里叶模型的最佳网络流量预测*

针对网络流量数据自相似性和长相关性的特点,提出了一种基于傅里叶模型的最佳网络流量预测方法。同时给出了该模型的预测函数,并通过某互联网运营商的实际流量数据验证了该算法的有效性。     

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。     

一种网络流量预测方法的设计

在两状态马尔科夫链模型基础上，提出了一种网络流量的预测，能对包括短期在内的流量作出准确的预测。该方法经实验证明能较好地反映网络实际情况，且算法时间复杂度低。     

基于残差改进的灰色模型网络流量预测

网络流量是衡量网络运行负荷和状态的重要参数,也是网络规划、流量管理等方面起着重要的作用的重要参数.在流量管理中,流量模型用于评价接入控制机制和预测网络性能.灰色模型在反映数据的趋势性变化上效果明显,随着灰色理论的发展及其广泛应用,越来越多的改进方法已经被提出.在对原有的模型进行研究的基础上提出进一步改进模型来对网络流量进行预测.     

基于熵权的网络流量预测加权局域线性模型

采用熵权系数代替空间距离来确定相空间邻近相点及其权重的方法,提出了一种网络流量预测的加权局域线性模型,该模型克服了用距离来确定相空间邻近相点及其权重的传统局域模型在预测高嵌入维的混沌时间序列时预测精度下降的缺点。模拟试验结果表明,和传统加权模型相比,当网络流量时间序列的嵌入维数较高时,该模型能大幅度提高预测精度。     

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ARMA模型的网络流量预测

随着计算机网络的迅速发展,目前的网络规模极为庞大和复杂,因此发生各种问题的可能性也越大,同时管理网络的难度也增大,传统的网络管理是在告警之后,解决潜在的问题,即为一种响应式的行为,这时候网络的服务很可能已经受到影响,根据实际采集的非单播包数的观测值序列,建立该流量参数的正常行为,然后平稳化该序列,估计出网络流量的ARMA（2,1）模型,用线性最小均方误差预测方法,对网络流量进行预测,并检测在将来超越阈值的可能性和发生时间,这样,在网络过载发生之前,可以预先采取防范措施,来保证网络的正常服务,这种方法改变了以往的网络管理响应方式,使得网络过载的预警成为可能。     

基于残噪预测的网络流量异常检测算法

提出一种新的网络流量异常检测算法,拟对观察值序列进行AR模型的拟合,并以残噪函数值作为统计量,用指数平滑方法来实现前一个统计量对后一个统计量的预测,从而完成对异常流量的判断。该算法与GLR检测算法相比更为及时高效,比直接用指数平滑技术对观测值进行检测更为准确可靠,在OPNET模拟的网络流量异常检测中,该算法性能较为理想。     

ARIMA模型在网络流量预测中的应用研究

针对网络运行安全和可靠的要求,研究网络流量预测问题.网络流量具有高度自相似、时变性和非线性等时间序列特征,传统预测方法无法捕捉其时变性和自相似规律,导致预测精度比较低.为了提高网络流量的预测精度.在分析网络流量特征的基础上,提出一种基于ARIMA模型的网络流量预测方法.先采用差分法对网络流量原始数据平稳化处理,提取网络流量数据的自相似特征.然后将平稳后的数据利用能很好反映时变性和非线性的ARIMA模型对进行拟合和检验,建立网络流量的最优预测模型,最后根据获得最优预测模型对嗍络流量实例数据进行仿真预测.仿真结果表明,ARIMA模型的网络流量预测精度比其它预测模型要高,能够很好的反映网络流量的规律,在网络流量预测中有广泛应用前景.     

一种网络流量异常检测算法*

提出了一种网络流量异常检测新算法。该算法将线性模型与小波变换相结合,解决了阈值监控无法告警和监测的问题。在实际的网络数据SNMP MIB以及Netflow的应用检测中,性能较好。与GLR算法相比,异常点的判断更加及时、准确、可靠。     

基于灰色模型和自适应过滤的网络流量预测

提出一种新的网络流量预测方法。该方法根据网络流量历史值用灰色模型GM（1,1）进行预测,并用自适应过滤法对GM（1,1）预测时产生的残差进行修正,从而达到较高的预测精度。该方法综合了GM（1,1）预测所需原始数据少、方法简单等特点,具有较高的应用价值。实验结果表明,该方法是有效可行的。     

一种基于贝叶斯网络模型的交通事故预测方法

大部分的交通事故都可以预测.有效的交通事故预测能从很大程度上减少人员伤亡和交通阻塞.贝叶斯网络是目前不确定知识和推理领域最有效的理论模型之一.该文提出了一种基于贝叶斯网络模型理论的交通事故预测方法.在综合考虑交通事故成因的基础上利用领域专家知识构建网络模型,在已有的事故数据的基础上提出基于贝叶斯法则的学习算法,并通过计算变量间的条件概率来计算事故发生的可能性,达到事故预测的目的.文章的最后,通过历史数据进行仿真实验,对仿真结果和该模型的适用范围进行了分析.     

基于时序分析的网络业务分析与预报

随着网络应用的迅速发展，提供保证一定质量的通信服务(QoS)成为一个重要的研究方向，而网络业务的分析与预报是保证QoS的关键技术。分析了天津市163，169，2163的拨号上网业务在线总时长，应用时间序列分析的方法对网络业务进行分析，并在模型基础上进行准确的预报。其结果对网络容量进行规划并提前进行相应的调整或升级，确保网络的整体运行状况是有意义的。     

电话网话务量预测的理论研究与实践

文章根据线性预测理论,采用自适应算法,提出了一种不同于传统理论的话务量预测与统计方法;详细介绍了该方法的模型、原理与实现。     

基于随机神经网络的多步网络时延预测模型

网络时延的动态变化反映了网络路径的负载特征,对时延的精确预测是实施网络拥塞控制、路由选择的重要依据,建立了基于随机神经网络的时延预测模型,该模型克服了传统时间序列预测方法受随机干扰因素影响大、模型结构辨识过程繁琐,以及传统神经网络预测方法易于陷入局部极值、偏离全局最优的缺点.仿真实验表明,在提前单步和多步的预测中该模型比AR模型、RBF神经网络预测算法的准确度更高.     

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。     

基于复合天气及时间因素的神经网络气温预测

本文提出一种基于复合天气及时间因素的组合神经网络预测方法以预测气温，即根据前一段多个天气因素的值预测下一时的气温，并将时间因素作为独立神经元参与神经网络预测。经采用2000年南京站的天气数据与标准BP网络对比实验，证明本文算法更快收敛到更小误差，预测效果，尤其是短期预测，较标准BP算法更好。     

遗传神经网络预测模型的设计及应用

分析遗传算法（ＧＡ）及ＢＰ神经网络（ＮＮ）的理论基础,提出了ＧＡ与ＮＮ结合的主要方式和步骤。讨论了基于遗传神经网络的建模思路,主要针对矿石可选性预测、选矿生产指标预报问题,建立相应的遗传神经网络模型。论述了原始数据预处理的方法和ＧＡ－ＢＰ神经网络的设计。通过实例验证,模型的预测精度达到９０％以上。