未来智库 > 神经网络论文 > 【基于改进神经网络的无线网络流量预测】
    关键词: 无线网络流量预测; 粒子群优化算法; BP神经网络; ARIMA预测模型
    中图分类号: TN915?34; TP393 文献标识码: A 文章编号: 1004?373X(2016)10?0030?04
    Research on wireless network traffic prediction based on improved neural network
    LU Dunlu1, ZHANG Xinyi2
    (1. Guangdong Provincial Institute of Technical Personnel, Guangzhou 510640, China; 2. Wuyi University, Jiangmen 529020, China)
    Abstract: Considering the characteristics of wireless network traffic, such as dispersion, randomness and chaos, the particle swarm optimization algorithm is used in this paper to optimize the prediction model of BP neural network to solve the problems that the BP neural network is easy to fall into local minimum and its training convergence rate is low because the traditional ARIMA prediction model and BP neural network model are difficult to predict accurately, in which the self?adaptive mutagenic factors in genetic algorithm are brought. The performance of the predictive method was tested by means of the wireless network traffic data in the classical CRAWDAD database. The stable wavelet transform method is used to decompose the wireless network traffic data to obtain the data flow composed of 1 approximate component and 3 detail components. The testing results show that predictive performance of the predictive method is better than those of the ARIMA predictive model and BP neural network model.
    Keywords: wireless network traffic prediction; particle swarm optimization; BP neural network; ARIMA prediction model
    随着无线网络技术的不断发展和规模的日益壮大,对无线网络的安全性、可管理性等服务质量提出了更高的要求。网络流量建模、识别以及预测等已经成为评判网络性能的重要手段之一,建立准确的流量预测模型能够准确评估网络流量,对于控制管理网络十分有利,其能够保障网络服务质量(QoS)的同时对无线网络资源进行优化配置。另外准确的预测无线网络流量,能够对网络中异常问题提早发现,对于保障网络安全,对无线网络进行故障诊断等均具有十分重要的意义。
    无线网络兴起时间比传统有线网络晚,与传统有线网络相比,因为其具有更强的分散性、随机性以及混沌等特性,使得对其长期预测具有极大的难度,因此继续研究一种预测准确度高、适应性强同时泛化能力强的预测方法。BP神经网络是一种应用广泛的预测算法模型之一,但是传统的BP神经网络存在容易陷入局部最小值以及训练收敛速率低等问题。本文使用改进型粒子群优化算法对BP神经网络预测模型进行优化。
    1 改进型BP神经网络
    1.1 BP神经网络预测模型
    本文研究的无线网络流量预测实际上可以看作是动力系统的逆问题。动力系统模型使用动力系统的状态构造:
    式中:[γ]是输出层各节点阈值;[vj]是隐含层和输出层连接权值;[γ]和[vj]由BP神经网络训练得到。
    没有通过优化算法优化的BP神经网络在训练开始时会将隐含层和输出层的阈值和连接权值初始化为0~1的随机数,这会造成BP神经网络出现陷入局部最优解以及收敛速率低等问题,因此本文使用粒子群优化算法对BP神经网络的初始阈值和权值进行优化。
         1.2 改进型PSO优化算法
    设定在S维空间中,种群[W=W1,W2,…,Wn]由n个粒子组成。[Wi=wi1,wi2,…,wiST]表示第i个粒子在S维空间中的位置。第i个粒子的位置[Wi]的适应度由目标函数求得从图2中可以看出,对于单步预测不同,三步预测中,改进PSO?BP模型预测结果最为稳定,PSO?BP模型预测结果波动明显,而ARIMA模型预测结果多数情况已经远离实际数据。各种预测模型对应的决定系数(R?squared)、对称平均绝对百分比误差(SMAPE)和均方根误差(RMSE)如表2所示。
    表2 三步预测结果
    从表2可以看出改进PSO?BP模型的决定系数值为0.885 2,最为接近1,但是相比于单步预测,偏离程度明显增加,而PSO?BP模型和ARIMA模型分别为0.712 6和1.654 2,同样预测结果比单步预测时相差较大,可以说明,对于无线网络流量预测,其长期预测性较差,随机性大。进行第三次的五步预测实验后,分别使用本文研究预测模型、常规PSO优化BP神经网络算法建立的无线网络流量预测模型以及基于ARIMA模型的无线网络总流量预测结果如图3所示。
    从图3中可以看出,无线网络流量的强随机性已经严重影响了预测结果的准确性。三种预测模型的预测结果均有许多连续偏离的情况。其中,ARIMA模型预测结果偏离实际值非常多,已经无法对无线网络流量多步进行预测。各种预测模型对应的决定系数(R?squared)、对称平均绝对百分比误差(SMAPE)和均方根误差(RMSE)见表3。结果与图3中预测结果基本吻合,再次验证了本文研究的改进PSO?BP模型预测结果最为优秀,而ARIMA模型无法对无线网络流量多步进行预测。
    表3 五步预测结果
    3 结 论
    本文研究一种基于粒子群优化算法对BP神经网络的预测模型,解决BP神经网络容易陷入局部最小值以及训练收敛速率低等问题,引入遗传算法中的自适应变异因子来以一定概率初始化部分变量解决规的粒子群优化算法,会出现陷入局部最优解以及早熟收敛等问题。使用经典的CRAWDAD数据库中的无线网络流量数据对本文研究的预测方法性能进行测试。使用稳定小波变换方法将无线网络流量数据分解,得到由1个近似分量和3个细节分量组成的数据流,使得处理后的数据既包含了原始无线网络流量数据的自相似、混沌以及自相关等特性外,还平稳了各个分量以便于对数据的预测分析。引入决定系数(R?squared)、对称平均绝对百分比误差(SMAPE)和均方根误差(RMSE)对预测结果进行定量分析。
    测试结果表明对于单步预测,三种预测方法预测结果均可以接受,改进PSO?BP模型和PSO?BP模型预测结果最好,ARIMA模型稍逊。对于三步预测,改进PSO?BP模型预测结果最为稳定,PSO?BP模型预测结果波动明显,而ARIMA模型预测结果多数情况已经远离实际数据。而对于五步预测,无线网络流量的强随机性已经严重影响了预测结果的准确性。三种预测模型的预测结果均有许多连续偏离的情况。其中,ARIMA模型预测结果偏离实际值非常多,已经无法对无线网络流量多步进行预测。
    参考文献
    [1] 王涛,余顺争.基于机器学习的网络流量分类研究进展[J].小型微型计算机系统,2012(5):1034?1040.
    [2] 赵鑫.基于NetFlow的网络流量异常检测技术研究[D].保定:河北大学,2014.
    [3] 吴小花.网络异常流量识别技术的研究[D].长春:长春工业大学,2013.
    [4] 申磊.基于机器学习的异常流量检测系统研究[D].北京:北京邮电大学,2013.
    [5] 刘磊.基于遗传神经网络的指数跟踪优化方法[J].系统工程理论与实践,2010(1):22?29.
    [6] 庄健,杨清宇,杜海峰,等.一种高效的复杂系统遗传算法[J].软件学报,2010(11):2790?2801.
    [7] 宋国峰,梁昌勇,梁焱,等.改进遗传算法优化BP神经网络的旅游景区日客流量预测[J].小型微型计算机系统,2014(9):2136?2141.
    [8] 李松,刘力军,解永乐.遗传算法优化BP神经网络的短时交通流混沌预测[J].控制与决策,2011(10):1581?1585.
    [9] 李洪洋.浅析网络异常流量分析检测研究与实现[J].网络安全技术与应用,2013(10):63?64.
    [10] 燕发文,黄敏,王中飞.基于BF算法的网络异常流量行为检测[J].计算机工程,2013(7):165?168.
转载请注明来源。原文地址:https://www.7428.cn/vipzj19386/
 与本篇相关的热门内容: