基于改進BP神經網(wǎng)絡的路由器流量預測方法*

任師濤， 史志才， 吳 飛， 鐘亞洲， 陳珊珊， 陳計偉

(上海工程技術大學 電子電氣工程學院，上海 201620)

0 引 言

路由器節(jié)能的方法有很多種，但一些方法可能會增加額外開銷。現(xiàn)階段，很多研究都在尋求一種更加有效的流量預測方案，也提出了一些常用的預測方法。文獻[1]提出卡爾曼濾波模型是一個可以預測實時動態(tài)數(shù)據(jù)的模型，但路由器流量具有很大的有隨機性和突發(fā)性，模型量化能力差，并不是有效的網(wǎng)絡流量預測方法。文獻[2]提出反向傳播(back propagation,BP)神經網(wǎng)絡模型能夠較好克服網(wǎng)絡流量的非線性和不確定性因素，但傳統(tǒng)BP神經網(wǎng)絡并不能解決網(wǎng)絡流量的多尺度性和突發(fā)性，因此需要對傳統(tǒng)BP神經網(wǎng)絡模型進行改進以提高預測精度[3～5]。

本文提出了一種加入學習率自適應算法的BP神經網(wǎng)絡流量預測方法，為一種非常智能且效率很高的路由器節(jié)能方法。該策略通過感知用戶的相關參數(shù)，通過BP神經網(wǎng)絡模型對參數(shù)進行預測處理，輸出的結果為路由器發(fā)射功率的調節(jié)提供依據(jù)[6～10]。本文進行大量實驗，并與其他方法詳細對比，結果表明：在加入學利率自適應算法之后，BP神經網(wǎng)絡在學習過程中誤差下降很快，且容易編程實現(xiàn)，提高了BP神經網(wǎng)絡的訓練速度和預測精度。

1 網(wǎng)絡流量預測原理

網(wǎng)絡流量預測就是通過總結過去時間的流量特征，從而推算出未來時間點的流量特征。對模型的預測精度要求較高。可以用如式(1)函數(shù)表示，一般原理如圖1所示。

(1)

圖1 網(wǎng)絡流量預測原理

2 傳統(tǒng)BP神經網(wǎng)絡模型的建立

2.1 BP神經網(wǎng)絡參數(shù)的選擇

1)輸入層節(jié)點數(shù)確定方法。主要根據(jù)數(shù)據(jù)流的維數(shù)決定輸入層的節(jié)點個數(shù)。選擇維數(shù)時，要根據(jù)所要描述的輸入流的特征是否吻合。在BP神經網(wǎng)絡進行訓練之前，應該輸入數(shù)據(jù)進行全面采集，并對比分析總結出代表性的特征。

2)隱含層節(jié)點數(shù)確定方法。需要通過大量的實驗，以估算出最佳的節(jié)點數(shù)目。

2.2 BP神經網(wǎng)絡的結構設計

將采集的流量數(shù)據(jù)設為X(t),t=0,1,…N-1，N=24。將一維的流量數(shù)據(jù)重構為多維的流量數(shù)據(jù)，文中將采集到流量數(shù)據(jù)每24 h作為網(wǎng)絡的自變量，即輸入節(jié)點設定為24，當前時段的流量數(shù)據(jù)作為唯一輸出。通過前24 h的流量數(shù)據(jù)，來預測下一時刻的流量數(shù)據(jù)，可獲得網(wǎng)絡的輸出詳情。BP神經網(wǎng)絡的數(shù)學模型為式(2),基本結構如圖2所示

(2)

式中xj(j=1,2,3，…,N)為神經元的輸入信號；wij為連接權重；ui為輸入信號混合的輸出，也是神經元i的純輸入；θi為神經元的閾值；vi為經閾值調整后的值，f(·)為神經元的激活函數(shù)。

圖2 BP神經網(wǎng)絡的神經元結構

擁有一個隱含層的前饋網(wǎng)絡，可以實現(xiàn) BP 神經網(wǎng)絡的基本功能。但過多隱含層個數(shù)會提高網(wǎng)絡的復雜度，使訓練時間變長，效率變低。為提高誤差精度，可以通過增加隱含層的節(jié)點數(shù)目實現(xiàn)。

3 改進學習率的BP神經網(wǎng)絡流量預測模型

3.1 改進學習率的BP神經網(wǎng)絡激活函數(shù)

S型函數(shù)為包括域值在(0,1)區(qū)間的S函數(shù)和域值在(-1，1)的正切函數(shù)。函數(shù)表達式

f(x)=(1+e-αx)-1

(3)

3.2 改進學習率的BP神經網(wǎng)絡權值

假定初始權值在 [-0.5，0.5]和[-1，1]的區(qū)間內取隨機數(shù)值，實驗發(fā)現(xiàn)：如果初始權值選取過大，即各初始權值間的差別很大，在訓練中權值的修正過程中容易產生突變現(xiàn)象。并且亦導致神經元趨于飽和。所以最終訓練權值在[-5,5]的范圍最佳。在網(wǎng)絡結構學習率等因素一定的條件下，普遍認為權值初始值的范圍應該在 ±0.8左右。

3.3 改進BP神經網(wǎng)絡學習率自適應算法

學習率ε是決定權重調整量Δwij(n)大小的關鍵因素[11～13]。在學習過程中利用梯度下降法使權重沿誤差曲面的負梯度方向調整

(4)

為了探究學習率與網(wǎng)絡的收斂能力及訓練速度之間的關系，取不同的學習率值，計算出相應的學習時間,如圖3。

圖3 不同學習率對比

從圖中看出，如果學習率選取過小則網(wǎng)絡的收斂速度較差；學習率選取過大則會導致網(wǎng)絡不能收斂，發(fā)生振蕩的現(xiàn)象。因此，學習率取值范圍為[0.25，0.45]。

4 實驗與結果分析

4.1 數(shù)據(jù)獲取與處理

編寫相關程序定時獲取路由器的流量數(shù)據(jù)，每隔1 h獲得一次流量，連續(xù)獲取30天，本文以收集到120個流量時間序列數(shù)據(jù)為例進行實驗處理。

在訓練之前對流量數(shù)據(jù)進行歸一化處理，去除由數(shù)據(jù)差異引起的干擾。將所有的數(shù)據(jù)歸一到[0.1，0.9]，即

(5)

將獲取數(shù)據(jù)分成兩部分，前100 h作為網(wǎng)絡訓練樣本，后20 h作為網(wǎng)絡測試樣本，采用BP神經網(wǎng)絡和改進的BP神經網(wǎng)絡訓練樣本進行學習，并對測試樣本進行預測。

4.2 結果分析

圖4所示為通過采用改進BP神經網(wǎng)絡和傳統(tǒng)BP神經網(wǎng)絡對網(wǎng)絡流量預測的對比。從圖中可以看出：改進的BP神經網(wǎng)絡模的預測結果較傳統(tǒng)BP神經網(wǎng)絡的預測結果精確度更高。改進BP神經網(wǎng)絡的預測值和實際值的曲線比較吻合，雖然與實際值相比還是有略微的偏差，但與傳統(tǒng)的方法相比，訓練速度更快，預測精度亦明顯提高，是一種很好的網(wǎng)絡流量預測模型。

圖4 實驗結果對比

5 結 論

本文提出改進的BP神經網(wǎng)絡預測模型，通過加入學利率自適應算法使得模型對網(wǎng)絡流量預測的精度和速度都明顯提高，是一種值得深入研究的網(wǎng)絡流量預測方法。