基于小波变换和极限学习机的网络流量预测模型

摘 要： 为了提高网络流量预测准确性，结合网络流量的变化特点，针对当前网络流量预测模型存在的局限性，设计了基于小波变换和极限学习机的网络流量预测模型。首先分析了当前国内外网络流量预测研究现状，找到引起网络流量预测准确性差的原因;然后采用小波变换对原始网络流量时间序列进行去噪，得到无噪声的网络流量时间序列;最后采用极限学习机对网络流量时间序列进行建模，得到相应的预测结果。与当前经典的网络流量预测模型在相同环境下进行对照测试，测试结果分析表明，小波变换和极限学习机的网络流量预测精度达到了95%以上，网络流量预测误差得到了有效的控制，而且提升了网络流量预测效率，预测结果要远优于当前经典的网络流量预测模型。

关键词： 网络通信系统; 流量预测; 极限学习机; 时间序列数据细化

中图分类号： TP391      文献标志码： A

Network Traffc Predcton Model Based on Wavelet Transform and

Lmt Learnng Machne

MU Chang

（School of nformaton Engneerng， Shanx Polytechnc nsttute， Xanyang 712000）

Abstract： n order to mprove the accuracy of network traffc predcton， consderng the changng characterstcs of network traffc and the lmtatons of current network traffc predcton models， a network traffc predcton model based on wavelet transform and extreme learnng machne s desgned. Frstly， the current research status of network traffc predcton at home and abroad s analyzed， and the reasons for the poor accuracy of network traffc predcton are found. Then， wavelet transform s adopted. The orgnal network traffc tme seres s denosed by transformaton， and the network traffc tme seres wthout nose s obtaned. Fnally， the network traffc tme seres s modeled by the lmt learnng machne， and the correspondng predcton results are obtaned. The test results are compared wth the current classcal network traffc predcton model at the same envronment. The analyss of the test results shows that the network of the wavelet transform and the lmt learnng machne s the same. The accuracy of network traffc forecastng s over 95%， the error of network traffc forecastng s effectvely controlled， and the effcency of network traffc forecastng s mproved. The forecastng result s much better than the current classcal network traffc forecastng model.

Key words： Network communcaton system; Traffc predcton; Extreme learnng machne; Tme seres data refnement

0 引言

隨着网络技术的飞速发展，通信技术不断的成熟，出现多种类型的通信网络，通信网络已经渗透到社会的各个领域，人们的工作和生活以及学习都离不开网络，使得每天网络上传输的数据规模越来越大，传输的数据类型也日益增多，如视频、图像、声音等，网络经常出现拥塞现象，尤其是上网高峰期，因此如何对网络进行有效管理，对网络通信优化具有重要的研究意义[1-3]。

网络流量是一种描述网络数据通信规模的数据，对其进行预测可以了解网络将来一段时间网络流量值，对出现拥塞的概率进行提前估计，便于制定相关的网络管理措施和预警机制。最初网络流量预测是采用人工方式，网络管理员根据自己的经验、相关网络流量历史数据对将来网络流量未来值进行估计，自动化程度差，耗费时间长，网络流量预测的成本高，无法不能满足现代网络流量管理的要求[4-6]。为了解决手工方式的缺陷，出现基于专家系统的网络流量预测模型，根据相关研究以及网络流量研究领域中一些专家建立专家知识库，根据专家知识库中的网络流量预测规则对网络流量的未来变化进行建模和分析，由于有人的参与，专家系统的网络流量预测结果可信度低[7]。当前一些学者提出基于非线性理论和人工智能的网络流量预测模型，引入了BP神经网络、RBF神经网络、状态回声神经网络等对网络流量变化趋势进行估计，从网络流量历史数据找到相应的变化规律，从而对将来一段时间网络流量值进行预测，与其它网络流量预测模型相比，网络流量预测结果更加理想，在网络流量管理领域的应用范围最广[8-10]。由于网络流量预测是一个复杂的系统工程，原始网络流量数据变化复杂且含有噪声，神经网络直接进行建模，网络流量变化特点无法准确反映出来，为此仍然需要设计更优的网络流量预测模型[11-13]。

为了提高网络流量预测准确性，结合网络流量的变化特点，设计了基于小波变换和极限学习机的网络流量预测模型，与当前经典的网络流量预测模型对照测试测试结果表表明，小波变换和极限学习机的网络流量预测精度高，网络流量预测误差得到了有效的控制，提升了网络流量预测效率，优于对照模型。

2 小波变换和极限学习机的网络流量预测模型2.1 小波变换的网络流量预处理

小波变换是一种数据预处理工具，可以对原始网络流量数据进行细化，然后通过阈值对细化后网络流量数据进行去噪，提高原始网络流量数据的质量，减少噪声对网络流量预测建模的干扰，具体如下

（1） 确定小波变换分解尺度。分解尺度直接决定了原始网络流量数据细化的程度，如果分解尺度太小，原始网络流量数据没有得到充分细化，如果分解尺度过大，那么原始网络流量数据就过度细化了。设小波变换的分解层数为W，f为原始网络流量数据，则有式（1）。W=∑nCf（t-2s）

（1）其中，C表示上一层分解的小波系数，n为随机数，t和s分别为原始网络流量数据和干净网络流量数据的小波系数。

（2） 小波变换对原始网络流量数据进行多尺度分解，根据小波阈值对小波系数进行处理，低于阈值的小波系数置0，抑制噪声的干扰，大于阈值的小波系数置不变，阈值ξ的计算公式为式（2）。ξ=2lg（W）/ln（t+s-1）

（2）  （3） 将非0的小波系数进行小波逆变换，得到干净的原始流量数据。

2.2 极限学习机的网络流量预测建模

设极限学习机的隐含层包括L个节点，节点的权值为：βN=β1，…，βLT，根据去噪后网络流量训练样本集合，极限学习机进行学习，并完成参数优化，网络流量预测模型为式（3）。Mnmze：LELM=12βN2+γ12∑Np=1ξp2

Subjectto

f（xp）=h（xp）βN=tP-ξp

（3）其中，ξp是极限学习机输出层的输出误差。

隐含层和输出层的输出矩阵分别为：HN=[hT（x1），…，hT（xN）]T和TN=t1，…，tNT，根据最优化理论，得到隐含层节点的权值为式（4）。βN=HTNNC+HNHTN-1TN

（4）2.3 小波变换和极限学习机的网络流量预测步骤

（1） 对一个网络管理系统，通过网络管理员对网络管理系统的服务器流量进行采集，采集时间间隔是相等，得到原始网络流量数据。

（2） 确定网络流量数据的小波变换分解层数，对原始网络流量数据进行细化，细化后小波系数与阈值进行比较，将噪声的小波系数设置为0，并重构网络流量数据。

（3） 基于网络流量数据的训练样本集合，极限学习进行学习和训练，建立网络流量预测模型。

（4） 选择网络流量验证样本对极限学习机的网络流量预测模型性能进行测试，具体如图1所示。

3 仿真测试

3.1 实验环境以及数据

为了分析小波变换和极限学习机的网络流量预测模型的性能，选择两个网络流量数据作为研究对象：（1） 小时的网络流量数据;（2） 日网络流量数据。为了使小波变换和极限学习机的网络流量预测结果具有可比性，设计了两类对比模型：（1） 没有小波变换的极限学习机的网络流量预测模型（ELM），用于测试小波变换的优越性;（2） 小波变换和BP神经网络的网络流量预测模型（WA-BPNN），以测试极限学习机的优越性。网络流量的数据如图2所示。

3.2 小波变换和极限学习机的网络流量预测结果分析

采用小波变换和极限学习机对每小时的网络流量数据和每日的网络流量数据分别进行建模，分别采用最后100个和50个数据对其预测性能进行验证测试，结果如图3所示。

对图3的每小时的网络流量数据和每日的网络流量数据预測结果进行分析可以发现，两种网络流量的预测效果都很好，验证了小波变换和极限学习机预测模型的通用性以及有效性。

3.3 与经典网络流量预测模型的结果分析

采用ELM的极限学习机的网络流量预测模型和小波变换和WA-BPNN的网络流量预测模型分别对每小时的网络流量数据和每日的网络流量数据分别进行建模，分别采用最后50个和100个网络流量值进行预测，统计它们的网络流量预测精度和预测误差，结果表1所示。

对表1网络流量预测精度和预测误差进行对比和分析可以发现，小波变换和极限学习机的预测精度，网络流量预测的准确性得到有效改善，为解决网络流量预测误差的缺陷提供了一种有效的工具。

3.4 网络流量的建模效率对比与分析

分析ELM的网络流量预测模型和WA-BPNN的网络流量预测模型以及本文模型的训练时间和测试时间，结果如表2所示。

对表2的网络流量预测模型的训练时间和测试时间进行对比分析可以发现，ELM的网络流量预测模型和WA-BPNN的网络流量预测模型的建模效率要明显差于本文模型，本文模型能够加快网络流量的建模与预测速度。

4 总结

网络流量预测是当今天国内外学者关注的一个重大课题，由于网络流量预测是一个复杂的系统工程，而原始网络流量数据变化比较复杂，直接进行建模，网络流量变化特点无法准确反映出来，为此提出了基于小波变换和极限学习机的网络流量预测模型，首先采用小波变换对原始网络流量时间序列进行去噪，得到去噪后的网络流量时间序列，去噪后的网络流量变化特点可以更好建模，最后采用学习能力很强的极限学习机对网络流量预测时间序列进行建模，测试结果表明，本文模型的网络流量预测精度和网络流量预测误差要明显优于当前经典的网络流量预测模型，网络流量建模效率得以改善，为复杂多变的网络流量提供了一种建模和预测方法。

参考文献

[1] 常海滨. 基于直觉模糊综合评判的网络流量预测方法[J].微型电脑应用， 2017， 33（5）： 41-44.

[2] 丁春莉，李林森. 和声搜索算法优化支持向量机的网络流量预测[J]. 微型电脑应用， 2017， 33（1）：67-70.

[3] 周向军. 小波核函支持向量机的网络流量预测模型[J]. 微型电脑应用，2016，32（6）：62-65.

[4] 李莹琦，黄越，孙晓川. 基于深度置信回声状态网络的网络流量预测模型[J]. 南京邮电大学学报（自然科学版），2018，38（5）：85-90.

[5] 李巧侠. 基于组合模型的网络流量预测[J].微型电脑应用，2018，34（8）：118-121.

[6] 韩莹，井元伟，金建宇，等. 基于改进黑洞算法优化ESN的网络流量短期预测[J]. 东北大学学报（自然科学版），2018，39（3）：311-315.

[7] 陈颖，魏臻，程磊. 基于AVMD-DE和BSA-KELM的混沌网络流量组合预测[J]. 计算机应用与软件，2018，35（6）：117-121.

[8] 鲁华栋，时磊. 基于极端学习机的网络流量预测模型[J]. 微型电脑应用，2018，34（4）：53-56.

[9] 袁开银，魏彬. 相空间重构和极限学习机的网络流量预测模型[J].控制工程， 2018， 25（11）： 2087-2091.

[10] 刘蕴，焦妍，王华东. 改进极限学习机的网络流量混沌预测[J]. 南京理工大学学报， 2017， 41（4）：454-459.

[11] 胡竟偉. 基于WA-ELM的网络流量混沌预测模型[J]. 微电子学与计算机， 2017， 34（6）： 132-136.

[12] 张芹. 混沌理论与极限学习机的网络流量预测[J]. 内蒙古师范大学学报（自然科学汉文版）， 2016，45（5）：636-638.

[13] 王柯. 基于云计算和极限学习机的网络流量预测研究[J]. 山东农业大学学报（自然科学版）， 2018， 49（4）：632-635.

（收稿日期： 2018.06.11）

作者简介：穆昌（1983-），男，陕西咸阳人，讲师，硕士，研究方向：计算机技术领域。文章编号：1007-757X（2020）01-0138-03