崔兆順

CUI Zhaoshun

天水師范學(xué)院 物理與信息科學(xué)學(xué)院，甘肅 天水 741001

College of Physics and Information Science,Tianshui Normal University,Tianshui,Gansu 741001,China

隨著網(wǎng)絡(luò)應(yīng)用范圍日益廣泛，網(wǎng)絡(luò)的擁塞越來越頻繁，網(wǎng)絡(luò)流量預(yù)測可以為網(wǎng)絡(luò)管理員提供技術(shù)支持，幫助其及時調(diào)整網(wǎng)絡(luò)控制策略，提高網(wǎng)絡(luò)服務(wù)質(zhì)量，因此網(wǎng)絡(luò)流量建模與預(yù)測一直是網(wǎng)絡(luò)研究中的重點(diǎn)[1]。

網(wǎng)絡(luò)流量數(shù)據(jù)實(shí)質(zhì)上是一種時間序列數(shù)據(jù)，傳統(tǒng)預(yù)測模型有差分自回歸移動平均模型（ARIMA）、自動回歸模型（AR）等[2-3]，它們假設(shè)網(wǎng)絡(luò)流量一種平穩(wěn)變化的數(shù)據(jù)，實(shí)際上，網(wǎng)絡(luò)流量是多種因素綜合作用的結(jié)果，具有隨機(jī)性、時變性等非平穩(wěn)變化特點(diǎn)，傳統(tǒng)模型難以準(zhǔn)確對網(wǎng)絡(luò)流進(jìn)行長期預(yù)測，應(yīng)用范圍具有局限性[4]。針對網(wǎng)絡(luò)流量的非平穩(wěn)性，一些學(xué)者將非線性理論引入到網(wǎng)絡(luò)流量建模與預(yù)測中，出現(xiàn)支持向量機(jī)、灰色理論、神經(jīng)網(wǎng)絡(luò)等網(wǎng)絡(luò)流量的預(yù)測模型[5-7]，它們可以較好地描述網(wǎng)絡(luò)流量變化趨勢，網(wǎng)絡(luò)流量的預(yù)測精度得以提高[8]。由于網(wǎng)絡(luò)流量是一種受多種影響因素綜合作用的復(fù)雜系統(tǒng)，單一預(yù)測算法只能描述其部分或片段信息，難以全面、準(zhǔn)確對其變化規(guī)律進(jìn)行預(yù)測?；谥腗-競爭理論，一些學(xué)者建立了組合的網(wǎng)絡(luò)流量預(yù)測模型，結(jié)果表明，組合模型能夠較大限度地利用各種預(yù)測樣本信息，比單個預(yù)測模型考慮問題更系統(tǒng)，更全面[9-10]。同時由于網(wǎng)絡(luò)流量具有多尺度特性，有學(xué)者提出一種小波分析和ARIMA相融合的網(wǎng)絡(luò)流量預(yù)測模型，取得了不錯的預(yù)測效果[11]；然而該模型采用單一ARIMA模型同時對高頻和低頻部分進(jìn)行建模，難以準(zhǔn)確描述網(wǎng)絡(luò)流量復(fù)雜變化特性，預(yù)測有待進(jìn)一步提高[12-13]。

為了提高網(wǎng)絡(luò)流量的預(yù)測精度，利用ARIMA強(qiáng)大的線性預(yù)測能力和最小二乘支持向量機(jī)（LSSVM）優(yōu)異的非線性預(yù)測力，提出一種小波變換的網(wǎng)絡(luò)流量組合預(yù)測模型（WA-ARIMA-SVM）。首先利用小波分析對網(wǎng)絡(luò)流量進(jìn)行多尺度分解，提取不同頻率成分序列，然后分別采用ARIMA和LSSVM對高頻和低頻進(jìn)行預(yù)測，最后重構(gòu)預(yù)測結(jié)果，并采用仿真實(shí)例對模型性能進(jìn)行測試與分析。

1 WA-ARIMA-LSSVM的網(wǎng)絡(luò)流量預(yù)測模型

1.1 網(wǎng)絡(luò)流量的小波分解與重構(gòu)

小波分析可以提取每個數(shù)據(jù)點(diǎn)上不同頻率帶的小波系數(shù)信息，使信息量最大化，因此采用小波分析對網(wǎng)絡(luò)流量進(jìn)行，得到尺度 j的近似系數(shù)為：

式中，1≤j≤J。

尺度 j下的網(wǎng)絡(luò)流量細(xì)節(jié)系數(shù)表示為：

網(wǎng)絡(luò)流量在經(jīng)過尺度 j下的小波分析后的結(jié)果為{d1，d2，…，dj，cj}。

網(wǎng)絡(luò)流量可采用近似和細(xì)節(jié)系數(shù)進(jìn)行描述，即小波重構(gòu)：

1.2 ARIMA預(yù)測算法

由于網(wǎng)絡(luò)流量的高頻序列可以近似看作平穩(wěn)時間序列，因此采用差分自回歸滑動平均模型（ARIMA）的進(jìn)行建模，其包括自回歸AR（Auto Regressive）、I差分（Differencing）和滑動平均MA（Moving-Average）組合，比自回歸滑動平均模型（ARMA）更加靈活，其結(jié)構(gòu)描述為：

式中，?d=(1-B)d是差分算子。

網(wǎng)絡(luò)流量預(yù)測模型ARIMA的建立關(guān)鍵是確定回歸和平滑參數(shù)，階數(shù)通過自相關(guān)函數(shù)（ACF）和偏自相關(guān)函數(shù)（PACF）決定，ARIMA建模過程如下：

（1）網(wǎng)絡(luò)流量序列的平穩(wěn)化處理，如果網(wǎng)絡(luò)流量序列是非平穩(wěn)的，那么就通過差分處理使其平穩(wěn)化。

（2）模型的識別，主要通過ACF和PACF確定ARIMA模型的階數(shù) p、q。

（3）采用最適合的參數(shù)建立網(wǎng)絡(luò)流量模型。

1.3 最小二乘支持向量機(jī)

LSSVM是標(biāo)準(zhǔn)支持向量機(jī)的一種改進(jìn)，改善了求解速度和收斂精度，并具有更優(yōu)的泛化推廣能力，網(wǎng)絡(luò)流量的低頻部分表示長期趨勢，具有非線性變化特點(diǎn)，因此采用LSSVM對低頻序列進(jìn)行建模與預(yù)測[12]。設(shè)訓(xùn)練數(shù)據(jù)集為：X={xi，yi}，i=1，2，…，N ，xi是輸入樣本，yi是期望輸出，N為樣本總數(shù)，通過映射函數(shù)將訓(xùn)練集映射到一個高維特征空間，映射關(guān)系可描述為：

式中，ω為權(quán)向量，b為閾值。

根據(jù)結(jié)構(gòu)風(fēng)險最小化原則計算參數(shù)ω、b的值，那以LSSVM回歸模型為：

式中，c為懲罰因子；εi是實(shí)際值與輸出值間的誤差。

由于ω的維數(shù)較高，對式（7）進(jìn)行直接求解相當(dāng)困難，因此引入拉格朗日函數(shù)進(jìn)行求解

式中，ai是拉格朗日乘子。

依據(jù)KTT條件，由

消去ω、εi可以得到如下的方程組：

由 Mercer條件可得：K(xi，xj)＝φ(xi)Tφ(xj)，K(xi，xj)為核函數(shù)，采用最小二乘法求解a和b，得

采用徑向基核函數(shù)作為LSSVM的核函數(shù)，其定義為：

式中，σ是核寬度參數(shù)。

1.4 網(wǎng)絡(luò)流量的組合預(yù)測流程

步驟1收集網(wǎng)絡(luò)流量歷史數(shù)據(jù)，并其進(jìn)行相應(yīng)預(yù)處理，具體如下：

式中，xmin和xmax表示分別最小值和最大值。

步驟2采用小波分析對網(wǎng)絡(luò)流量進(jìn)行分解，得到低頻分量A1和高頻分量D1。

步驟3采用ARIMA對網(wǎng)絡(luò)流量的高頻分量D1進(jìn)行建模與預(yù)測。

步驟4采用LSSVM對網(wǎng)絡(luò)流量的低頻分量A1進(jìn)行建模與預(yù)測。

步驟5采用小波分析對低頻和高頻的預(yù)測結(jié)果進(jìn)行重構(gòu)得到組合預(yù)測結(jié)果。

步驟6采用式（14）對預(yù)測結(jié)果進(jìn)行反歸一化處理，得到最終預(yù)測值。

綜合上述可知，WA-ARIMA-LSSVM的網(wǎng)絡(luò)流量預(yù)測流程如圖1所示。

圖1 網(wǎng)絡(luò)流量的組合建模與預(yù)測流程圖

2 仿真實(shí)驗(yàn)

2.1 網(wǎng)絡(luò)流量數(shù)據(jù)

數(shù)據(jù)來源于http：//newsfeed.ntcu.net/～news/2012/[13]的每小時網(wǎng)絡(luò)流量，其獲得1000個數(shù)據(jù){x(i)}，i=1，2，…，1000，具體如圖2所示。選擇前800個數(shù)據(jù)作為訓(xùn)練集，建立網(wǎng)絡(luò)流量預(yù)測模型，其余200個樣本作為測試集對模型性能進(jìn)行檢驗(yàn)。

圖2 網(wǎng)絡(luò)流量時間序列

2.2 網(wǎng)絡(luò)流量的非平穩(wěn)性分析

對圖2的網(wǎng)絡(luò)流量變化特性進(jìn)行分析，其ACF和PACF如圖3所示，從圖3可知ACF和PACF具有明顯振蕩波動，不符合平穩(wěn)序列的變化特征，是一種非平穩(wěn)的時間序列，因此采用ARIMA難以建立準(zhǔn)確的預(yù)測模型。

圖3 網(wǎng)絡(luò)流量ACF和PACF值的變化圖

2.3 網(wǎng)絡(luò)流量的小波分解

首先采用Matlab 2012的小波分析工具箱對圖2網(wǎng)絡(luò)流量進(jìn)行分解，網(wǎng)絡(luò)流量的低頻和高頻部分如圖4所示。

圖4 網(wǎng)絡(luò)流量的小波分解

2.4 結(jié)果與分析

（1）網(wǎng)絡(luò)流量的一步預(yù)測

采用ARMA對網(wǎng)絡(luò)流量的高頻序列進(jìn)行建模，其ACF和PACF直方圖如圖5所示，從圖5可知，該高頻序列的自相關(guān)性較高，需進(jìn)行差分處理，經(jīng)過3階差分后，高頻序列趨于平穩(wěn)，因此ARIMA差分參數(shù)d=3，然后確定模型參數(shù)的 p、q ，最后確定最優(yōu)模型為ARIMA（3，2，3），得到網(wǎng)絡(luò)流量高頻序列一步預(yù)測結(jié)果。

圖5 低頻分量的ACF和PACF

設(shè)置LSSVM參數(shù)c＝125.125，σ=1.555，然后采用LSSVM對網(wǎng)絡(luò)流量低頻序列進(jìn)行訓(xùn)練，建立相應(yīng)的預(yù)測模型，得到低頻序列的一步預(yù)測結(jié)果。采用小波分析對低頻和高頻預(yù)測結(jié)果進(jìn)行重構(gòu)，WA-ARIMA-LSSVM的一步擬合結(jié)果和預(yù)測結(jié)果如圖6所示。從圖6可知，無論擬合值或者是預(yù)測值，均與網(wǎng)絡(luò)流量的實(shí)際值相當(dāng)接近，擬合和預(yù)測誤差均較小，結(jié)果表明，WA-ARIMA-LSSVM可以較好地描述網(wǎng)絡(luò)流量隨機(jī)性、時變性等非平穩(wěn)性變化趨勢，建立了整體性能較優(yōu)的預(yù)測模型。

圖6 WA-ARIMA-LSSVM的一步預(yù)測性能

（2）網(wǎng)絡(luò)流量的多步迭代預(yù)測

在實(shí)際應(yīng)用中，網(wǎng)絡(luò)流量預(yù)測時間越長，對網(wǎng)絡(luò)控制越有利，因此多步預(yù)測性能也是評價模型優(yōu)劣的重要標(biāo)準(zhǔn)。本文對網(wǎng)絡(luò)流量進(jìn)行向后20步預(yù)測仿真測試，預(yù)測結(jié)果如圖7所示，從圖7可知，WA-ARIMA-LSSVM可以向后準(zhǔn)確預(yù)測8步，可以滿足網(wǎng)絡(luò)流量預(yù)測的實(shí)際要求。

（3）與其他模型的預(yù)測性能對比

圖7 WA-ARIMA-LSSVM的多步預(yù)測性能

為了更進(jìn)一步檢驗(yàn)WA-ARIMA-LSSVM的有效性，分別使用ARIMA、RBF神經(jīng)網(wǎng)絡(luò)（RBFNN）、LSSVM、小波分析+ARIMA（WA-ARIMA）和小波分析+LSSVM（WA-LSSVM）進(jìn)行對比實(shí)驗(yàn)，并選擇預(yù)測結(jié)果的均方根誤差（RMSE）作為模型性能評價指標(biāo)，RMSE定義如下：

式中，yi為實(shí)際網(wǎng)絡(luò)流量值，為模型的預(yù)測值。

不同模型預(yù)測結(jié)果的RMSE見表1，從表1可知，相對于對比模型，WA-ARIMA-LSSVM獲得了更好的網(wǎng)絡(luò)流量預(yù)測結(jié)果，預(yù)測誤差最小，這是因?yàn)橥ㄟ^小波分解網(wǎng)絡(luò)流量，挖掘隱含于數(shù)據(jù)中的復(fù)雜變化特性，然后LSSVM和ARIMA分別對低頻序和高頻序列進(jìn)行預(yù)測，可以準(zhǔn)確描述網(wǎng)絡(luò)流量的變化趨勢。

表1 WA-ARIMA-LSSVM與其他模型的性能對比 （MB·s－1）

3 結(jié)語

由于網(wǎng)絡(luò)流量具有時變性和非線性等變化特點(diǎn)，單一預(yù)測難以獲得較好的預(yù)測精度。提出一種基于WA-ARIMA-LSSVM的網(wǎng)絡(luò)流量預(yù)測模型。結(jié)果表明，相對于其他預(yù)測模型，WA-ARIMA-LSSVM可以更加準(zhǔn)確刻畫網(wǎng)絡(luò)流量變化趨勢，全面反映網(wǎng)絡(luò)運(yùn)行狀況，預(yù)測結(jié)果可以為網(wǎng)絡(luò)管理員提供有價值的參考信息。

[1]Nguyen T T，Armitage G.A survey of techniques for internettraffic classification using machine learning[J].IEEE Communications Surveys and Tutorials，2008，10（4）：56-76.

[2]Jun Jiallg，Papavassiliou S.Enhancing network traffic prediction and anomaly detection via statisticalnetwork traffic separation and combination strategies[J].Computer Communications，2006，29（10）：1627-1638.

[3]羅贅騫，夏靖波，王煥彬.混沌-支持向量機(jī)回歸在流量預(yù)測中的應(yīng)用研究[J].計算機(jī)科學(xué)，2009，36（7）：244-246.

[4]高波，張欽宇，梁永生.基于EMD及ARMA的自相似網(wǎng)絡(luò)流量預(yù)測[J].通信學(xué)報，2011，32（4）：47-56.

[5]姜明，吳春明，胡大民.網(wǎng)絡(luò)流量預(yù)測中的時間序列模型比較研究[J].電子學(xué)報，2009，37（11）：2353-2359.

[6]李捷，候秀紅，韓志杰.基于卡爾曼濾波和小波的網(wǎng)絡(luò)流量預(yù)測算法研究[J].電子與信息學(xué)報，2007，29（3）.

[7]孫知信，張玉峰.基于多維支持向量機(jī)的P2P網(wǎng)絡(luò)流量識別模型[J].吉林大學(xué)學(xué)報：工學(xué)版，2010，40（5）：1298-1303.

[8]蔡曉麗，寧慧.基于最大熵算法網(wǎng)絡(luò)流量預(yù)測模型研究[J].計算機(jī)仿真，2011，28（10）：107-110.

[9]Bao Rong Chang，Hsiu Fen Tsai.Improving network traffic analysis by foreseeing data-packet-flow with hybrid fuzzy based model prediction[J].Expert Systems with Applications 2009，36（3）：6960-6965.

[10]Este A，Gringoli F，Salgarelli L.Support vector machines forTCP traffic classification[J].Computer Networks，2009，53（14）：2476-2490.

[11]Chen Y，Yang B.Small-time scale network traffic prediction based on flexible neuraltree[J].Applied Soft Computing Journal，2012，12（1）：274-279.

[12]Dong-Chul Park.Prediction of network traffic using dynamic bilinearrecurrentneuralnetwork[C]//Fifth International Conference on Natural Computation，2009，2：419-423.

[13]熊南，劉百芬.基于自適應(yīng)粒子群優(yōu)化LSSVM的網(wǎng)絡(luò)流量在線預(yù)測[J].計算機(jī)應(yīng)用與軟件，2013，30（9）：21-24.

[14]賴錦輝，梁松.一種新的基于GCS-SVM的網(wǎng)絡(luò)流量預(yù)測模型[J].計算機(jī)工程與應(yīng)用，2013，49（21）：75-78.