布谷鸟搜索算法优化BP神经网络的网络流量预测

杜振宁

（杨凌职业技术学院 信息工程学院，陕西 杨凌712100）

布谷鸟搜索算法优化BP神经网络的网络流量预测

杜振宁

（杨凌职业技术学院 信息工程学院，陕西 杨凌712100）

为了提高预测精度，提出一种布谷鸟搜索算法优化BP神经网络的网络流量预测模型(Cuckoo Search BP neural network Flow Prediction，CS-BPNN)。根据混沌理论建立网络流量学习样本，采用BP神经网络对学习样本进行训练，将模型参数当一个鸟巢，通过模拟布谷鸟寻窝产卵的行为找到最优模型参数，最后采用网络流量数据进行仿真实验，测试模型性能。仿真实验表明：所提出模型较好的解决了BP神经参数优化问题，能够获得更加理想的网络流量预测结果。

布谷鸟搜索算法；网络流量；神经网络；参数优化

0 引言

随着网络业务种类的增加，如何提高网络流量预测精度具有十分重要的意义[1]。网络流量预测传统模型主要包括：线性回归、泊松过程、时间序列等[2-3]，它们可以对短期的网络流量数据进行预测，但现代网络流量变化规律相当复杂，因此传统预测模型的精度有待进一步提高。

随着非线性理论发展，出现了以BP神经网络(BP neural network，BPNN)为代表的网络流量非线性预测模型，其具有较好的非线性预测能力，可以对网络流量变化特点进行准确跟踪，提高了网络流量的预测精度[4]。然而，在实际应用过程中，BP神经网络的预测性能与其参数密切相关[5]。为此，有学者提出采用人工鱼群算法、遗传算法、人工萤火虫算法、粒子群算法、蚁群算法等对 BP神经网络参数进行优化[6-8]，一定程度较好解决BP神经参数优化的难题，但是这些算法均有各自不同程度的不足[9]。布谷鸟搜索(cuckoo search，CS)算法是一种新型群体智能算法，具有简单、高参数少、易于实现的特点，在模式识别、组合优化等领域得到了广泛的应用[10]。

为了提高网络流量预测精度，针对BP神经网络参数优化的难题，本文提出一种CS-BPNN的网络流量预测模型。仿真实验表明，本文模型获得更加理想的网络流量预测结果。

1 相空间重构和BP神经网络

作为CS-BPNN算法的研究基础，本节主要描述下相空间重构与BP神经网络的基础知识，这些知识在相关的文献都有详细的介绍[11]。

1.1相空间重构

设 x(i)(i=1，2，…，n)为一维网络流量时间序列，那么通过相空间重构得：

式中，τ为延迟时间、m为嵌入维数；X(i)表示重构后的相点[12]。

1.2 BP神经网络算法

设一个网络流量动力系统的输入为式(1)，则构造输出函数为 y(i)=x(i+1)，BP神经网络的输入节点数是网络流量的嵌入维数m、隐层节点数是 p、输出个数是 1，通过 f:Rn→R构建映射[13]。隐层各节点的输入是：

其中，ωij为从输入层到隐层的连接权值，θj为隐层节点的阈值。

隐层节点的输出是：

输出层节点的输入是：

输出层节点的输出是

式中，vj表示从隐层到输出层的连接权值；γ表示输出层的阈值。

2 CS-BPNN的网络流量预测模型

2.1 布谷鸟搜索算法

2009年，YANG等模拟布谷鸟寻窝产卵的行为方式，提出布谷鸟搜索(Cuckoo Search，CS)算法[14]。设为第i个鸟巢在第k代的鸟巢位置，L(λ)为Levy随机搜寻路径，则布谷鸟寻巢的路径和位置更新方式为：

其中，∂为步长控制量，⊕为点对点乘法。

更新鸟巢的位置后，产生一个随机数 r，如果 r〉Pa，那么随机改变，不然保持鸟巢的位置，最后保留最优一组鸟巢位置，也将记为。

采用3个准测试函数对布谷鸟CS算法和粒子群算法PSO （Particle Swarm Optimization）的性能进行对比测试，各测试函数的数学表达式如表1所示。两种算法的运行结果如图1所示。对图1进行分析可以看出，CS算法的性能均优于粒子群算法(PSO)算法，对比结果表明，CS算法加快算法收敛速度，在一定程度上防止多峰问题易陷入局部最优的不足，提高了算法的搜索能力，获得了更优的结果。

表1 测试函数的具体描述

图1 CS算法与其他算法的性能对比

2.2 布谷鸟算法优化BP神经网络参数步骤

(1)初始化鸟巢数n、Pa及最大迭代次数Nmax等参数。

(4)计算新鸟巢位置，并用好的鸟巢位置代替上一代较差的鸟巢位置，得出较优的一组鸟巢位置

(5)将 r与Pa进行比较，保留 ek中较小 Pa的鸟巢，并更新较大Pa鸟巢位置，得到一组新鸟巢位置，并用好的替代ek中较差的鸟巢位置，得出新一组较佳鸟巢位置

(6)找出 qk中最佳的一个鸟巢位置，如果达到最大迭代次数，则停止搜索，并输出最佳位置，否则，回到步骤(3)继续优化。

3 CS-BPNN在网络流量预测中的应用

3.1 数据来源

为了测试CS-BPNN的有效性，选择行内的标准数据：http://newsfeed.ntcu.net/～news/2013的 8月 1日到 8月30日的每小时流量作为仿真对象，具体如图2所示。选择620个数据进作为训练集，用 CS-BPNN进行训练，建立网络流量预测模型；其余100个数据作为测试集，测试模型性能。

图2 网络流量时间序列

3.2 对比模型及评价标准

由于粒子群算法(PSO)在BPNN参数应用比较广泛，为了使CS-BPNN预测结果具有可比性，选择粒子群算法优化(PSO-BPNN)进行对比实验，模型性能优劣采用均方根误差(RMSE)和平均绝对百分误差(MAPE)进行评价。

3.3 学习样本构建

首先采用耦合簇方法C-C(Coupled Cluster method)计算网络流量最优的延迟时间τ，具体如图3所示，其中横坐标表示延迟时间，纵坐标表示关联积分。从图3可知，最优延迟时间 τ=4，然后利用 Cao方法[15]求嵌入维数，结果如图4所示，其中横坐标表示延迟时间，纵坐标表示最大熵值。从图4可知，网络流量时间序列相空间重构的最小嵌入维数m=5，采用τ=4和m=5重构网络流量，得到CS-BPNN的学习样本。

图3 最优延迟时间

图4 最优嵌入维数的确定

3.4 结果与分析

采用PSO、CS找到的BPNN最优参数，建立基于PSO-BPNN、CS-BPNN的网络流量预测模型，然后用测试集进行预测，各模型的预测结果如图5所示。从图5可知，相对于 PSO-BPNN，CS-BPNN提高了网络流量的预测精度，预测偏差更小，对比结果，CS-BPNN融合CS算法的全局搜索能力和 BPNN的非线性预测，可以对网络流量变化趋势准确跟踪，预测结果更加稳定、可靠。

图5 不同模型的预测性对比

PSO-BPNN、CS-BPNN的网络流量预测结果的MAPE和RMSE见表2。从表2可知，相对于PSO-BPNN，CSBPNN预测误差更小，预测精度更高，对比结果表明，CS-BPNN建立了预测精度更高的网络流量预测模型。

表2 不同模型的预测误差比较

4 含噪网络流量的测试

为了测试CS-BPNN模型的鲁棒性，采用一个含有噪声网络流量进行仿真实验，以测试模型的鲁棒性，含噪的网络流量数据如图6所示。对含噪的网络流量数据进行建模与预测，不同模型的网络流量预测结果如图7和表3所示。从图7和表3可知，相对于比模型，CS-BPNN获得了更加理想的预测结果，这表明CS-BPNN具有较强鲁棒性，具有一定的抗噪能力。

图6 含噪声的网络流量数据

图7 不同模型的鲁棒性性能对比

表3 不同模型的含噪网络流量预测误差比较

5 结束语

由于影响因素复杂、多变，导致网络流量具有非线性、混沌性，传统方法难建立准确的预测模型，而 BP神经网络也受到参数的不利影响。为了获得理想的预测结果，本文提出了一种网络流量预测模型 CS-BPNN，并通过具体仿真实验测试模型性能。结果表明，CS-BPNN解决了BP神经网络参数优化问题，建立了预测精度高、效果好的网络流量预测模型，同时为其他非线性时间序列提供了一种预测建模新思路。

[1]SILVA C G.Time series forecasting with a nonlinear model and the scatter search meta-heuristic[J].Information Sciences，2008，178(16)：3288-3299.

[2]姜明，吴春明，胡大民，等.网络流量预测中的时间序列模型比较研究[J].电子学报，2009，37(11)：2353-2358.

[3]高波，张钦宇，梁永生，等.基于EMD及ARMA的自相似网络流量预测[J].通信学报，2011，32(4)：47-56.

[4]刘百芬，熊南.基于动态加权 LS-SVM的网络流量混沌预测[J].电视技术，2013，37(7)：87-90.

[5]ESTE A，GRINGOLI F，SALGARELLI L.Support vector machines for TCP traffic classification[J].Computer Networks，2009，53(14)：2476-2490.

[6]QI H L，ZHAO H，LIU W W，ZHANG H B.Parameters optimization and nonlinearity analysis of grating eddy current displacement sensor using neural network and genetic algorithm[J].Journal of Zhejiang University Science A，2009，10 (8)：1205-1212.

[7]CALLADO A，KEU R J，SADOK D，et a1.Better network traffic identification through the independent combination of techniques[J].Journal of Network and Computer Applications，2010，33(4)：433-446.

[8]刘渊，戴悦，曹建华.基于小波神经网络的流量混沌时间序列预测[J].计算机工程，2008，34(16)：105-106.

[9]赵振江.基于PSO-BP神经网络的网络流量预测与研究[J].计算机应用与软件，2009，26(1)：218-211.

[10]YANG X S，DEB S.Engineering optimization by cuckoo search[J].International Journal of Mathematical Modeling and Numerical Optimization，2010，1(4)：330-343.

[11]高述涛.CS算法优化 BP神经网络的短时交通流量预测，计算机工程与应用，2013，49(9)：106-109.

[12]王升辉，裘正定.结合多重分形的网络流量非线性预测[J].通信学报，2007，28(2)：45-50.

[13]李松，罗勇，张铭锐.遗传算法优化 BP神经网络的混沌时间序列预测[J].计算机工程与应用，2011，47(29)：52-55.

[14]王凡，贺兴时，王燕，等.基于CS算法的Markov模型及收敛性分析[J].计算机工程，2012，38(11)：180-182，185.

[15]CAO L J.Support vector machines experts for time series forecasting[J].Neurocomputing，2003，51：321-339.

Network flow predicting model based on cuckoo search algorithm optimizing neural network

Du Zhenning
(School of Information Technology，Yangling Vocational and Technical College，Yangling 712100，China)

In order to improve the predicting precision,a novel network flow predicting model based on cuckoo search algorithm optimizing neural network was proposed in this paper.Firstly,the learning samples were obtained by phase space reconstruction.Secondly,the samples were input to BP neural network to learn,and the parameters were encoded as cuckoo,the optimal parameters were obtained by simulating the cuckoo’s finding the nest and producing eggs.Finally,the network flow predicting model was built and the simulation experiments were carried out on network flow data.The results show that the proposed model had solved the parameters optimization problem of BP neural network and obtained good predicting results of network flow.

cuckoo search algorithm；network low；neural network；parameters optimizing

TP39.9

：A

：0258-7998(2015)03-0082-04

10.16157/j.issn.0258-7998.2015.03.021

2014-08-25)

杜振宁(1976-)，男，讲师，硕士研究生，主要研究方向：计算机网络与智能计算。