基于小波神經網絡的網絡流量預測研究

李欣+孫珊珊

摘 要： 主要采用小波神經網絡的相關理論和方法對某小區網絡的訪問流量情況進行建模和預測。利用收集到的網絡流量變化情況作為小波網絡的訓練樣本，成功實現了該網絡的流量預測。試驗仿真結果表明，構建的小波神經網絡模型可以很好地實現對網絡流量的高精度預測。

關鍵詞： 小波神經網絡； 網絡流量； 預測研究； 訓練樣本

中圖分類號： TN711?34 文獻標識碼： A 文章編號： 1004?373X（2016）23?0098?02

Research on network traffic prediction based on wavelet neural network

LI Xin， SUN Shanshan

（College of Information Engineering， Suihua University， Suihua 152000， China）

Abstract： The relevant theory and method of wavelet neural network are used to establish and predict the network traffic situation of a certain uptown. The acquired network traffic change situation is used as the training sample of the wavelet network to realize the traffic prediction of the network. The simulation results show that the constructed wavelet neural network model has high precision to predict the network traffic.

Keywords： wavelet neural network； network traffic； prediction research； training sample

0 引 言

隨著互聯網規模的不斷增大以及各種網絡“新應用”、“新服務”的不斷涌現，網絡信息變得越來越龐大和多變，對網絡訪問流量進行精確地預測從而實現對網絡運行狀態的有效管理，已經逐步成為目前的一個研究熱點。網絡流量預測是實現網絡控制、網絡規劃，保證網絡安全以及提高網絡服務質量的重要前提。

網絡流量具有自相似性、長相關性和多重分形性等復雜性質，對其進行精確地預測一直以來都是一個難點。目前，常見的網絡流量預測方法主要有自回歸分析法、馬爾科夫分析法、分形布朗運動分析法和神經網絡分析法。與前面三種傳統方法相比，利用神經網絡對網絡流量進行預測具有預測精度高、方法簡單、泛化性強和穩定性好的特點，正在逐步成為網絡流量預測研究中的主流方法。

文獻[1]根據網絡流量的變化特征，基于BP神經網絡提出了一個P2P網絡流量預測模型，實現了網絡流量的較高精度預測。文獻[2]結合小波變換和人工神經網絡的優勢，建立一種網絡流量預測的小波神經網絡模型，通過將流量時間序列進行小波分解，獲得了網絡的訓練和驗證樣本，試驗表明采用這種方法進行流量預測，要比直接采用神經網絡對樣本進行預測的精度高。文獻[3]根據網絡流量自身的特征，研究了BP神經網絡和小波神經網絡在校園流量預測中的應用，其所建立的模型，經仿真驗證證明，可以較好地預測學校網絡的流量變化情況，可以為校園網絡的規劃和管理提供一定參考。

小波神經網絡是一種以BP神經網絡拓撲結構為基礎，把小波基函數作為隱含節點的傳遞函數，其拓撲結構如圖1所示。它類似于BP神經網絡權值修正算法，采用梯度修正法修正網絡的權值和小波基函數參數，從而使小波神經網絡預測輸出不斷逼近期望輸出[4?5]。

采用小波神經網絡進行網絡流量預測的基本流程如圖2所示。

1 網絡流量預測

1.1 試驗數據來源

采用網絡流量監測軟件對某小區的網絡流量進行實時采集，得到了該小區5天內的網絡流量數據，每隔15 min記錄一次該時間段內的網絡流量值，一共獲得了480個時間點的數據。用4天共384個網絡流量的數據訓練小波網絡，最后用訓練好的小波神經網絡預測第5天的網絡流量。為了避免局部數值偏移造成的誤差，本文采用編組的方式提高模型預測精度，用前三個時間點的網絡流量來綜合預測后一個時間點的網絡流量情況[6?7]。

圖1 小波神經網絡的拓撲結構

圖2 小波神經網絡進行預測的流程圖

1.2 構建小波神經網絡模型

本文采用的小波基函數為Mexican Hat小波基函數，其表達式為：

[ψ（t）=（1-t2）e-t22ψ（ω）=2πω2e-ω22]

函數的時域和頻域波形圖如圖3所示[7?8]。

圖3 Mexican Hat函數的時域和頻域特征

本文采用的小波神經網絡結構為3?5?1；輸入層有3個節點，表示預測時間節點前3個時間節點的網絡流量；隱含層有5個節點；輸入層有1個節點，為預測的網絡流量。設置網絡預期誤差值為[1×10-2，]將訓練數據輸入到Matlab軟件中進行訓練，訓練過程中小波神經網絡的誤差變換情況如圖4所示。由圖4可知，該小波神經網絡經過58步運算后收斂到預定精度要求。

用訓練好的小波神經網絡對該小區內第五天的網絡流量情況進行預測，預測結果與交通流量的實際值比較如圖5所示。在圖5中，加“*”曲線對應預測數據，加“[○]”曲線對應實際數據，可以看到小波神經網絡可以較好地預測網絡流量。

為了進一步分析仿真結果，采用絕對值誤差均值（MAE）和絕對百分比誤差均值（MAPE）兩個指標進行評價分析，其中MAE和MAPE分別用下式計算[9]：

[MAE=1ni=1nxi-xiMAPE=1ni=1nxi-xixi×100%]

式中：[xi]表示模型的預測值；[xi]表示模型預測值的算術平均值；[n]為樣本數。

小波神經網絡的MAE和MAPE值如表1所示。

從表1可以看出，本文構建的小波神經網絡的MAE值在3.36 GB左右，而MAPE值小于0.1，說明該預測模型可以較好地預測網絡流量的變化情況，反應該小區的流量信息變化，為小區網絡的規劃和管理提供可靠的依據。

2 結 論

本文在網絡流量的預測研究中引入了小波神經網絡模型，利用收集到的某小區5天內的網絡流量變化數據作為訓練和測試樣本對構建的小波神經網絡進行訓練和測試研究。試驗結果表明，本文構建的小波神經網絡具有較高的預測精度，可以對該小區網絡的流量變化情況進行較高精度的預測。

參考文獻

[1] 韓志杰，王汝傳.一種新的 P2P 網絡流量預測模型[J].計算機科學，2008（9）：39?14.

[2] 雷霆，余鎮危.一種網絡流量預測的小波神經網絡模型[J].計算機應用，2006（3）：526?528.

[3] 張昕.校園網絡流量分析與預測研究[D].西安：西安電子科技大學，2012.

[4] 王鳴，孫奕鳴.小波支持向量機的網絡流量預測研究[J].計算機仿真，2012，29（11）：198?201.

[5] ZHANG Li， ZHOU Weida， JIAO Licheng. Wavelet support vector machine [J]. IEEE transactions on systems， man， and cybernetics， 2004， 34（1）： 34?39.

[6] 鄧遠.BP神經網絡評價方法在交通流量評價方面的應用[J].中國交通，2011，35（5）：146?151.

[7] 李遠航.網絡流量預測技術的應用[J].計算機工程應用研究，2014，34（1）：131?138.

[8] 李目，何怡剛，周少武，等.一種差分進化算法優化小波神經網絡及其在弱信號檢測中的應用[J].計算機應用與軟件，2010，27（3）：29?31.

[9] 姚奇富，李翠風，馬華林，等.灰色系統理論和馬爾柯夫鏈相結合的網絡流量預測方法[J].浙江大學學報（理學版），2007，34（4）：396?400.