一种改进的小波神经网络的网络流量预测算法

陈振伟,王 茜,黄继红

（皖西学院计算机科学与技术系,安徽六安 237012）

一种改进的小波神经网络的网络流量预测算法

陈振伟,王 茜,黄继红

（皖西学院计算机科学与技术系,安徽六安 237012）

为了有效地对网络进行维护,提高网络性能,预知网络流量可以提前对网络出现的问题采取应对策略,从而对用户提供更好的服务。在神经网络预测模型中把隐含层的传递函数用小波函数替换,并采用共轭梯度下降算法,建立了一个小波神经网络的网络流量预测模型。通过实际流量数据对模型进行仿真,结果显示该模型与神经网络预测模型相比,该网络具有良好的预测效果,网络训练时间短,有效地提高了训练速度。

神经网络;小波函数;网络流量;共轭梯度

1 引言

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,基于网络的应用急剧增长。网络互联环境的复杂,造成了网络的安全性和稳定性的降低,从而影响了网络服务的质量。为了给用户提供优质的服务,网络的维护和管理显得尤为重要,如果能预知网络流量,可在很大程度上方便网络的维护和管理,并且能提前采取应对措施。因此网络流量预测对网络管理和维护是一项很必要的技术。

现有的网络流量预测分为线性预测和非线性预测。其中ARIMA[1]作为线性预测方法的代表得到了广泛应用。ARIMA的理论前提是网络流量具有线性宽平稳过程特征。文献[2]提出并验证了网络流量具有多构性、自相似性、突然继发性。网络流量在不同的时间频率尺度上具有自相似性和多尺度特征。因此ARIMA模型预测的精度低,无法准确地描述出网络的全部特征。

人工神经网络的预测方法[3]用于非线性预测的效果很好,从网络流量的特征来看,也是非线性的。从理论上来讲,神经网络可以任意精度逼近任意非线性序列,但其不足之处在于:①难以科学地确定网络的结构;②要用模型进行预测,首先要对模型进行训练,而训练的速度有待提高;③容易陷入局部次优点,难于找到全局最小点;并且时间空间复杂度太高。小波方法与神经网络的结合有两种方法:一种是先通过小波对网络流量时间序列进行小波分解,得到小波变换尺度系数序列和小波系数序列,然后输入到一个神经网络中加以训练,进行预测。这种小波和神经网络结合的方法,虽然有较好的预测效果,但本质上还是神经网络预测,并没有从本质上改善神经网络训练速度慢,容易陷入局部次优点,难以找到全局最小点的缺点。另一种结合方法是把神经网络隐含层的传输函数用小波函数代替,这样结合从本质上改变了预测模型的结构,并应用于每日太阳光总的发热预测和电力负荷预测上[4][5]。

2 小波神经网络的网络流量预测模型

2.1 小波神经网络

在小波神经网络流量预测模型中,直接以小波函数代替常规神经网络的Sigmoid作为神经网络的隐节点激励函数,以小波的尺度和平移参数作为神经网络的权值和阈值参数,构成一个前馈型网络。

设平方可积函数Ψ（x）∈L2（R）的傅立叶变换为^Ψ（ω）,且满足条件

则以函数Ψ（x）∈L2（R）为母小波,采用不同的平移和伸缩因子,可生成一维小波函数系,即

ai,bi分别为伸缩和平移因子。

取上述一维小波函数系作为神经网络传递函数代替Sigmoid函数,就构成了小波神经网络,达到对任意信号函数的最佳逼近。

2.2 网络流量预测模型

网络流量预测模型采用三层的小波神经网络结构,即输入层、隐含层、输出层。

图1 小波神经网络结构图

在输入层中有p个输入,即一次输入含有p个元素的输入序列,这p个元素是p个网络流量值,p表示预测流量与它之前的相关步数。隐含层包含n个神经元。输出层有1个神经元,输出为第k+1个网络流量的预测值。wm

ij表示从m-1层的神经元i到第m层的神经元j之间的权值,amjk表示第m层神经元j的第k次输入,Ψm表示第m层的转移函数,bmjk表示第m层的相应输出,即:

把预测值的均方误差函数作为目标函数C（θ）。

为了使上述误差最小,得出网络模型的最优参数,本文采用共轭梯度下降法计算误差函数的最小值。令

2.3 小波BP网络模型学习步骤

step1选用合适的小波,本文选用Morlet母小波,即

step5采用梯度最速下降法[5],来对参数w i,ai, bi进行调整,调整方式为:

step6误差函数的绝对值小于预先设定的某个正数值时,停止网络的学习;否则返回step3,重复上述算法。

3 模型仿真

3.1 仿真参数说明

在Matlab 7.0仿真平台上,分别编制神经网络算法程序和小波神经网络算法程序,提取100组网络流量数据,流量数据的采集是每隔5m采集一个数据,共采集了100组流量数据,模型采用了8-10 -1结构,即输入层8个神经元,10个隐含神经元, 1个输出神经元。输入层8个神经元代表模型设定的相关步数 T=8,训练学习率lr=0.01,动量系数mc=0.95,训练的最大步数epochs=150000,训练目标goal=0.025。分别对两种网络进行训练,进行了一步,五步,十步预测,预测效果如图2所示,效果良好。

图2 神经网络和小波神经网络1、5、10步预测图

表1 性能分析表

从表1中可以看出,在1步,5步,10步预测中,对100组流量数据进行训练时,平均误差很接近,1步预测神经网络训练平均用了5743epochs,而小波神经网络用了4113epochs;5步预测中,神经网络训练平均用了7218epochs,小波神经网络用了4002epochs;10步预测中,神经网络训练平均用了6284epochs,小波神经网络用了3477epochs;小波神经网络在训练中的代数大大降低。平均到达目标时间,1步预测中,神经网络平均用了7.4s,小波神经网络平均用了4.2s;5步预测中,神经网络平均用了7.3s,小波神经网络平均用了3.7s;10步预测中,神经网络平均用了7.6s,小波神经网络平均用了5.1s。从平均到达目标时间上来看,小波神经网络较神经网络大大降低,从而进一步提高了预测的实时性。

4 结束语

本文提出了一种改进的小波神经网络的网络流量预测算法。在不影响预测精度的前提下,在一定程度上缩短了模型的训练代数和到达目标的时间,从而提高了训练的速度,并且克服了神经网络容易陷入局部次优点的缺点,且把神经网络隐含层的传输函数用小波函数代替,算法易实现,易应用和推广,因此它在预测方面也具有一定的实际意义。

[1]Guoqiang Yu,Changshui Zhang.Switching ARIMA Model Based Forecasting for Trafficflow[J].ICASSP,2004,（2）: 429-432.

[2]Kihong Park,Walter Willinger.Self-Similar Network Traffic and Performance Evaluation[M].Wiley Inter-Science,2000.

[3]刘芹,余一娇,谭连生.一种利用BP神经网络的 Internet流量预测算法[Z].2003中国计算机大会.

[4]A Mellit,MBenghanem,S A Kalogirou.An Adaptive Wavelet-network model for forecasting daily total solar-radiation[J].Applied Energy,2006,83（7）:705-722.

[5]Jianchang Lu,Zhihong Gu,Huiqing Wang.Research on the Application of the Wavelet Neural Network Model in Peak Load Forecasting Considering of the Climate Facto rs[J]. Proceedings of the Fourth International Conferenceon Machine Learning and Cybernetics,2005,（8）:18-21.

[6]Martin T Hagan,Howard B Demuth,Mark H Beale.神经网络设计[M].北京:机械工业出版社,2002.

A Network Traffic Prediction Algorithm Based on Wavelet Function and Neural Network

CHEN Zhen-wei,WANG Qian,HUANG Ji-hong

（Department of Computer and Science&Technology,West Anhui University,Lu’an237012,China）

To maintain network availably,and imp rove the performance of network,the corresponding strategy could be adopted in advance by the network traffic prediction,thus better service may be offered to users.In this paper,with introducing the wavelet function into the neural network traffic prediction model,and conjugate gradient descent algorithm,a wavelet neural network model used to predict the network traffic is proposed in this paper.Simulations are performed on the model by use of some real network traffic data,and the simulation results demonstrate that the model has better prediction effect and much higher training speed,compared with the original Network Traffic Prediction model.

neural network;wavelet function;network traffic;conjugate gradient

TP393

A

1009-9735（2010）02-0036-03

2010-01-06

陈振伟（1981-）,男,河南新乡人,硕士,研究方向:流量预测,网络管理;王茜（1980-）,女,安徽寿县人,硕士,研究方向:基础数学;黄继红（1977-）,男,安徽霍邱人,硕士,研究方向:网络安全。