基于BP神经网络技术的网络流量预测模型

◆杜 涛

（山西晋中学院远程教育学院 山西 030600）

基于BP神经网络技术的网络流量预测模型

◆杜 涛

（山西晋中学院远程教育学院 山西 030600）

随着计算机网络技术的不断发展，互联网在带给人们便利性的同时也面临着诸多安全威胁。计算机网络流量作为一个重要的网络安全参数，受到越来越多的重视。建立网络流量预测模型，不仅可以为网络性能分析、流量管控等提供支持，还可以更好地解决网络效率、安全等方面的问题。基于此，本文提出了神经网络流量预测模型，并相应地验证了模型的正确性。

网络流量；BP神经网络；预测模型

0 引言

随着网络信息技术的飞速发展，越来越多的用户和产品加入到网络中来。据联合国相关机构发布的数据，2016年全球互联网用户将达到34亿人，占世界人口总数的45%。据思科公司预计，到2016年，全球网络一年的流量将达到 1.8 ZB。海量的用户和流量，使得网络结构变得日趋复杂。在这种情况下，建立准确的网络流量预测模型就可以为网络性能分析、流量控制、网络拓扑结构规划等提供理论支持，更好地解决网络效率、安全等问题，改善和保障网络运行。

1 常见的网络流量预测模型

网络流量是指一定时间内通过网络或网络端口的数据大小。现实中的网络流量模型呈现出复杂的非线性关系，受到多种外因的影响。常见的描述网络流量的模型有FARIMA[1]、灰色模型、SVM、神经网络模型等。

1.1 FARIMA模型

FARIMA（p，d，q）模型是一种时间序列模型，是ARIMA（p，d，q）模型（Autoregressive Integrated Moving Average Model）的演变[1]。FARIMA模型可以同时对线性和非线性的相关建模，但是不能对突发性等网络外界因素进行捕捉，计算量大。

1.2 灰色模型

灰色模型的建立基于灰色系统理论，通过找出系统中典型的变化关系建立系统模型。这种模型所需的样本数据少，精度高，但是容错性较差，当系统发生任何变化时，灰色模型都需要重新建立。

1.3 神经网络模型

神经网络模型是通过模拟自然界中生物复杂的神经元而构造出来的数学模型，是对人脑的一种简单抽象模拟。神经网络模型具有较强的容错性和自主的学习能力，当前广泛地应用于网络流量预测、网络安全预测等方面。

2 基于BP神经网络的流量预测模型

2.1 BP神经网络

BP神经网络由输入层、隐含层和输出层三部分组成，是一种误差反传的前馈多层神经网络[2]。BP神经网络每层中各神经元之间不能连通，上下层之间神经元全连通。

BP神经网络是一种具有自主学习能力的算法，学习过程分为信号正向传播和误差逆向传播两部分[3]。第一阶段信号通过网络结构和迭代的阀值和权值，从第一层开始正向传输，最终从输出层得到结果。系统会判断结果是否符合预期，如果不符合则启动第二阶段，这是信号的方向发生逆转，从输出层开始逐层调整阀值和权值，如此往复，直到输出值满足我们要求为止[4]。

由于神经元的同层不连接性，所以单个神经元具有在任意节点都具有单一的输出值。设神经元接收其它神经元的值为Xi，相互作用强度即权值为Wi，i=0，1，2，3……n-1，阀值为θ，则这个神经元的输入为：

相应的输出为：

式中f()为激发函数，一般为（0，1）内连续取值Sigmoid函数。

预测误差为：

其中yn(i)为实际流量数据，y(i)为预测输出。

神经网络的权值和阀值根据预测误差不断修正，其公式为：

2.2 网络流量预测模型系统实现

流量预测模型的实现步骤如下：

第一步截取网络流量数据，并初始化相关数据；

第二步基于MATLAB 7.0构建BP神经网络，并初始化；

第三步对神经网络进行训练；

第四步用训练好的网络进行预测，对预测数据进行比对。

具体实现过程如图所示：

图1 网络流量预测模型流程图

在确定模型结构之后，通过华三公司的智能管理中心采集晋中学院校园网接口流量数据作为本论文实验数据。自2016年3月5日至7日两天内每10分钟采集的流量数据信息，共获得288个流量数据，其中278个做为训练数据，10个为验证数据。

图2 晋中学院48小时流量图

通过MATLAB 7.0计算机仿真软件构建网络流量预测模型，取隐含层节点数为n=5，训练最大次数取500，学习算法采用梯度下降法函数traingd。

核心代码如下：