基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的無線網(wǎng)絡(luò)流量預(yù)測

摘 要： 考慮到無線網(wǎng)絡(luò)流量具有極強(qiáng)的分散性、隨機(jī)性以及混沌等特性，使用傳統(tǒng)的ARIMA預(yù)測模型和BP神經(jīng)網(wǎng)絡(luò)模型難以對其進(jìn)行精確的預(yù)測等，該文使用粒子群優(yōu)化算法對BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行優(yōu)化以解決BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最小值以及訓(xùn)練收斂速率低等問題，引入遺傳算法中的自適應(yīng)變異因子來以一定概率初始化部分變量解決粒子群優(yōu)化算法會出現(xiàn)陷入局部最優(yōu)解以及早熟收斂等問題。最后使用經(jīng)典的CRAWDAD數(shù)據(jù)庫中的無線網(wǎng)絡(luò)流量數(shù)據(jù)對該文預(yù)測方法性能進(jìn)行測試，使用穩(wěn)定小波變換方法將無線網(wǎng)絡(luò)流量數(shù)據(jù)分解，得到由1個近似分量以及3個細(xì)節(jié)分量組成的數(shù)據(jù)流。測試結(jié)果表明，該預(yù)測算法在預(yù)測性能上要優(yōu)于ARIMA預(yù)測模型和BP神經(jīng)網(wǎng)絡(luò)模型。

關(guān)鍵詞： 無線網(wǎng)絡(luò)流量預(yù)測； 粒子群優(yōu)化算法； BP神經(jīng)網(wǎng)絡(luò)； ARIMA預(yù)測模型

中圖分類號： TN915?34； TP393 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2016）10?0030?04

Research on wireless network traffic prediction based on improved neural network

LU Dunlu1， ZHANG Xinyi2

（1. Guangdong Provincial Institute of Technical Personnel， Guangzhou 510640， China； 2. Wuyi University， Jiangmen 529020， China）

Abstract： Considering the characteristics of wireless network traffic， such as dispersion， randomness and chaos， the particle swarm optimization algorithm is used in this paper to optimize the prediction model of BP neural network to solve the problems that the BP neural network is easy to fall into local minimum and its training convergence rate is low because the traditional ARIMA prediction model and BP neural network model are difficult to predict accurately， in which the self?adaptive mutagenic factors in genetic algorithm are brought. The performance of the predictive method was tested by means of the wireless network traffic data in the classical CRAWDAD database. The stable wavelet transform method is used to decompose the wireless network traffic data to obtain the data flow composed of 1 approximate component and 3 detail components. The testing results show that predictive performance of the predictive method is better than those of the ARIMA predictive model and BP neural network model.

Keywords： wireless network traffic prediction； particle swarm optimization； BP neural network； ARIMA prediction model

隨著無線網(wǎng)絡(luò)技術(shù)的不斷發(fā)展和規(guī)模的日益壯大，對無線網(wǎng)絡(luò)的安全性、可管理性等服務(wù)質(zhì)量提出了更高的要求。網(wǎng)絡(luò)流量建模、識別以及預(yù)測等已經(jīng)成為評判網(wǎng)絡(luò)性能的重要手段之一，建立準(zhǔn)確的流量預(yù)測模型能夠準(zhǔn)確評估網(wǎng)絡(luò)流量，對于控制管理網(wǎng)絡(luò)十分有利，其能夠保障網(wǎng)絡(luò)服務(wù)質(zhì)量（QoS）的同時對無線網(wǎng)絡(luò)資源進(jìn)行優(yōu)化配置。另外準(zhǔn)確的預(yù)測無線網(wǎng)絡(luò)流量，能夠?qū)W(wǎng)絡(luò)中異常問題提早發(fā)現(xiàn)，對于保障網(wǎng)絡(luò)安全，對無線網(wǎng)絡(luò)進(jìn)行故障診斷等均具有十分重要的意義。

無線網(wǎng)絡(luò)興起時間比傳統(tǒng)有線網(wǎng)絡(luò)晚，與傳統(tǒng)有線網(wǎng)絡(luò)相比，因為其具有更強(qiáng)的分散性、隨機(jī)性以及混沌等特性，使得對其長期預(yù)測具有極大的難度，因此繼續(xù)研究一種預(yù)測準(zhǔn)確度高、適應(yīng)性強(qiáng)同時泛化能力強(qiáng)的預(yù)測方法。BP神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用廣泛的預(yù)測算法模型之一，但是傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)存在容易陷入局部最小值以及訓(xùn)練收斂速率低等問題。本文使用改進(jìn)型粒子群優(yōu)化算法對BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行優(yōu)化。

1 改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)

1.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

本文研究的無線網(wǎng)絡(luò)流量預(yù)測實際上可以看作是動力系統(tǒng)的逆問題。動力系統(tǒng)模型使用動力系統(tǒng)的狀態(tài)構(gòu)造：

式中：[γ]是輸出層各節(jié)點(diǎn)閾值；[vj]是隱含層和輸出層連接權(quán)值；[γ]和[vj]由BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到。

沒有通過優(yōu)化算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練開始時會將隱含層和輸出層的閾值和連接權(quán)值初始化為0～1的隨機(jī)數(shù)，這會造成BP神經(jīng)網(wǎng)絡(luò)出現(xiàn)陷入局部最優(yōu)解以及收斂速率低等問題，因此本文使用粒子群優(yōu)化算法對BP神經(jīng)網(wǎng)絡(luò)的初始閾值和權(quán)值進(jìn)行優(yōu)化。

1.2 改進(jìn)型PSO優(yōu)化算法

設(shè)定在S維空間中，種群[W=W1，W2，…，Wn]由n個粒子組成。[Wi=wi1，wi2，…，wiST]表示第i個粒子在S維空間中的位置。第i個粒子的位置[Wi]的適應(yīng)度由目標(biāo)函數(shù)求得從圖2中可以看出，對于單步預(yù)測不同，三步預(yù)測中，改進(jìn)PSO?BP模型預(yù)測結(jié)果最為穩(wěn)定，PSO?BP模型預(yù)測結(jié)果波動明顯，而ARIMA模型預(yù)測結(jié)果多數(shù)情況已經(jīng)遠(yuǎn)離實際數(shù)據(jù)。各種預(yù)測模型對應(yīng)的決定系數(shù)（R?squared）、對稱平均絕對百分比誤差（SMAPE）和均方根誤差（RMSE）如表2所示。

表2 三步預(yù)測結(jié)果

從表2可以看出改進(jìn)PSO?BP模型的決定系數(shù)值為0.885 2，最為接近1，但是相比于單步預(yù)測，偏離程度明顯增加，而PSO?BP模型和ARIMA模型分別為0.712 6和1.654 2，同樣預(yù)測結(jié)果比單步預(yù)測時相差較大，可以說明，對于無線網(wǎng)絡(luò)流量預(yù)測，其長期預(yù)測性較差，隨機(jī)性大。進(jìn)行第三次的五步預(yù)測實驗后，分別使用本文研究預(yù)測模型、常規(guī)PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法建立的無線網(wǎng)絡(luò)流量預(yù)測模型以及基于ARIMA模型的無線網(wǎng)絡(luò)總流量預(yù)測結(jié)果如圖3所示。

從圖3中可以看出，無線網(wǎng)絡(luò)流量的強(qiáng)隨機(jī)性已經(jīng)嚴(yán)重影響了預(yù)測結(jié)果的準(zhǔn)確性。三種預(yù)測模型的預(yù)測結(jié)果均有許多連續(xù)偏離的情況。其中，ARIMA模型預(yù)測結(jié)果偏離實際值非常多，已經(jīng)無法對無線網(wǎng)絡(luò)流量多步進(jìn)行預(yù)測。各種預(yù)測模型對應(yīng)的決定系數(shù)（R?squared）、對稱平均絕對百分比誤差（SMAPE）和均方根誤差（RMSE）見表3。結(jié)果與圖3中預(yù)測結(jié)果基本吻合，再次驗證了本文研究的改進(jìn)PSO?BP模型預(yù)測結(jié)果最為優(yōu)秀，而ARIMA模型無法對無線網(wǎng)絡(luò)流量多步進(jìn)行預(yù)測。

表3 五步預(yù)測結(jié)果

3 結(jié) 論

本文研究一種基于粒子群優(yōu)化算法對BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，解決BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最小值以及訓(xùn)練收斂速率低等問題，引入遺傳算法中的自適應(yīng)變異因子來以一定概率初始化部分變量解決規(guī)的粒子群優(yōu)化算法，會出現(xiàn)陷入局部最優(yōu)解以及早熟收斂等問題。使用經(jīng)典的CRAWDAD數(shù)據(jù)庫中的無線網(wǎng)絡(luò)流量數(shù)據(jù)對本文研究的預(yù)測方法性能進(jìn)行測試。使用穩(wěn)定小波變換方法將無線網(wǎng)絡(luò)流量數(shù)據(jù)分解，得到由1個近似分量和3個細(xì)節(jié)分量組成的數(shù)據(jù)流，使得處理后的數(shù)據(jù)既包含了原始無線網(wǎng)絡(luò)流量數(shù)據(jù)的自相似、混沌以及自相關(guān)等特性外，還平穩(wěn)了各個分量以便于對數(shù)據(jù)的預(yù)測分析。引入決定系數(shù)（R?squared）、對稱平均絕對百分比誤差（SMAPE）和均方根誤差（RMSE）對預(yù)測結(jié)果進(jìn)行定量分析。

測試結(jié)果表明對于單步預(yù)測，三種預(yù)測方法預(yù)測結(jié)果均可以接受，改進(jìn)PSO?BP模型和PSO?BP模型預(yù)測結(jié)果最好，ARIMA模型稍遜。對于三步預(yù)測，改進(jìn)PSO?BP模型預(yù)測結(jié)果最為穩(wěn)定，PSO?BP模型預(yù)測結(jié)果波動明顯，而ARIMA模型預(yù)測結(jié)果多數(shù)情況已經(jīng)遠(yuǎn)離實際數(shù)據(jù)。而對于五步預(yù)測，無線網(wǎng)絡(luò)流量的強(qiáng)隨機(jī)性已經(jīng)嚴(yán)重影響了預(yù)測結(jié)果的準(zhǔn)確性。三種預(yù)測模型的預(yù)測結(jié)果均有許多連續(xù)偏離的情況。其中，ARIMA模型預(yù)測結(jié)果偏離實際值非常多，已經(jīng)無法對無線網(wǎng)絡(luò)流量多步進(jìn)行預(yù)測。

參考文獻(xiàn)

[1] 王濤，余順爭.基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)流量分類研究進(jìn)展[J].小型微型計算機(jī)系統(tǒng)，2012（5）：1034?1040.

[2] 趙鑫.基于NetFlow的網(wǎng)絡(luò)流量異常檢測技術(shù)研究[D].保定：河北大學(xué)，2014.

[3] 吳小花.網(wǎng)絡(luò)異常流量識別技術(shù)的研究[D].長春：長春工業(yè)大學(xué)，2013.

[4] 申磊.基于機(jī)器學(xué)習(xí)的異常流量檢測系統(tǒng)研究[D].北京：北京郵電大學(xué)，2013.

[5] 劉磊.基于遺傳神經(jīng)網(wǎng)絡(luò)的指數(shù)跟蹤優(yōu)化方法[J].系統(tǒng)工程理論與實踐，2010（1）：22?29.

[6] 莊健，楊清宇，杜海峰，等.一種高效的復(fù)雜系統(tǒng)遺傳算法[J].軟件學(xué)報，2010（11）：2790?2801.

[7] 宋國峰，梁昌勇，梁焱，等.改進(jìn)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的旅游景區(qū)日客流量預(yù)測[J].小型微型計算機(jī)系統(tǒng)，2014（9）：2136?2141.

[8] 李松，劉力軍，解永樂.遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時交通流混沌預(yù)測[J].控制與決策，2011（10）：1581?1585.

[9] 李洪洋.淺析網(wǎng)絡(luò)異常流量分析檢測研究與實現(xiàn)[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2013（10）：63?64.

[10] 燕發(fā)文，黃敏，王中飛.基于BF算法的網(wǎng)絡(luò)異常流量行為檢測[J].計算機(jī)工程，2013（7）：165?168.