邱 婧，夏靖波，吳吉祥

（空軍工程大學(xué) 電訊工程學(xué)院，陜西 西安710077）

0 引 言

網(wǎng)絡(luò)流量預(yù)測是流量工程、擁塞控制、網(wǎng)絡(luò)業(yè)務(wù)管理的核心問題。近年來的研究發(fā)現(xiàn)，網(wǎng)絡(luò)流量即使在流量突變時(shí)也呈現(xiàn)出一定的變化規(guī)律，這使得對網(wǎng)絡(luò)流量序列進(jìn)行分析、預(yù)測成為可能。一旦能夠較早準(zhǔn)確地預(yù)測出流量的變化趨勢，進(jìn)而設(shè)計(jì)出高效的擁塞控制機(jī)制，合理地進(jìn)行資源分配與調(diào)度，即可減少或避免擁塞的發(fā)生，提高網(wǎng)絡(luò)資源的利用率。因此，網(wǎng)絡(luò)流量的預(yù)測一直是研究人員所關(guān)心的重要課題，也是難度較大的研究領(lǐng)域之一。網(wǎng)絡(luò)流量預(yù)測就是針對網(wǎng)絡(luò)的流量數(shù)據(jù)，通過所建立的數(shù)學(xué)模型對流量進(jìn)行預(yù)測。一個(gè)理想的網(wǎng)絡(luò)流量模型應(yīng)該滿足以下幾個(gè)方面的要求：①能夠準(zhǔn)確地刻畫與網(wǎng)絡(luò)流量相關(guān)的統(tǒng)計(jì)特性；②在計(jì)算上是高效可行的；③可以應(yīng)用在與網(wǎng)絡(luò)設(shè)計(jì)相關(guān)的分析過程中。

國內(nèi)外專家根據(jù)網(wǎng)絡(luò)流量特性的不斷發(fā)展陸續(xù)提出了許多模型，有按預(yù)測長短分類的，有按平穩(wěn)性分類的等，這些模型擁有各自的優(yōu)缺點(diǎn)。但是隨著網(wǎng)絡(luò)的不斷發(fā)展以及對網(wǎng)絡(luò)流量特性的深入研究后發(fā)現(xiàn)，實(shí)際網(wǎng)絡(luò)中的流量具有長相關(guān)、自相似、單分形和多分形［1－2］等多種特性，以往單一模型不能完全對網(wǎng)絡(luò)流量的這些特性進(jìn)行兼顧，通過將不同的單一模型進(jìn)行組合后對流量進(jìn)行預(yù)測成為新的研究方向。因此網(wǎng)絡(luò)流量預(yù)測按所使用的模型可分為單一預(yù)測模型和組合預(yù)測模型，單一預(yù)測模型又可分為線性預(yù)測和非線性預(yù)測；組合預(yù)測模型綜合了2種或2種以上單一模型，利用多個(gè)不同的模型刻畫流量不同的特性，然后將它們組合起來得到擬合流量來預(yù)測網(wǎng)絡(luò)流量。本文將圍繞單一預(yù)測模型和組合預(yù)測模型的分類和各自的特點(diǎn)展開討論。

1 單一預(yù)測模型

網(wǎng)絡(luò)流量數(shù)據(jù)屬于時(shí)間序列數(shù)據(jù)，通過當(dāng)前時(shí)刻的一組觀測流量數(shù)據(jù)Xn－i（i＝0，1，2，…，n）建立相應(yīng)的數(shù)學(xué)模型來計(jì)算來某一時(shí)刻的流量Xn＋k。傳統(tǒng)的網(wǎng)絡(luò)流量預(yù)測模型都是單一預(yù)測模型，即采用一種數(shù)學(xué)模型對網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行預(yù)測，單一預(yù)測模型根據(jù)模型輸入輸出數(shù)據(jù)之間的關(guān)系分為線性預(yù)測模型和非線性預(yù)測模型。

1.1 單一線性預(yù)測模型

早期研究認(rèn)為網(wǎng)絡(luò)流量服從Poisson分布或近似為Markov過程，一般多采用基于自回歸 （AR）或自回歸滑動(dòng)平均 （ARMA）［3］的線性預(yù)測模型。近年來對網(wǎng)絡(luò)流量進(jìn)一步研究后發(fā)現(xiàn)網(wǎng)絡(luò)流量具有自相似性［1］，人們開始采用能夠表征長相關(guān)性和突發(fā)性的自相似模型來描述網(wǎng)絡(luò)流量，各種基于自相似性的流量模型被不斷地提出。文獻(xiàn) ［4－5］提出的自回歸求和滑動(dòng)平均模型 （ARIMA）模型基于ARMA模型，通過若干次差分使序列更平穩(wěn)，較之傳統(tǒng)隨機(jī)模型能更好地描述網(wǎng)絡(luò)流量多構(gòu)性、突發(fā)連續(xù)性和自相似性等特征，它作為線性預(yù)測的代表得到了廣泛的應(yīng)用，但ARIMA模型只能用于處理齊次的非平穩(wěn)性過程，不能對網(wǎng)絡(luò)流量進(jìn)行長期預(yù)測。文獻(xiàn) ［6］使用長相關(guān)模型差分自回歸求和滑動(dòng)平均模型 （FARIMA），利用 “后向預(yù)報(bào)”技術(shù)對序列進(jìn)行分析反濾波，在參數(shù)估計(jì)中利用粗、精估計(jì)結(jié)合的方法建立模型，將FARIMA過程視為分形高斯噪聲經(jīng)過一個(gè)以ARMA參數(shù)為濾波器系數(shù)進(jìn)行濾波的結(jié)果，因參數(shù)簡單而成為自相似網(wǎng)絡(luò)流量建模的主要工具，但是計(jì)算量比較大。

單一線性預(yù)測模型由于數(shù)學(xué)理論比較完善，應(yīng)用十分廣泛，較好地滿足了早期網(wǎng)絡(luò)的建模需求，在網(wǎng)絡(luò)設(shè)計(jì)、維護(hù)、管理和性能分析等方面發(fā)揮了很大的作用。但是隨著網(wǎng)絡(luò)應(yīng)用的不斷增多，人們研究發(fā)現(xiàn)，網(wǎng)絡(luò)流量的某些特性已遠(yuǎn)遠(yuǎn)超出傳統(tǒng)隊(duì)列中的Poisson和Markov流量模型的框架，用線性方法來預(yù)測非線型的網(wǎng)絡(luò)流量在理論上就存在不足，其預(yù)測精度不高。

1.2 單一非線性預(yù)測模型

大規(guī)模網(wǎng)絡(luò)本身是復(fù)雜非線性系統(tǒng)，同時(shí)受多種外界因素影響，不僅呈現(xiàn)出非平穩(wěn)動(dòng)態(tài)隨機(jī)變化特性，且其內(nèi)部運(yùn)行關(guān)系也很難確定。隨著智能算法的不斷發(fā)展，其良好的非線性映射能力、靈活有效地學(xué)習(xí)方式，在預(yù)測領(lǐng)域的應(yīng)用中表現(xiàn)出較大的優(yōu)勢和潛力，如小波分析、神經(jīng)網(wǎng)絡(luò)理論、混沌理論、支持向量機(jī)方法等。典型的非線性預(yù)測方法包括神經(jīng) 網(wǎng)絡(luò)模型［7］、灰色模型［8］、混沌模型［9－11］、支持向量機(jī)模型［12］等。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)具有很強(qiáng)的自學(xué)習(xí)能力和逼近任意非線性系統(tǒng)的能力?；疑Ｐ屯ㄟ^對已知數(shù)據(jù)的生成變換，挖掘隱含在其中的規(guī)律，由于網(wǎng)絡(luò)中一條鏈路或路徑流量的影響因素很多，不完全明確或無法量化，因此便可將網(wǎng)絡(luò)中某一條鏈路流量看作一個(gè)灰數(shù)，用灰色理論分析?；煦缒Ｐ椭谢谧畲驦yapunov指數(shù)的預(yù)測方法是直接根據(jù)數(shù)據(jù)序列本身所蘊(yùn)含的規(guī)律來進(jìn)行預(yù)測，不需要實(shí)現(xiàn)建立主觀的分析模型，它具有精度高、可信度高的優(yōu)點(diǎn)。支持向量機(jī)以結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則取代傳統(tǒng)機(jī)器學(xué)習(xí)方法中的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則，具有很好的泛化能力，在小樣本的機(jī)器學(xué)習(xí)中顯示出了優(yōu)異的性能，它克服了神經(jīng)網(wǎng)絡(luò)方法固有的局部極小、過學(xué)習(xí)以及結(jié)構(gòu)和類型的選擇過分依賴經(jīng)驗(yàn)等缺陷，已經(jīng)被廣泛應(yīng)用于非線性時(shí)間序列預(yù)測中，并取得了良好的效果。

但目前來說，神經(jīng)網(wǎng)絡(luò)模型還有很多有待改進(jìn)的地方，其性能還不十分穩(wěn)定，而且預(yù)測時(shí)需要大量的訓(xùn)練樣本和迭代，還要不斷修正模型，從而增加了時(shí)間和空間復(fù)雜性。此外，單、多步長的預(yù)測關(guān)系，短長范圍的預(yù)測關(guān)系及神經(jīng)網(wǎng)絡(luò)自身等還有很多工作以待研究。灰色模型由于本身的存在缺陷，使其僅能適用原始數(shù)據(jù)序列按指數(shù)規(guī)律變化且變化速度不快的場合，而當(dāng)時(shí)間序列數(shù)據(jù)呈不規(guī)則波動(dòng)變化時(shí)，數(shù)據(jù)擬合效果就顯得不夠理想，且預(yù)測值精度不高［13］。采用支持向量機(jī)求解問題需要選擇一個(gè)核函數(shù)，目前對核函數(shù)及其參數(shù)的選擇仍沒有一個(gè)統(tǒng)一的模式。支持向量機(jī)算法模型的選擇還只能是憑借經(jīng)驗(yàn)、實(shí)驗(yàn)對比、大范圍搜索或者利用交叉驗(yàn)證功能進(jìn)行尋優(yōu)。而基于小波分析模型的預(yù)測實(shí)時(shí)性較差［14－15］。

2 組合預(yù)測模型

隨著網(wǎng)絡(luò)的普及和P2P等新應(yīng)用的不斷出現(xiàn)，網(wǎng)絡(luò)業(yè)務(wù)需求激增，影響網(wǎng)絡(luò)流量特性的不確定因素 （新應(yīng)用、協(xié)議結(jié)構(gòu)變化等）非常多，非線性、多時(shí)間尺度的變化越來越明顯，使得網(wǎng)絡(luò)流量在一定程度上呈現(xiàn)出隨機(jī)和不確定的特性，這些特性可以通過突發(fā)性、長相關(guān)、周期性和混沌性等來描述。采用單一的預(yù)測模型來刻畫網(wǎng)絡(luò)流量的原始特性，進(jìn)行預(yù)測時(shí)不可避免地會(huì)產(chǎn)生較大的誤差。

因此選擇合適的模型是網(wǎng)絡(luò)流量預(yù)測面臨的關(guān)鍵問題。就一個(gè)問題的預(yù)測而言，可以選用不同的預(yù)測方法，通過各種預(yù)測模型從不同角度對系統(tǒng)進(jìn)行模擬，它們之間有著相互聯(lián)系的一面，組合預(yù)測模型就是把不同的預(yù)測模型綜合起來，取長補(bǔ)短，從而達(dá)到提高預(yù)測精度和增加預(yù)測可靠性的效果。近年來，不斷有學(xué)者根據(jù)復(fù)雜網(wǎng)絡(luò)流量存在多個(gè)特性的事實(shí)，采用多個(gè)不同的單一預(yù)測模型刻畫相應(yīng)的特性，然后將它們有機(jī)組合起來得到擬合流量來預(yù)測網(wǎng)絡(luò)業(yè)務(wù)流量，大都取得不錯(cuò)的預(yù)測效果。

對于網(wǎng)絡(luò)流量的組合預(yù)測有多種形式，根據(jù)各個(gè)模型之間的組合方式不同，組合預(yù)測模型大致可分為3類：線性組合模型、優(yōu)化組合模型、分解重構(gòu)組合模型。

2.1 線性組合模型

線性組合模型就是把不同的單一預(yù)測模型組合起來，綜合利用各預(yù)測模型所提供的信息，以適當(dāng)?shù)募訖?quán)平均形式得出組合預(yù)測值，如圖1所示。

圖1 線性組合模型

文獻(xiàn) ［8］在一定條件下分別得到灰色模型和神經(jīng)網(wǎng)絡(luò)模型的預(yù)測值，再對兩者的預(yù)測值進(jìn)行加權(quán)平均最后得到組合模型的最優(yōu)預(yù)測值。兩者的組合既能克服神經(jīng)網(wǎng)絡(luò)的局限性，又能在長期預(yù)測中獲得較為精確的預(yù)測值。

文獻(xiàn) ［16］根據(jù)神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力和模糊邏輯的動(dòng)態(tài)性和及時(shí)性等特點(diǎn)，將模糊邏輯和神經(jīng)網(wǎng)絡(luò)有機(jī)的結(jié)合起來，利用一個(gè)具有五層結(jié)構(gòu)的模糊神經(jīng)網(wǎng)絡(luò) （FNN）作為新模型進(jìn)行網(wǎng)絡(luò)流量預(yù)測。仿真結(jié)果表明，F(xiàn)NN能夠很好的預(yù)測復(fù)雜網(wǎng)絡(luò)業(yè)務(wù)，比單獨(dú)的神經(jīng)網(wǎng)絡(luò)模型具有更快的收斂速度和更好的預(yù)測性能，這為復(fù)雜網(wǎng)絡(luò)的網(wǎng)絡(luò)業(yè)務(wù)流量的預(yù)測研究提供了一種有效途徑。

線性組合模型是組合預(yù)測模型中最簡單的組合方式，它利用不同單一預(yù)測模型從不同的角度提供各個(gè)方面有用的信息，博采眾長，對各個(gè)單一模型得到的預(yù)測值進(jìn)行加權(quán)組合，從而得到整個(gè)組合模型的預(yù)測值。線性組合預(yù)側(cè)的關(guān)鍵是如何求出加權(quán)系數(shù)，使得組合預(yù)測模型更加有效地提高預(yù)測精度。

2.2 優(yōu)化組合模型

優(yōu)化組合模型有兩種實(shí)現(xiàn)方式，一種是先用某種方法對流量序列數(shù)據(jù)進(jìn)行預(yù)處理，再用單一預(yù)測模型對處理后的序列進(jìn)行預(yù)測；另一種是先建立單一預(yù)測模型，再用其它方法對模型進(jìn)行修正，最后用修正之后的模型進(jìn)行預(yù)測。優(yōu)化組合模型通過一系列的預(yù)處理和修正提取出真正能夠反映網(wǎng)絡(luò)流量特性的信息建立起預(yù)測模型，從而提高了模型的預(yù)測性能，如圖2所示。

圖2 優(yōu)化組合模型

目前的研究結(jié)果表明網(wǎng)絡(luò)流量存在著混沌特性，混沌支持向量機(jī)預(yù)測模型首先根據(jù)混沌系統(tǒng)的相空間重構(gòu)理論求出訓(xùn)練歷史數(shù)據(jù)的最佳嵌入維數(shù)d和時(shí)延S，生成訓(xùn)練樣本；再對生成的訓(xùn)練樣本進(jìn)行歸一化處理，以便提高收斂速度、縮短訓(xùn)練時(shí)間；最后生成的訓(xùn)練樣本利用支持向量機(jī)回歸進(jìn)行訓(xùn)練，得到預(yù)測模型。文獻(xiàn) ［17］采用相空間重構(gòu)理論計(jì)算實(shí)際流量的延時(shí)、嵌入維數(shù)和Lyapunov指數(shù)，證實(shí)網(wǎng)絡(luò)流量存在混沌現(xiàn)象；據(jù)此建立混沌－支持向量機(jī)預(yù)測模型，并確定訓(xùn)練樣本對實(shí)際網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行預(yù)測。

文獻(xiàn) ［13］根據(jù)網(wǎng)絡(luò)流量歷史數(shù)據(jù)用灰色模型GM（1，1）進(jìn)行預(yù)測，并用自適應(yīng)過濾法［18］對GM （1，1）預(yù)測時(shí)產(chǎn)生的殘差進(jìn)行修正，從而達(dá)到較高的預(yù)測精度。該方法綜合了GM （1，1）預(yù)測所需原始數(shù)據(jù)少、方法簡單等特點(diǎn)，具有較高的應(yīng)用價(jià)值。

目前對于網(wǎng)絡(luò)流量的預(yù)測多采用智能算法如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等，但是智能算法對樣本數(shù)據(jù)的要求較高，而網(wǎng)絡(luò)流量本身又具有復(fù)雜的行為特性，給建模和計(jì)算都帶來了一定的難度。優(yōu)化組合模型則通過對樣本數(shù)據(jù)進(jìn)行一定的處理，提取出對建模有用的確定性數(shù)據(jù)，或者對初始預(yù)測模型進(jìn)行修正，然后建立組合預(yù)測模型對網(wǎng)絡(luò)流量進(jìn)行預(yù)測，降低了算法的難度和預(yù)測模型的復(fù)雜度，提高了預(yù)測精度和效率。

2.3 分解重構(gòu)組合模型

網(wǎng)絡(luò)流量具有較高的復(fù)雜性、非線性、不平穩(wěn)特性，而小波變換的核心是多尺度分析，它通過小波基的伸縮變換，研究信號各個(gè)尺度層次上的信息。小波變換在信號分析方面顯示了獨(dú)特的優(yōu)勢，被廣泛應(yīng)用于理論研究中。分解重構(gòu)組合模型就是通過離散小波對網(wǎng)絡(luò)流量序列進(jìn)行多尺度分解和單支重構(gòu)，獲得1個(gè)逼近信號和多個(gè)細(xì)節(jié)信號，對逼近信號和細(xì)節(jié)信號分別用不同的單一預(yù)測模型進(jìn)行預(yù)測，最后把各個(gè)預(yù)測的信號通過擬合生成流量的最終預(yù)測結(jié)果，如圖3所示。

圖3 分解重構(gòu)組合模型

網(wǎng)絡(luò)流量序列經(jīng)過小波分解后，可采用單一線性或者非線性預(yù)測模型對分解信號序列進(jìn)行預(yù)測，目前分解重構(gòu)組合模型主要的結(jié)合方式有：

（1）小波變換與線性預(yù)測模型結(jié)合：文獻(xiàn) ［19］將網(wǎng)絡(luò)流量通過小波分解成不同尺度下的逼近信號和細(xì)節(jié)信號，然后分別單支重構(gòu)成低頻序列和高頻序列。根據(jù)低頻序列和高頻序列的不同特性，分別采用自回歸模型 （AR）和線性最小均方誤差估計(jì) （LMMSE）［20］對未來網(wǎng)絡(luò)流量進(jìn)行預(yù)測，最后重新組合生成預(yù)測流量。

（2）小波變換與神經(jīng)網(wǎng)絡(luò)結(jié)合：文獻(xiàn) ［21］提出了一種基于小波變換和FIR神經(jīng)網(wǎng)絡(luò)的廣域網(wǎng)網(wǎng)絡(luò)流量預(yù)測模型，首先采用小波分解把網(wǎng)絡(luò)流量數(shù)據(jù)分解成小波系數(shù)和尺度系數(shù)，即高頻系數(shù)和低頻系數(shù)，將這些不同頻率成分的系數(shù)單支重構(gòu)為高頻流量分量和低頻流量分量，再用FIR神經(jīng)網(wǎng)絡(luò)對這些分量分別進(jìn)行預(yù)測，將合成之后的結(jié)果作為原始網(wǎng)絡(luò)流量的預(yù)測值。文獻(xiàn) ［22］提出了一種基于Elman遞歸神經(jīng)網(wǎng)絡(luò)、小波和自回歸的網(wǎng)絡(luò)流量組合預(yù)測模型，將非線性時(shí)間序列施行小波變換，對具有平穩(wěn)特征的尺度系數(shù)序列用AR模型進(jìn)行預(yù)測；而對體現(xiàn)了網(wǎng)絡(luò)流量非線性、非平穩(wěn)特性的小波系數(shù)序列使用Elman遞歸神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，最后通過Mallat算法重構(gòu)得到網(wǎng)絡(luò)流量的預(yù)測值。還有基于下一代網(wǎng)絡(luò) （NGN）的運(yùn)行環(huán)境［23］，將神經(jīng)網(wǎng)絡(luò)中的轉(zhuǎn)移函數(shù)使用小波函數(shù)來替代從而構(gòu)建出另一種小波神經(jīng)網(wǎng)絡(luò) （WNN），同時(shí)使用小波多尺度變換方法將原始流量信號分解成不同頻率成分的分量信號并將其送到該模型中進(jìn)行預(yù)測。

（3）小波變換與支持向量機(jī)結(jié)合：文獻(xiàn) ［24］首先將原始流量數(shù)據(jù)時(shí)間序列進(jìn)行小波分解，并將分解得到的近似部分和各細(xì)節(jié)部分分別單支重構(gòu)到原級別上；對各個(gè)重構(gòu)后的序列分別用最小二乘支持向量機(jī)進(jìn)行預(yù)測，將各個(gè)預(yù)測結(jié)果重構(gòu)后得到對原始序列的預(yù)測結(jié)果。

（4）小波變換與灰色模型結(jié)合：文獻(xiàn) ［25］通過將小波分解的平穩(wěn)化處理優(yōu)點(diǎn)和灰色理論中的平移處理優(yōu)點(diǎn)結(jié)合起來，根據(jù)各自的預(yù)測原理建立了基于灰色小波的網(wǎng)絡(luò)流量預(yù)測模型。模型首先對網(wǎng)絡(luò)流量序列進(jìn)行小波分解，分解后的時(shí)間序列分別用灰色理論進(jìn)行平移預(yù)處理，然后對預(yù)處理后的序列數(shù)據(jù)進(jìn)行預(yù)測并重構(gòu)，從而得到原始時(shí)間序列的預(yù)測值。

流量序列經(jīng)過小波多尺度分解后，可以得到近似信號序列和各層的細(xì)節(jié)信號序列，近似信號序列包含了流量的趨勢項(xiàng)部分，對該部分的預(yù)測最為重要；各層的細(xì)節(jié)信號是網(wǎng)絡(luò)的突發(fā)部分，體現(xiàn)了流量的局部特征，可以作為對趨勢項(xiàng)的補(bǔ)充。通過小波分解使網(wǎng)絡(luò)流量的復(fù)雜特性得到分解，得到特性相對比較單一、更加易于預(yù)測的時(shí)間序列，在此基礎(chǔ)上建立能夠刻畫對應(yīng)序列特性的模型，得到能夠充分反映網(wǎng)路流量總體趨勢和細(xì)節(jié)的預(yù)測值。因此分解重構(gòu)組合模型較之線性組合模型和優(yōu)化組合模型來說，對于網(wǎng)絡(luò)流量的預(yù)測更加全面、精確。目前對于組合預(yù)測模型的研究大多是建立在小波分解的基礎(chǔ)上，國內(nèi)外學(xué)者正嘗試用不同的預(yù)測模型對分解后的分支序列進(jìn)行預(yù)測，再將各預(yù)測值進(jìn)行擬合以得到更加精確、可靠的預(yù)測值。

應(yīng)用組合預(yù)測模型來預(yù)測網(wǎng)絡(luò)流量的時(shí)候，可以擬合多個(gè)模型的優(yōu)點(diǎn)，更全面地刻畫復(fù)雜的流量特性，相對于單一預(yù)測模型來說，具有更好的預(yù)測效果。基于此，可以認(rèn)為采用組合預(yù)測模型可以更加準(zhǔn)確、全面地描述和預(yù)測實(shí)際網(wǎng)絡(luò)流量。目前，這方面的工作仍在探討與研究中。

3 結(jié)束語

流量預(yù)測作為記錄和反映網(wǎng)絡(luò)及其用戶活動(dòng)的重要載體和為網(wǎng)絡(luò)中帶寬分配、流量控制、選路控制、接納控制、安全管理提供有效依據(jù)，是目前研究的一個(gè)熱點(diǎn)問題。組合預(yù)測模型是流量預(yù)測的研究趨勢，怎樣建立一個(gè)合適的、能夠精確預(yù)測網(wǎng)絡(luò)流量的模型是有待進(jìn)一步解決的問題。

鑒于網(wǎng)絡(luò)流量本身具有的復(fù)雜性與動(dòng)態(tài)性，對網(wǎng)絡(luò)流量進(jìn)行預(yù)測應(yīng)更多地從以下幾方面考慮：

（1）組合預(yù)測模型的工作仍在探討與研究中，建立組合模型的主要難點(diǎn)在于確定合適的網(wǎng)絡(luò)業(yè)務(wù)特性及其使用方法；

（2）目前大多數(shù)流量預(yù)測模型僅僅是對歷史數(shù)據(jù)的分析，但是在實(shí)時(shí)網(wǎng)絡(luò)流量中由于流量數(shù)據(jù)的不確定性致使預(yù)測模型算法復(fù)雜，預(yù)測精度不高，因此有必要進(jìn)一步探索能夠精確預(yù)測實(shí)時(shí)網(wǎng)絡(luò)流量的預(yù)測模型；

（3）目前網(wǎng)絡(luò)流量預(yù)測都是針對互聯(lián)網(wǎng)網(wǎng)絡(luò)流量，對于無線通信網(wǎng)絡(luò)與移動(dòng)通信網(wǎng)絡(luò)流量是否也可以用相關(guān)模型進(jìn)行預(yù)測是值得進(jìn)一步探討的問題。

［1］YI Q，Skieewicz J，Dinda P.An empirical study of the multiscale predictability of network traffic ［C］.IEEE International Symposium on High Performance Distributed Computing，2004：66－76.

［2］Rezaul K M，Grout V.An overview of long－range dependent network traffic engineering and analysis ［C］.Nantes，F(xiàn)rance：Charaeteristics，Simulation，Modelling and Control in Proceedings of the 2nd International Conference on Performance Evaluation Method Ologies and Tools，2007：1－10.

［3］Swiecimka P O，KwaPien J，Drozdz S.Wavelet versus descended fluctuation analysis of multifractal structures ［J］.Physical Review，2006，74 （1）：188－190.

［4］YU Guoqiang，ZHANG Changshui.Switching ARIMA model based forecasting for traffic flow ［C］.Proc of ICASSP.Piscataway：IEEE，2004：429－432.

［5］Zare M H，Masnadi－Shirazi M A.Arima model for network traffic prediction and anomaly detection ［C］.ITSim’08.Kuala Lumpur：IEEE Press，2008：1－6.

［6］LI Shining，YAN Yan，QIN Zheng.Network traffic forecast based on Farima model ［J］.Computer Engineering and Applications，2006，42 （29）：148－150 （in Chinese）.［李士寧，閆焱，覃征.基于FARIMA模型的網(wǎng)絡(luò)流量預(yù)測 ［J］.計(jì)算機(jī)工程與應(yīng)用，2006，42 （29）：148－150.］

［7］Junsong W，Jiukun W，Maohu Z，et al.Prediction of internettraffic based on Elman neural network ［C］.Guilin：Chinese Control and Deeision Conferenee，2009：1248－1252.

［8］CAO Jianhua，LIU Yuan，DAI Yue.Network traffic prediction based on error advanced DGM （1，1）model ［C］.International Conference on Wireless Communications Networking and Mobile Computing，2007：6353－6356.

［9］DOU L，Binghui J，Haige X.The on－line predietion of selfsimilar traffic based on chaos theory ［C］.International Conference on Wireless Communications Networking and Mobile Computing，2006：1－4.

［10］LIU R，SHEN J，ZHANG D，et al.Chaotic forecast of the signaling traffic in NGN ［C］.China：Control Conference，2008：198－201.

［11］Jinjun L，Zhiquan W.Internet traffic dalaflos forecast by RBF neural network based on phase srace reconstruction ［J］.Transactions of Nanjing University of Aeronautics ＆ Astronautics，2006，23 （4）：316－322.

［12］WANG H F，HU D J.Comparison of SVM and LS－SVM for regression ［C］.International Conference on Neural Networks and Brain，2005.

［13］MA Hualin，LI Cuifeng，ZHANG Liyan.Network traffic prediction based on grey model and adaptive filter ［J］.Computer Engineering，2009，35 （1）：130－131 （in Chinese）.［馬華林，李翠鳳，張立燕.基于灰色模型和自適應(yīng)過濾的網(wǎng)絡(luò)流量預(yù)測 ［J］.計(jì)算機(jī)工程，2009，35 （1）：130－131.］

［14］YANG Jiahai， WU Jianping， AN Changqing. Internet measurement theory and application ［M］.Beijing：Posts ＆ Telecom Press，1999 （in Chinese）.［楊家海，吳建平，安常青.互聯(lián)網(wǎng)絡(luò)測量理論與應(yīng)用 ［M］.北京：人民郵電出版社，2009.］

［15］ WEN Chenglin，ZHOU Donghua. Multiscale estimation theory and its application ［M］.Beijing：Tsinghua University Press，2002（in Chinese）.［文成林，周東華.多尺度估計(jì)理論及其應(yīng)用 ［M］.北京：清華大學(xué)出版社，2002.］

［16］WANG Zhaoxia，HAO Tingzhu，CHEN Zengqiang，et al.Predicting nonlinear network using fuzzy neural network ［C］.Information Communications and Signal and the Fourth Pacific Rim Conference on Multimedia，2003：1697－1701.

［17］LUO Yunqian，XIA Jingbo，WANG Huanbi.Application of

chaos－support vector machine regression in traffic prediction［J］.Computer Science，2009，36 （7）：244－245 （in Chinese）.［羅赟騫，夏靖波，王煥彬.混沌－支持向量機(jī)回歸在流量預(yù)測中的應(yīng)用研究 ［J］.計(jì)算機(jī)科學(xué)，2009，36（7）：244－245.］

［18］LIU Xianxing，DING Fei，HU Zhentao，et al.Adaptive filtering algorithm of noise variances based on modified“Current”statistical model ［J］.Chinese of Journal Electronics，2006，15 （2）：265－266.

［19］LI Xiaohang，LIU Yuan，LIU Yuanzhen.Research on network traffic combination prediction method based on wavelet multi－scale analysis ［J］. Microelectronics ＆ Computer，2008，25 （1）：130－133 （in Chinese）.［李小航，劉淵，劉元珍.基于小波多尺度分析的網(wǎng)絡(luò)流量組合預(yù)測方法研究 ［J］.微電子學(xué)與計(jì)算機(jī)，2008，25 （1）：130－133.］

［20］Gospodinov M.Wavelet－based analysis of simulated net－work traffic ［C］.Bulgaria：International Conference on Computer Systems and Technologies－Comp Sys Tech University of Veliko Tarnovo，2006.

［21］TIAN Nili，YU Li.AWAN network traffic prediction model based on wavelet transform and FIR neural networks ［J］.Journal of Electronics ＆Information Teehnology，2008，30（10）：2549 （in Chinese）.［田妮莉，喻莉.一種基于小波變換和FIR神經(jīng)網(wǎng)絡(luò)的廣域網(wǎng)網(wǎng)絡(luò)流量預(yù)測模型 ［J］.電子與信息學(xué)報(bào)，2008，30 （10）：2549.］

［22］LIU Yuan，YAO Meng.Combination prediction model of network traffic based on recurrent neural networks ［J］.Computer Engineering and Design，2008，29 （3）：700 （in Chinese）.［劉淵，姚萌.基于遞歸神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量組合預(yù)測模型 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2008，29（3）：700.］

［23］ZHAO Qigang，F(xiàn)ANG Xuming，LI Qunzhan，et al.WNN based NGN traffic prediction ［R］.Chengdu：Proc ISADS，2005：230－234.

［24］LIU Yuan，WANG Peng.Combining wavelet transform and Bayesian least squares support vector machines to predict network traffic ［J］.Application Research of Computers，2009，26 （6）：2229－2231 （in Chinese）.［劉淵，王鵬.融合小波變換與貝葉斯LS－SVM的網(wǎng)絡(luò)流量預(yù)測 ［J］.計(jì)算機(jī)應(yīng)用研究，2009，26 （6）：2229－2231.］

［25］GONG Linming，ZHANG Zhenguo.Combination prediction model to network traffic based on grey－wavelet ［J］.Computer Engineering and Design，2010，31 （8）：1660－1661 （in Chinese）.［鞏林明，張振國.基于灰色小波的網(wǎng)絡(luò)流量組合預(yù)測模型 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2010，31 （8）：1660－1661.］