相空间重构与改进SMA优化SVR的网络流量预测

为提高网络流量预测精度,提出结合相空间重构与改进黏菌优化支持向量回归的预测模型。为解决黏菌算法收敛慢、易得局部最优的不足,引入3种形态对立学习对种群进行初始化,提高种群多样性;利用非线性反馈因子更新机制,均衡全局搜索与局部开发;设计柯西-高斯混合变异对最优解变异,扩展搜索空间,避免陷入局部最优。利用改进黏菌算法对支持向量回归优化调参,有效解决超参初值敏感缺陷,提高学习精度和收敛速度,以此构建网络流量预测模型。实验结果表明,改进模型预测误差更小,能够实现高精度和实时性预测要求。

基于时域划分的网络流量预测方法

网络流量的预测一般通过建立相应的分析模型分析时序序列的发展过程及趋势,缺乏对网络流量波动空间和周期特征的分析,无法对短时突变流量及短周期流量进行精准预测。为了提高网络流量的预测效果,提出一种基于时域特征分析的网络流量预测方法。该方法通过分析网络流量的周期特征,建立时域划分模型,使具有相同趋势及波动空间的网络流量重组,突出短时突变流量和周期趋势特征,增强数据规律,以提高网络流量预测精度。选取反向传播(BP)神经网络、长短期记忆(LSTM)神经网络及小波神经网络(WNN)模型,采用均方误差(MSE)作为衡量标准,分别验证时域划分模式和全时域模式网络流量预测效果。结果表明,时域划分模式时BP神经网络和WNN的MSE相比全时域模式更低,其中时域划分模式BP神经网络的MSE降低为全时域模式时的1/24,说明通过分析网络流量数据建立的时域划分模型能够提高网络流量预测性能,为大规模互联网环境下的网络流量预测分析提供一种分而治之的方法。

基于改进北方苍鹰优化随机配置网络的网络流量预测模型

网络流量预测作为一种关键技术,能帮助实现网络资源的合理分配、优化网络性能以及提供高效的网络服务。随着网络环境的演变和发展,网络流量的多样性和复杂性增加,为了提高网络流量的预测精度,提出了一种基于改进北方苍鹰优化随机配置网络(CNGO-SCN)的网络流量预测模型。随机配置网络作为一种具有监督机制的增量式模型,在解决大规模数据回归和预测问题方面具有良好的优势。但是,一些超参数的选择影响了随机配置网络的准确性。针对这一问题,利用北方苍鹰算法对影响随机配置网络性能的正则化参数和比例因子进行优化,得到最佳数值。而北方苍鹰算法由于初始种群的随机分布导致种群个体质量不佳,因此引入混沌逻辑映射提升初始解的质量。将优化后的模型应用于英国学术网、欧洲某城市核心网网络流量数据集和合作企业搭建的网络协同制造云平台交换机接口的真实流量数据集,并与多种神经网络模型进行对比,以验证所提模型的网络流量预测能力。实验结果表明,该模型对比其他神经网络模型具有更高的预测精度,在实际应用场景中处理复杂数据时具备更加优秀的预测能力,该模型的预测误差下降了0.9%~99.7%。

CycleLLH:一种基于周期性整合的新型网络流量预测模型

精准的网络流量预测是实现网络精细化和智能化管理的关键,也是网络运营商、云服务提供商等实现网络智能运维及应用服务保障的重要支撑,属于当前业界研究的热点.网络流量预测问题一般可被视为一种时间序列预测问题,现有时间序列预测模型虽然能起到一定作用,但这些通用模型很少考虑流量数据集本身特点,从而无法在网络流量预测性能上取得突破.为此,本文重点研究了网络流量数据集中的自然周期特征,提出了一种能有效利时间序列周期性特点的网络流量预测通用模型——Cycle Little Linear Head(CycleLLH).该模型主干为Transformer的编码器,其中两个关键设计在于:(1)周期整合.将流量序列按照一个特定周期划分步长划分为不同的周期块,然后将这些周期块对应相位的时间节点分别嵌入到不同输入令牌;(2)小线性层.由多个多层感知机组成,并且多层感知机单独作用于每个相位的时间特征.周期整合使得模型具有两个优点:更有利于模型提取数据集在一个周期内的特征;注意力矩阵的计算和内存复杂度可以看作是和周期划分步长二次方有关的常数,使得模型可以使用更大的回溯窗口而仅增加少量计算资源.通过在公共流量数据集上进行大量实验,本研究表明:与当前最先进的模型相比,CycleLLH在流量预测精度方面表现出显著优势,在六个数据集上的预测精度分别提升了12.3%、8.4%、29.9%、5.8%、8.3%和2.0%.代码可从https://github.com/wenjietang218/CycleLLH.git中获取.

基于时空特征交叉融合的网络流量预测

精确的网络流量预测对网络资源合理分配、提高通信质量有着重要作用。然而网络流量存在着复杂的时空依赖性,呈现高度非线性、复杂性,这给流量预测带来了困难。经过对现有的网络流量预测文献进行研究,分析网络流量的时间性质和空间性质,提出时空特征交叉融合的网路流量预测模型STCFusion。并在三个公开的数据集ABILENE、GEANT和CERNET进行充分的实验,实验结果表明提出的STCFusion有明显效果。

基于ResNet-LSTM组合模型的网络流量预测研究

对网络流量的准确预测,不仅是网络安全稳定运行的保障,还是运营商合理调度网络资源的重要参考.为了提高网络流量预测精度,提出一种基于残差网络与长短时记忆网络相结合的流量预测方法.首先,使用残差卷积层提取原始数据特征,并将提取的特征向量输入LSTM各节点,然后,LSTM细胞单元通过循环连接进行长序列预测,最后,通过输出层输出预测结果.利用淮南汽车站采集到的网络流量数据进行实验仿真,并与卷积网络、残差网络和长短时记忆网络预测方法对比,实验结果表明,ResNet-LSTM模型预测精度更高.

结合改进算术优化算法与小波神经网络的网络流量预测模型

网络流量具有非线性、复杂性特征,传统方法预测精度较低。为此,提出结合改进算术优化算法IAOA与小波神经网络WNN的网络流量预测模型。利用IAOA算法对小波神经网络关键参数初值调优,有效解决常规调参易陷入局部最优的缺陷,提高学习精度和收敛速度。对标准算术优化算法进行改进,设计拉丁超立方抽样法进行种群初始化,提高种群多样性;利用余弦函数对AOA的数学优化器非线性更新,均衡算法全局搜索与局部开发;引入针对最优解的高斯变异机制,避免算法陷入局部最优。利用十个基准函数对IAOA算法进行数值仿真,证实算法能够提高搜索精度和收敛速度。而网络流量预测实验结果表明,提出的预测模型具有更高的精确度,预测性能更加稳定,能够满足网络流量预测的高精度和实时性要求。

基于改进BP神经网络的网络流量预测

传统网络流量预测方法常面临精度不足、时间复杂度高的问题,且在处理复杂的网络流量时,难以达到理想的预测效果。为克服这些挑战,采用深度学习中的反向传播(Back Propagation,BP)神经网络算法,并结合改进的梯度下降法,通过引入动量项与变步长法相结合的方式,有效降低误差值,实现了对网络流量的准确预测。该方法旨在更好地满足用户需求,优化网络性能,并提升网络服务质量。实验结果表明,改进后的BP神经网络算法在网络流量预测中展现出良好的可行性与稳健性,同时达到了较高的预测精度。

TimeANet:一种简易部署的网络流量预测模型

网络流量预测在网络管理和优化中起着至关重要的作用。然而,传统的深度学习模型(如循环神经网络和卷积神经网络)虽然在时间序列预测中表现良好,但在网络流量预测中仍面临一些挑战。首先,这些模型在处理长时间依赖时容易出现信息丢失问题;其次,其模型复杂度较高,难以在实际部署中高效运行。为了解决这些问题,本文提出了一种新的轻量级模型TimeANet。设计了高效的注意力神经算子,显著增强了特征感知能力;同时,设计了一个具有长期记忆能力的特征通道,有效应对信息丢失问题。实验结果表明,与现有时序序列预测框架相比,TimeANet具有显著的轻量化和准确性的优势。

基于改进BPNN的5G通信网络流量预测

为提高5G网络流量预测结果的准确性,提出一种基于改进反向传播神经网络(Back Propagation Neural Network,BPNN)的5G通信网络流量预测方法,采用阿基米德优化算法(Arithmetic Optimization Algorithm,AOA)优化BPNN的权系数和阈值,建立基于AOA-BPNN的5G通信网络流量预测模型。采用某5G基站的网络通信流量监测数据进行仿真分析,并与其他方法的预测效果进行对比,结果表明,AOA-BPNN模型预测结果的平均相对误差和均方根误差分别为4.25%和0.522 GB,预测精度高于其他方法,验证了所提方法的实用性和优越性。

认知网络中基于蚁群算法的网络流量预测模型

认知网络能够感知外部环境,并能根据周围环境的变化智能、自主、自适应的动态变化,这种特性更适合为用户提供QoS(Quality of Service)保障.设计高精度的流量预测模型,可以提高认知网络的认知特性.本文针对原有预测模型预测精度低、对训练数据依赖程度高以及不能很好的刻画网络流量特征的不足,提出了一个混合的流量预测模型.它使用蚁群算法训练BP网络的权值,避免了梯度下降法收敛速度慢、容易陷入局部最优的问题.并且在预测之前,首先使用BP(Back Propagation)网络剔除原始数据中的异常数据信号,再对其进行小波分解,最后使用混合模型预测网络流量,实现了认知网络中高精度的流量预测.

基于非线性预处理网络流量预测方法的泛洪型DDoS攻击检测算法

该文提出了一种基于非线性预处理网络流量预测方法NLPP(Non-Linear Preprocessing Network Traffic Prediction)的分布式拒绝服务DDoS攻击检测算法,该算法是在分析DDoS攻击的网络流量特性基础上提出的,由一个基本检测算法和一个非线性预处理网络流量预测方法组成.通过与两种经典算法———基于VTP的检测算法和基于小波分析的检测算法对比分析,证明文中提出的算法有比这两种经典算法更高效的检测结果.只要参数选取合适,该算法可以达到100%的检到率和100%的正确率.该算法在引入非线性预处理网络流量预测方法NLPP后,大大缩短了检测延迟,可以很好地实时检测DDoS攻击.

基于ARMA模型的网络流量预测

随着计算机网络的迅速发展 ,目前的网络规模极为庞大和复杂 ,因此发生各种问题的可能性也越大 ,同时管理网络的难度也增大 .传统的网络管理是在告警之后 ,解决潜在的问题 ,即为一种响应式的行为 ,这时候网络服务很可能已经受到影响 .根据实际采集的非单播包数的观测值序列 ,建立该流量参数的正常行为 ,然后平稳化该序列 ,估计出网络流量的 ARMA(2 ,1)模型 ,用线性最小均方误差预测方法 ,对网络流量进行预测 ,并检测在将来超越阈值的可能性和发生时间 .这样 ,在网络过载发生之前 ,可以预先采取防范措施 ,来保证网络的正常服务 .这种方法改变了以往的网络管理响应方式 。

基于ARMA模型的网络流量预测

针对海量网络数据的特性,基于数据分割,用分段ARMA模型建立了网络流量的时间预测模型。以向后1 h的流量预测确定了ARMA(3,2)模型的预测参数,仿真分析与NetFlow实测数据对比表明,该预测模型的预测精度高、误差小,能够较好的进行网络流量的短期预测。

延迟时间和嵌入维数联合优化的网络流量预测

为了提高网络流量的预测精度,利用相空间重构的两个关键参数—延迟时间(τ)和嵌入维(m)间的相互联系,提出一种延迟时间和嵌入维数联合优化的网络流量预测模型。该模型以最小二乘支持向量机作为网络流量预测算法,根据网络流量预测结果优劣评价指选择最优τ和m值,建立单步、多步网络流量预测模型,并通过仿真实验对模型的性能进行分析。结果表明,模型可以准确选择出最优嵌入维数和延迟时间,显著提高了网络流量的预测精度,预测结果明显优于独立优化τ和m以及传统联合优化τ和m的网络流量预测模型。

模糊层次分析法优化SVM参数的网络流量预测

针对当前网络流量非线性时变、混沌等特点以及现有的基于支持向量机(support vector machine,SVM)网络流量预测模型存在预测稳定性不好、精度较低等问题,采用模糊层次分析法对SVM预测模型进行改进,首先使用模糊层次分析法对SVM的σ和C参数进行寻优,然后用寻找到的最优参数来训练SVM,最后建立预测模型,预测网络流量.实验结果表明,本文方法不但可以较好的跟踪网络流量变化趋势,从而可以使网络流量的预测值与实际非常接近,而且预测误差变化范围波动小,是一有效的并且预测精度高的网络流量预测方法.

一种新的基于GCS-SVM的网络流量预测模型

针对网络流量预测模型存在预测稳定性不好、精度较低等问题,提出一种改进布谷鸟搜索算法优化支持向量机的网络流量预测模型(GCS-SVM)。将网络流量时间序列进行重构,采用改进布谷鸟搜索算法优化支持向量机参数,使用这组最优参数建立网络流量预测模型。仿真结果表明,GCS-SVM模型对网络流量预测是有效可行的。

基于IPSO混沌支持向量机的网络流量预测研究

针对传统混沌支持向量机参数寻优算法的不足,提出了一种改进的粒子群(IPSO)算法。该算法通过延长迭代的开始阶段和最后阶段的搜索时间,实现了算法的全局搜索与局部搜索能力之间的平衡,进而优化模型参数,建立了基于IPSO优化的混沌支持向量机预测模型。应用实例结果表明,该模型对网络流量预测是有效可行的,并具有较高的寻优效率、预测精度和较好的稳态性能。

量子遗传算法优化BP神经网络的网络流量预测

为了提高网络流量的预测精度,提出了一种改进的多种群量子遗传算法优化BP神经网络的网络流量预测模型。在确定了神经网络的结构后,采用多种群量子遗传算法对BP神经网络的初始权值和阈值进行优化。该模型利用K均值聚类算法将种群划分成若干子种群,多个子种群分别进化以保持种群的多样性。子种群间通过移民操作进行信息交互,减小了算法陷入局部最优的概率。同时采用一种自适应的量子旋转门调整策略加快算法的收敛速度。仿真结果表明,相较传统方法,该模型在网络流量预测方面具有收敛速度快、预测精度高的优点。

改进飞蛾捕焰算法在网络流量预测中的应用

传统BP神经网络对网络流量时间序列预测精度低和泛化能力弱。为此,提出一种新的优化BP神经网络的方法。通过小波包分解对网络流量进行多频段序列分解,并采用飞蛾纵横交叉混沌捕焰算法优化的神经网络,对各分解后的子序列进行预测,叠加各子序列的预测值,重构获取实际预测结果。仿真结果表明,与传统BP神经网络预测方法相比,该方法能捕获网络流量的变化规律,具有较好的预测精度、稳定性和泛化能力。