基于支持向量機的網絡參數模型研究

王啟明++鄭均輝

摘 要： 使用模糊層次分析法對支持向量機的兩個參數進行尋優，并用尋找到的最優參數訓練支持向量機，建立網絡參數模型。首先使用模糊層次分析法對支持向量機兩個參數進行尋優，然后用尋找到的最優參數訓練支持向量機，最后建立預測模型，預測網絡流量。實驗結果表明，該方法不但可以較好地跟蹤網絡流量變化趨勢，使網絡流量的預測值與實際值非常接近，而且預測誤差變化范圍波動小，是一種有效且預測精度高的網絡參數模型。

關鍵詞： 網絡參數模型； 支持向量機； 灰色模型； 參數優化

中圖分類號： TN309?34； TN915.06 文獻標識碼： A 文章編號： 1004?373X（2015）12?0023?02

0 引 言

網絡流量的預測與建模對于大規模網絡資源管理、規劃設計、用戶行為等方面具有重要意義。傳統網絡流量預測方法主要基于線性建模，預測誤差較大，很難準確反映網絡流量復雜變化特點[1?2]。眾多實驗證明，網絡流量存在如下特點如非平穩性、混沌性、時變性等，是一個具有高度的不確定性的復雜系統，需要采用非線性混沌理論對網絡流量預測進行建模。目前基于非線性理論的典型模型包括神經網絡預測模型、小波預測模型、灰色模型、支持向量機（Support Vector Machine，SVM）預測模型等[3?4]。

SVM是一種針對高維數、小樣本的機器學習方法，泛化性能優異，被公認為是較好的非線性預測方法。大量研究表明SVM預測效果優于其他非線性模型，這主要得益于預測模型泛化能力強，避免了“維數災難”，并且能夠尋找到全局最優解，因此得到了廣泛的應用[5]。但是SVM預測性能與網絡流量的訓練樣本關系密切，并且當前確定訓練樣本的輸出和輸入矩陣采取的方法主要是人為判斷，選取訓練樣本缺乏理論指導，容易產生過擬合現象[6]。

當前已有一些研究人員針對SVM預測模型的缺點進行了改進研究。研究主要包括對預測模型SVM參數選擇的優化和對SVM預測模型自身的改進兩個方面；其中SVM模型中參數的選擇對預測效果起著非常關鍵的作用[7]。目前SVM參數選擇主要采用智能優化算法，例如遺傳算法（Genetic Algorithm，GA）、人工魚群算法（Artificial Fish Algorithm，AFA）、粒子群優化（Particle Swarm Optimization，PSO）算法。例如，王瑞雪研究了一種通過GAFA（全局人工魚群算法）優化SVR模型的網絡流量預測方法，但是AFA優化的SVR預網絡流量預測方法，結果不穩定[8]。曾偉等研究了采用粒子群優化算法優化SVM預測模型，研究表明提高了SVM模型的預測精度，但預測的穩定性依然不高，并且容易陷入局部極值[9]。Lu Wei Jia等采用遺傳算法優化SVM預測模型，由于遺傳算法的固有缺點，效果也不盡理想[10]。針對當前網絡流量非線性時變、混沌等特點，本文研究對SVM預測模型進行改進，使用模糊層次分析法對SVM進行參數尋優，并用尋找到的最優參數訓練SVM，建立預測模型。

3 結 語

本文對SVM預測模型進行改進，使用模糊層次分析法對SVM的兩個參數進行尋優，并用尋找到的最優參數訓練SVM，建立預測模型，預測網絡流量。實驗表明，該方法是一種預測精度高、有效的網絡流量預測方法。

參考文獻

[1] XU Shuo?na， ZENG Bi?qing. Network traffic prediction model based on auto?regressive moving average [J]. Journal of Networks， 2014， 9（3）： 653?659.

[2] QIU J， XIA J B， WU J X. Research and development of network traffic prediction model [J]. Computer Engineering and Design， 2012， 33（3）： 865?869.

[3] XIONG Nan， LIU Bai?feng. Online network traffic prediction Based on adaptive particle swarm optimization LSSVM [J]. Journal of computer applications and software， 2013， 30 （9） ： 21?24.

[4] FANG J， ZHOU Q， WU X， et al. Network traffic prediction model based on Catfish?PSO?SVM [J]. Journal of Networks， 2013， 8（11）： 110?114.

[5] JIALLG Jun， PAPAVASSILIOU Symeon. Enhancing network traffic prediction and anomaly detection via statistical network traffic separation and combination strategies [J]. Computer Communications， 2006， 29（10）： 1627?1638.

[6] CHANG Bao?bong， TSAI Hsiu Fen. Improving network traffic analysis by foreseeing data?packet?flow with hybrid fuzzy based model prediction [J]. Expert Systems with Applications 2009， 36（3）： 6960?6965.

[7] JIANG Ming， WU Chun?ming， HU Da?min. Comparative study on time series of network traffic prediction model [J]. Journal of Electronics， 2009， 5 （11） ： 2353?2359.

[8] WANG Rui?xue， LIU yuan. GAFSA network traffic prediction model to optimize the SVR study [J]. Computer Application Research， 2013， 30 （3） ： 856?860.

[9] ZENG Wei. Many children population PSO to optimize the SVM network traffic prediction [J]. Journal of Beijing Jiaotong University： Natural Science Edition， 2013， 37 （5） ： 62?66.

[10] LU， Wei?Jia. Parameters of network traffic prediction model jointly optimized by genetic algorithm [J]. Journal of Networks， 2014， 9（3）： 695?702.

[11] XU Bo， GUAN Qing， CHEN Ke. Multi?agent coalition formation based on quantum?behaved particle swarm optimization [J]. Journal of Information & Computational Science， 2010， 7（5）： 1059?1064.

[12] QIN H S， WEI Y， ZENG S H. Parameter optimization for SVM classification based on NGA [J]. Lecture Notes in Electrical Engineering， 2013， 216（1）： 579?586.

[13] WANG Shuang?ying WU Chao， ZUO Hong?yan. Small and medium?sized coal mine production safety fuzzy hierarchy evaluation model and its application [J]. Journal of Central South University （Natural Science Edition）， 2010， 41（5）： 111?116.