自相似流量的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型研究

于雅芮 劉立士

摘 ?要：隨著計(jì)算機(jī)網(wǎng)絡(luò)體系規(guī)模的不斷擴(kuò)大，降低網(wǎng)絡(luò)性能的影響因素也日益增多。由于網(wǎng)絡(luò)流量的突發(fā)性會(huì)增加對(duì)網(wǎng)絡(luò)性能的影響，該文針對(duì)網(wǎng)絡(luò)流量的自相似特性和可預(yù)測(cè)性，提出了一種自相似流量的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。此模型通過對(duì)已知的網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行訓(xùn)練，得到預(yù)測(cè)流量，完成對(duì)自相似流量的可預(yù)測(cè)性的驗(yàn)證，最后對(duì)預(yù)測(cè)模型的性能做出評(píng)價(jià)。與傳統(tǒng)的線性模型相比，自相似流量的小波神經(jīng)網(wǎng)絡(luò)模型在仿真過程中表現(xiàn)出預(yù)測(cè)的精確程度高、逼近最優(yōu)值的速度快的優(yōu)點(diǎn)。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) ?自相似 ?流量預(yù)測(cè)

中圖分類號(hào)：TN915.06 ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A ? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)：1672-3791（2019）06（a）-0009-02

隨著人們對(duì)網(wǎng)絡(luò)性能的要求越來越高，網(wǎng)絡(luò)擁塞問題也逐漸被重視起來，故針對(duì)提高網(wǎng)絡(luò)性能的技術(shù)的應(yīng)用也變得尤為重要。大量研究表明，由于網(wǎng)絡(luò)流量具有自相似性以及可預(yù)測(cè)性，所以利用一種自相似流量的預(yù)測(cè)模型對(duì)網(wǎng)絡(luò)流量進(jìn)行仿真預(yù)測(cè)實(shí)驗(yàn)，就可以根據(jù)仿真結(jié)果對(duì)即將到達(dá)的流量進(jìn)行實(shí)時(shí)監(jiān)控，減小網(wǎng)絡(luò)流量的突發(fā)性對(duì)整體網(wǎng)絡(luò)環(huán)境的影響，這將有效提升網(wǎng)絡(luò)的性能。

1 ?自相似流量的特性及預(yù)測(cè)模型

自相似性在統(tǒng)計(jì)意義上可以看作是空間尺度和時(shí)間尺度都不變的特性，而網(wǎng)絡(luò)流量的自相似性表現(xiàn)為從整體中抽取的局部特征與整體特征相似，一部分特征與其他部分特征相似[1]。由于傳統(tǒng)線性預(yù)測(cè)模型在網(wǎng)絡(luò)流量的突發(fā)性方面具有一定的弊端，會(huì)造成預(yù)測(cè)結(jié)果不理想。因此，該文建立了以小波神經(jīng)網(wǎng)絡(luò)為核心的自相似流量預(yù)測(cè)模型，從而減小網(wǎng)絡(luò)流量的突發(fā)性對(duì)預(yù)測(cè)流量造成的誤差。

2 ?小波神經(jīng)網(wǎng)絡(luò)原理及預(yù)測(cè)模型

2.1 小波神經(jīng)網(wǎng)絡(luò)原理

神經(jīng)網(wǎng)絡(luò)的主要原理是求出輸出層的實(shí)驗(yàn)仿真輸出Y與理論輸出X之間的誤差Z，再將誤差Z反向傳播，獲得每個(gè)節(jié)點(diǎn)的偏差，繼續(xù)調(diào)整模型參數(shù)的取值，當(dāng)每個(gè)節(jié)點(diǎn)的偏差都滿足預(yù)設(shè)誤差要求時(shí)，即完成網(wǎng)絡(luò)的學(xué)習(xí)過程。

該文建立的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型采用具有全尺度分析能力的小波函數(shù)代替神經(jīng)元激活函數(shù)[2]。此模型將小波函數(shù)設(shè)定為Morlet小波函數(shù)，其表達(dá)式如公式（1）所示。

2.2 建立網(wǎng)絡(luò)流量預(yù)測(cè)模型

建立預(yù)測(cè)模型的基本流程如下。

第一，選擇合適的神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)并確定隱含層的節(jié)點(diǎn)數(shù)和小波函數(shù)的尺度參數(shù)和平移參數(shù)[3]。

第二，獲取實(shí)驗(yàn)仿真數(shù)據(jù)。將ON/OFF模型產(chǎn)生的數(shù)據(jù)分為訓(xùn)練集和測(cè)試集兩個(gè)部分。由于自相似流量的突發(fā)性，在產(chǎn)生數(shù)據(jù)時(shí)要進(jìn)行多次仿真，最后從中選擇出較穩(wěn)定的數(shù)據(jù)。

第三，訓(xùn)練模型。將訓(xùn)練集的流量數(shù)據(jù)輸入模型中，根據(jù)得到的誤差不斷調(diào)整模型的各項(xiàng)參數(shù)，直到誤差減小到預(yù)設(shè)目標(biāo)，即完成模型的訓(xùn)練。

第四，將測(cè)試集的自相似流量數(shù)據(jù)包輸入到已訓(xùn)練好的模型中，得到預(yù)測(cè)自相似流量，重復(fù)進(jìn)行仿真，獲取誤差最小的預(yù)測(cè)仿真結(jié)果并與實(shí)際的自相似流量進(jìn)行對(duì)比，分析模型預(yù)測(cè)的結(jié)果。由于平均絕對(duì)誤差函數(shù)（Mean Absolute Error，MAE）可以較好地反映預(yù)測(cè)數(shù)據(jù)包個(gè)數(shù)與實(shí)際包數(shù)的絕對(duì)誤差平均值的情況，所以該文選擇MAE來評(píng)價(jià)小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的性能，其函數(shù)表達(dá)式如公式（2）所示。

3 ?仿真驗(yàn)證與分析

該文所采用的自相似流量預(yù)測(cè)數(shù)據(jù)集由ON/OFF源到達(dá)模型產(chǎn)生。在Matlab仿真軟件中，按照上述模型的分析情況確定參數(shù)，并進(jìn)行仿真。各項(xiàng)參數(shù)設(shè)置如下：產(chǎn)生自相似流量的信源到達(dá)過程服從Poisson分布，信源到達(dá)率參數(shù)設(shè)定為=0.5，信源時(shí)間間隔服從指數(shù)分布，到達(dá)率參數(shù)設(shè)定為μ=2，信源持續(xù)周期相互獨(dú)立且服從Pareto分布gprnd（X，K，，），其中X=0.01，K=1.5，==1，數(shù)據(jù)包發(fā)送速率R=10（個(gè)/s）。

仿真結(jié)果如圖1、圖2所示。其中，圖1為ON/OFF源到達(dá)模型產(chǎn)生的數(shù)據(jù)包仿真圖，圖2為利用小波神經(jīng)網(wǎng)絡(luò)模型對(duì)ON/OFF源到達(dá)模型產(chǎn)生的自相似流量進(jìn)行預(yù)測(cè)得到的對(duì)比圖。

如圖1和圖2所示，在時(shí)間點(diǎn)分別為2s、15s、60s、90s時(shí)，源到達(dá)模型產(chǎn)生的數(shù)據(jù)包數(shù)為：180個(gè)、160個(gè)、100個(gè)、150個(gè)。經(jīng)過小波神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)得到的數(shù)據(jù)包數(shù)為：125個(gè)、130個(gè)、105個(gè)、150個(gè)，在2s時(shí)產(chǎn)生數(shù)據(jù)包個(gè)數(shù)的相對(duì)誤差為30.6%，在15s時(shí)產(chǎn)生數(shù)據(jù)包個(gè)數(shù)的相對(duì)誤差為18.8%，在其余時(shí)間點(diǎn)的相對(duì)誤差均小于以上兩點(diǎn)的值。該文利用平均絕對(duì)誤差函數(shù)作為誤差分析的指標(biāo)，由仿真得到預(yù)測(cè)值的絕對(duì)誤差的平均值MAE=4.39，因此，此小波神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果誤差小于預(yù)設(shè)誤差目標(biāo)MAE=8，預(yù)測(cè)值誤差較小。而在時(shí)間點(diǎn)為80s時(shí)，出現(xiàn)較大誤差是由于在利用偏差更新神經(jīng)網(wǎng)絡(luò)權(quán)重因子時(shí)會(huì)產(chǎn)生負(fù)數(shù)，導(dǎo)致最后收斂時(shí)的輸出為負(fù)數(shù)。綜上所述，小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型可以在網(wǎng)絡(luò)流量突發(fā)性存在的情況下完成網(wǎng)絡(luò)流量的預(yù)測(cè)。

4 ?結(jié)語

該文基于網(wǎng)絡(luò)流量的自相似性，建立以神經(jīng)網(wǎng)絡(luò)為核心的自相似流量預(yù)測(cè)模型，完成仿真分析過程。為達(dá)到誤差設(shè)定值，不斷重復(fù)修改此預(yù)測(cè)模型參數(shù)，最終確定了此模型的各項(xiàng)參數(shù)值，實(shí)驗(yàn)仿真過程在Matlab平臺(tái)上完成，仿真結(jié)果證明了自相似流量的可預(yù)測(cè)性。

參考文獻(xiàn)

[1] 耿傳鑫.基于自相似流量預(yù)測(cè)的AOS擁塞控制技術(shù)研究[D].沈陽理工大學(xué)，2019.

[2] 黃恩洲.基于遺傳-小波神經(jīng)網(wǎng)絡(luò)的短時(shí)交通量預(yù)測(cè)[J].海南大學(xué)學(xué)報(bào)：自然科學(xué)版，2014，32（1）：55-59.

[3] 姚瑩.基于小波過程神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)方法研究[D].合肥工業(yè)大學(xué)，2013.