基于改进BP神经网络的路由器流量预测方法*

2018-08-03任师涛史志才钟亚洲陈珊珊陈计伟

传感器与微系统 2018年8期

任师涛，史志才，吴飞，钟亚洲，陈珊珊，陈计伟

(上海工程技术大学电子电气工程学院，上海 201620)

0 引言

路由器节能的方法有很多种，但一些方法可能会增加额外开销。现阶段，很多研究都在寻求一种更加有效的流量预测方案，也提出了一些常用的预测方法。文献[1]提出卡尔曼滤波模型是一个可以预测实时动态数据的模型，但路由器流量具有很大的有随机性和突发性，模型量化能力差，并不是有效的网络流量预测方法。文献[2]提出反向传播(back propagation,BP)神经网络模型能够较好克服网络流量的非线性和不确定性因素，但传统BP神经网络并不能解决网络流量的多尺度性和突发性，因此需要对传统BP神经网络模型进行改进以提高预测精度[3～5]。

本文提出了一种加入学习率自适应算法的BP神经网络流量预测方法，为一种非常智能且效率很高的路由器节能方法。该策略通过感知用户的相关参数，通过BP神经网络模型对参数进行预测处理，输出的结果为路由器发射功率的调节提供依据[6～10]。本文进行大量实验，并与其他方法详细对比，结果表明：在加入学利率自适应算法之后，BP神经网络在学习过程中误差下降很快，且容易编程实现，提高了BP神经网络的训练速度和预测精度。

1 网络流量预测原理

网络流量预测就是通过总结过去时间的流量特征，从而推算出未来时间点的流量特征。对模型的预测精度要求较高。可以用如式(1)函数表示，一般原理如图1所示。

(1)

图1 网络流量预测原理

2 传统BP神经网络模型的建立

2.1 BP神经网络参数的选择

1)输入层节点数确定方法。主要根据数据流的维数决定输入层的节点个数。选择维数时，要根据所要描述的输入流的特征是否吻合。在BP神经网络进行训练之前，应该输入数据进行全面采集，并对比分析总结出代表性的特征。

2)隐含层节点数确定方法。需要通过大量的实验，以估算出最佳的节点数目。

2.2 BP神经网络的结构设计

将采集的流量数据设为X(t),t=0,1,…N-1，N=24。将一维的流量数据重构为多维的流量数据，文中将采集到流量数据每24 h作为网络的自变量，即输入节点设定为24，当前时段的流量数据作为唯一输出。通过前24 h的流量数据，来预测下一时刻的流量数据，可获得网络的输出详情。BP神经网络的数学模型为式(2),基本结构如图2所示

(2)

式中xj(j=1,2,3，…,N)为神经元的输入信号；wij为连接权重；ui为输入信号混合的输出，也是神经元i的纯输入；θi为神经元的阈值；vi为经阈值调整后的值，f(·)为神经元的激活函数。

图2 BP神经网络的神经元结构

拥有一个隐含层的前馈网络，可以实现 BP 神经网络的基本功能。但过多隐含层个数会提高网络的复杂度，使训练时间变长，效率变低。为提高误差精度，可以通过增加隐含层的节点数目实现。

3 改进学习率的BP神经网络流量预测模型

3.1 改进学习率的BP神经网络激活函数

S型函数为包括域值在(0,1)区间的S函数和域值在(-1，1)的正切函数。函数表达式

f(x)=(1+e-αx)-1

(3)

3.2 改进学习率的BP神经网络权值

假定初始权值在 [-0.5，0.5]和[-1，1]的区间内取随机数值，实验发现：如果初始权值选取过大，即各初始权值间的差别很大，在训练中权值的修正过程中容易产生突变现象。并且亦导致神经元趋于饱和。所以最终训练权值在[-5,5]的范围最佳。在网络结构学习率等因素一定的条件下，普遍认为权值初始值的范围应该在 ±0.8左右。

3.3 改进BP神经网络学习率自适应算法

学习率ε是决定权重调整量Δwij(n)大小的关键因素[11～13]。在学习过程中利用梯度下降法使权重沿误差曲面的负梯度方向调整

(4)

为了探究学习率与网络的收敛能力及训练速度之间的关系，取不同的学习率值，计算出相应的学习时间,如图3。

图3 不同学习率对比

从图中看出，如果学习率选取过小则网络的收敛速度较差；学习率选取过大则会导致网络不能收敛，发生振荡的现象。因此，学习率取值范围为[0.25，0.45]。

4 实验与结果分析

4.1 数据获取与处理

编写相关程序定时获取路由器的流量数据，每隔1 h获得一次流量，连续获取30天，本文以收集到120个流量时间序列数据为例进行实验处理。

在训练之前对流量数据进行归一化处理，去除由数据差异引起的干扰。将所有的数据归一到[0.1，0.9]，即

(5)

将获取数据分成两部分，前100 h作为网络训练样本，后20 h作为网络测试样本，采用BP神经网络和改进的BP神经网络训练样本进行学习，并对测试样本进行预测。

4.2 结果分析

图4所示为通过采用改进BP神经网络和传统BP神经网络对网络流量预测的对比。从图中可以看出：改进的BP神经网络模的预测结果较传统BP神经网络的预测结果精确度更高。改进BP神经网络的预测值和实际值的曲线比较吻合，虽然与实际值相比还是有略微的偏差，但与传统的方法相比，训练速度更快，预测精度亦明显提高，是一种很好的网络流量预测模型。