賴錦輝，梁松

1.廣東石油化工學(xué)院實(shí)驗(yàn)教學(xué)部計(jì)算機(jī)中心，廣東茂名 525000

2.廣東石油化工學(xué)院計(jì)算機(jī)與電子信息學(xué)院，廣東茂名 525000

一種新的基于GCS-SVM的網(wǎng)絡(luò)流量預(yù)測(cè)模型

賴錦輝1，梁松2

1.廣東石油化工學(xué)院實(shí)驗(yàn)教學(xué)部計(jì)算機(jī)中心，廣東茂名 525000

2.廣東石油化工學(xué)院計(jì)算機(jī)與電子信息學(xué)院，廣東茂名 525000

網(wǎng)絡(luò)流量特性反映了數(shù)據(jù)傳輸過(guò)程中的相互作用和影響，通過(guò)對(duì)流量數(shù)據(jù)的分析，有助于人們了解網(wǎng)絡(luò)內(nèi)部運(yùn)行機(jī)制并建立全面刻畫流量過(guò)程的數(shù)學(xué)模型。設(shè)計(jì)具有認(rèn)知特性的網(wǎng)絡(luò)流量預(yù)測(cè)模型，能夠使網(wǎng)絡(luò)更加合理地進(jìn)行帶寬分配、流量控制、選路控制、接納控制和差錯(cuò)控制[1]等，是提高QoS的有效途徑[2]。

目前網(wǎng)絡(luò)流量預(yù)測(cè)算法有很多，如采用時(shí)間序列模型、神經(jīng)網(wǎng)絡(luò)模型、卡爾曼濾波模型等對(duì)其進(jìn)行預(yù)測(cè)，取得了一定的效果[3-5]?；谛〔ㄋ惴ňW(wǎng)絡(luò)流量預(yù)測(cè)模型在一段時(shí)間被許多的研究者提出，其中比較出彩的是雷霆提出的基于小波神經(jīng)網(wǎng)絡(luò)流量預(yù)測(cè)模型，主要利用小波神經(jīng)網(wǎng)絡(luò)來(lái)分析網(wǎng)絡(luò)中的相似的特征[6]；鄒柏賢提出了基于自回歸平均ARMA網(wǎng)絡(luò)流量預(yù)測(cè)模型[7]，這種算法是一種基于統(tǒng)計(jì)學(xué)的方法來(lái)對(duì)網(wǎng)絡(luò)流量進(jìn)行統(tǒng)計(jì)預(yù)測(cè)。以上這些模型均具有各自的缺陷，如ARMA模型算法簡(jiǎn)單，易于實(shí)現(xiàn)，但預(yù)測(cè)精度不高。

網(wǎng)絡(luò)流量變化是一個(gè)具有高度的時(shí)變性、非線性、混沌性和不確定性的復(fù)雜系統(tǒng)。支持向量機(jī)（SVM）[8]是一種基于統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)的機(jī)器學(xué)習(xí)算法，對(duì)非線性問(wèn)題預(yù)測(cè)能力強(qiáng)，成功應(yīng)用于時(shí)間序列、模式識(shí)別等領(lǐng)域；采用SVM對(duì)非線性的網(wǎng)絡(luò)流量進(jìn)行建模預(yù)測(cè)時(shí)，其預(yù)測(cè)性能與SVM相關(guān)參數(shù)選取的好壞密切相關(guān)，目前常用的參數(shù)優(yōu)化算法主要有粒子群優(yōu)化算法、遺傳算法等，但這些算法均存在各自的不足，影響SVM在網(wǎng)絡(luò)流量預(yù)測(cè)中的應(yīng)用。

布谷鳥(niǎo)搜索（Cuckoo Search，CS）算法[9]是一種新型群體智能優(yōu)化算法，初步研究表明，布谷鳥(niǎo)搜索算法是有競(jìng)爭(zhēng)力的，具有簡(jiǎn)單和高效的特點(diǎn)，且參數(shù)少、易于實(shí)現(xiàn)，為SVM參數(shù)優(yōu)化提供了一種新的工具。本文提出一種高斯異動(dòng)改進(jìn)布谷鳥(niǎo)搜索算法優(yōu)化SVM的網(wǎng)絡(luò)流量預(yù)測(cè)模型（GCS-SVM），仿真結(jié)果表明，該模型取得比較好的預(yù)測(cè)結(jié)果。

1 網(wǎng)絡(luò)流量的相空間重構(gòu)

網(wǎng)絡(luò)流量具有高度的非線性、時(shí)變性、不確定性和混沌性等特點(diǎn)。網(wǎng)絡(luò)流量預(yù)測(cè)是根據(jù)網(wǎng)絡(luò)流量歷史數(shù)據(jù)和現(xiàn)在數(shù)據(jù)，采用某種方法建立合理的數(shù)學(xué)模型，然后用該模型對(duì)未來(lái)網(wǎng)絡(luò)流量進(jìn)行預(yù)測(cè)。

設(shè)t時(shí)間段的網(wǎng)絡(luò)流量時(shí)間序列為：{x(i)};i=1，2，…，n，可看出，交通流量數(shù)據(jù)是一維的時(shí)間序列，但由于時(shí)間序列性質(zhì)的識(shí)別以及進(jìn)一步的預(yù)測(cè)分析都需要在相空間中進(jìn)行，而解決時(shí)間序列性質(zhì)的識(shí)別是網(wǎng)絡(luò)流量預(yù)測(cè)的關(guān)鍵問(wèn)題[10]，因此需要將其轉(zhuǎn)換成多維時(shí)間序列，本文采用互信息法求時(shí)延τ，采用虛假最近臨點(diǎn)法求網(wǎng)絡(luò)流量的最佳嵌入維數(shù)m，從而將時(shí)間序列重構(gòu)為：

2 支持向量機(jī)算法

利用式（1）重構(gòu)后的相點(diǎn)對(duì)網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行單步預(yù)測(cè)來(lái)構(gòu)造回歸函數(shù)：

y(i)=f(x(i))，f:Rn→R（2）式中，Rn表示影響網(wǎng)絡(luò)流量預(yù)測(cè)的因素。支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測(cè)就是尋找一種輸入x和輸出y之間的關(guān)系。

設(shè)給定訓(xùn)練集為{X(i)，y(i)，i=(m-1)τ，…，n-1}，m為輸入空間維數(shù)，時(shí)間延遲為τ，在特征空間中構(gòu)造SVM的回歸函數(shù)為：

f(x)=w·φ(X)+b（3）式中，w表示法向量，b表示偏移量，可以通過(guò)求解最優(yōu)化問(wèn)題得到系數(shù)w和b。

根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，SVM回歸機(jī)可轉(zhuǎn)換為如下優(yōu)化問(wèn)題，即

式中，‖w‖是與函數(shù)f復(fù)雜度相關(guān)的項(xiàng)，ε為不敏感損失系數(shù)，ξi，ξ*

i表示松弛因子，C為懲罰因子用于調(diào)整置信范圍和經(jīng)驗(yàn)誤差間的均衡。

通過(guò)引入Lagrange函數(shù)，對(duì)于非線性預(yù)測(cè)問(wèn)題，用核函數(shù)k(xi，x)代替高維空間中的向量?jī)?nèi)積(φ(xi)，φ(x))，得到式（4）的最優(yōu)解為：

建立網(wǎng)絡(luò)流量預(yù)測(cè)模型就是找到支持向量參數(shù)使表達(dá)式（5）成立。

研究表明，當(dāng)缺乏過(guò)程的先驗(yàn)知識(shí)時(shí)，徑向基核函數(shù)相比其他核函數(shù)具有較少的參數(shù)和良好的性能[11]。在此，本章選擇徑向基核函數(shù)，其定義如下：

式中，σ為核函數(shù)的參數(shù)。C、ε及σ的選取是SVM預(yù)測(cè)模型精度的關(guān)鍵。

3 GCS優(yōu)化SVM參數(shù)

3.1 改進(jìn)布谷鳥(niǎo)搜索算法

2009年，由劍橋大學(xué)的YANG Xin-she和DEB Suash[12]在布谷鳥(niǎo)尋窩產(chǎn)卵的行為中，發(fā)現(xiàn)了一種新的搜索算法——Cuckoo Search算法（CS）。由于這種算法簡(jiǎn)單、高效、隨機(jī)搜索路徑優(yōu)，成功地應(yīng)用于工程優(yōu)化等實(shí)際問(wèn)題中，成為啟發(fā)式智能算法領(lǐng)域的一個(gè)新亮點(diǎn)。為了模擬布谷鳥(niǎo)尋巢的行為，CS設(shè)定了三個(gè)理想的狀態(tài)[13]：

（1）每只布谷鳥(niǎo)1次只產(chǎn)1顆卵，并隨機(jī)選擇1個(gè)鳥(niǎo)巢存放。

（2）卵最好的鳥(niǎo)巢將被保留到下一代。

（3）可利用的鳥(niǎo)巢的數(shù)量n是固定的，一個(gè)鳥(niǎo)巢的主人能發(fā)現(xiàn)一個(gè)外來(lái)鳥(niǎo)蛋的概率Pa∈(0，1)。

式中，?表示步長(zhǎng)控制量；⊕表示點(diǎn)對(duì)點(diǎn)乘法。

式中，k為1到0之間遞減的變量，N(0，1)為服從均值為0方差為1的高斯分布的隨機(jī)向量。得到合理q′t，再與qt中的每個(gè)鳥(niǎo)巢對(duì)比，保留測(cè)試值較佳的鳥(niǎo)巢位置，從而得到更佳的一組鳥(niǎo)巢位置q″t。

式（8）是在qt的基礎(chǔ)上增加了遞減型高斯分布隨機(jī)擾動(dòng)項(xiàng)qt×k×N(0，1)，這樣有利于跳出局部極值點(diǎn)進(jìn)行全局搜索。經(jīng)過(guò)高斯異動(dòng)后，搜索時(shí)間縮短了，在收斂速度上有一定的提高，較大優(yōu)化了算法的搜索速度和尋優(yōu)精度。

3.2 GCS-SVM的網(wǎng)絡(luò)流量混沌預(yù)測(cè)模型工作步驟

建立網(wǎng)絡(luò)流量預(yù)測(cè)模型就是找到支持向量參數(shù)使表達(dá)式（5）成立，C、ε及σ的選取是SVM預(yù)測(cè)模型精度的關(guān)鍵。因此改進(jìn)GCS優(yōu)化SVM預(yù)測(cè)模型具體步驟如下[15]：

（1）收集網(wǎng)絡(luò)流量時(shí)間序列數(shù)據(jù)，對(duì)時(shí)間序列進(jìn)行相空間重構(gòu)，生成SVM的樣本數(shù)據(jù)。

（2）確定懲罰系數(shù)C、不敏感系數(shù)ε、核函數(shù)參數(shù)σ在實(shí)際應(yīng)用中的取值范圍，最大迭代次數(shù)Nmax。

（5）用式（7）對(duì)其他鳥(niǎo)巢進(jìn)行更新，得到一組新的鳥(niǎo)巢位置。

4 仿真實(shí)驗(yàn)

4.1 數(shù)據(jù)收集

采用網(wǎng)絡(luò)流量監(jiān)測(cè)軟件對(duì)本校校園網(wǎng)流量進(jìn)行實(shí)時(shí)采集，共獲得472個(gè)網(wǎng)絡(luò)流量數(shù)據(jù)，為了盡量避免數(shù)據(jù)和計(jì)算中的偶然性造成評(píng)估結(jié)果的不準(zhǔn)確，將數(shù)據(jù)分成兩部分，前352個(gè)數(shù)據(jù)作為訓(xùn)練樣本建立網(wǎng)絡(luò)流量預(yù)測(cè)模型，后120個(gè)數(shù)據(jù)作為預(yù)測(cè)樣本進(jìn)行預(yù)測(cè)檢驗(yàn)。

然后采用互信息法處理前352個(gè)網(wǎng)絡(luò)流量序列，得到延時(shí)τ=3，接著利用虛假最近臨點(diǎn)法求得網(wǎng)絡(luò)流量時(shí)間序列相空間重構(gòu)的最小嵌入維數(shù)m=6，最后采用小數(shù)據(jù)量法得到最大Lyapunoν=0.016 5，根據(jù)式（1）對(duì)網(wǎng)絡(luò)流量的訓(xùn)練集進(jìn)行相空間重構(gòu)，得到336個(gè)訓(xùn)練樣本。

4.2 數(shù)據(jù)預(yù)處理過(guò)程

實(shí)際網(wǎng)絡(luò)流量具有突變性，變化幅度較大，為了提高訓(xùn)練的效率，在建模之前對(duì)網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行歸一化處理，具體為：

式中，x表示原始網(wǎng)絡(luò)流量，xmin和xmax分別表示最小值和最大值。

4.3 參比模型及評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)平臺(tái)為Matlab 7.1，編程調(diào)用比利時(shí)魯汶大學(xué)電子工程系版的SVM工具箱。根據(jù)實(shí)驗(yàn)初步驗(yàn)證，(c，σ，ε)取值范圍分別為：[0 1]、[1 100]、[0.000 1 0.01]，在改進(jìn)的CS算法中，取鳥(niǎo)巢位置數(shù)為20，Pa=0.25，經(jīng)GCS優(yōu)化選擇得到較優(yōu)的SVM參數(shù)為σ=0.462，c=10.11，ε=0.004 01，將參數(shù)代入SVM預(yù)測(cè)模型重新訓(xùn)練模型，繼而得到經(jīng)GCS優(yōu)化的SVM預(yù)測(cè)模型。為了驗(yàn)證改進(jìn)CS優(yōu)化SVM預(yù)測(cè)模型在網(wǎng)絡(luò)流量預(yù)測(cè)中的有效性，采用基于傳統(tǒng)CS和LS優(yōu)化SVM預(yù)測(cè)模型進(jìn)行實(shí)驗(yàn)預(yù)測(cè)對(duì)比，各運(yùn)行10次，在搜索過(guò)程中滿足目標(biāo)值或達(dá)到最大迭代次數(shù)則停止搜索。模型性能的評(píng)價(jià)指標(biāo)為平均相對(duì)誤差（MAPE），它的定義如下：

式中，xi和x?i分別為網(wǎng)絡(luò)流量實(shí)際值和預(yù)測(cè)值，n為測(cè)試樣本數(shù)。

4.4 結(jié)果與分析

圖1描述了基于傳統(tǒng)CS和改進(jìn)CS算法優(yōu)化SVM參數(shù)過(guò)程中適應(yīng)值變化曲線，從結(jié)果可知，改進(jìn)CS的收斂速度、全局搜索能力均要優(yōu)于傳統(tǒng)CS，具有更高的學(xué)習(xí)精度。

圖1 傳統(tǒng)CS和改進(jìn)CS的迭代尋優(yōu)過(guò)程比較

圖2、圖3分別為傳統(tǒng)CS和改進(jìn)CS優(yōu)化SVM網(wǎng)絡(luò)流量預(yù)測(cè)模型對(duì)網(wǎng)絡(luò)流量的訓(xùn)練樣本進(jìn)行擬合，得到的模型擬合結(jié)果。

圖2 傳統(tǒng)CS-SVM網(wǎng)絡(luò)流量時(shí)間序列的擬合結(jié)果

圖3 改進(jìn)CS-SVM網(wǎng)絡(luò)流量時(shí)間序列的擬合結(jié)果

從圖3可知，模型的預(yù)測(cè)結(jié)果與實(shí)際值相當(dāng)接近，這表明，基于改進(jìn)CS優(yōu)化的模型，能更全面、準(zhǔn)確地刻畫網(wǎng)絡(luò)流量的變量規(guī)律，比傳統(tǒng)CS預(yù)測(cè)精度更高。

表1為基于改進(jìn)CS、傳統(tǒng)CS和LS優(yōu)化SVM的預(yù)測(cè)模型分別運(yùn)行10次的預(yù)測(cè)效果對(duì)比?？煽闯?，改進(jìn)CS優(yōu)化SVM預(yù)測(cè)模型的平均MAPE為3.519 045%，低于參比模型的預(yù)測(cè)誤差且預(yù)測(cè)效果穩(wěn)定、差異小。因此，改進(jìn)CS優(yōu)化的SVM模型具有更好的預(yù)測(cè)能力。

表1 模型預(yù)測(cè)效果比較

5 結(jié)束語(yǔ)

由于受到多種因素的綜合影響，網(wǎng)絡(luò)流量具有高度的非線性、時(shí)變性、不確定性和混沌性等特點(diǎn)，針對(duì)這些特點(diǎn)，本文改進(jìn)CS算法對(duì)支持向量機(jī)進(jìn)行參數(shù)優(yōu)化，仿真表明，優(yōu)化后的網(wǎng)絡(luò)流量預(yù)測(cè)模型具有較高的尋優(yōu)效率、預(yù)測(cè)精度和較好的穩(wěn)態(tài)性能，能更好地滿足大規(guī)模網(wǎng)絡(luò)流量預(yù)測(cè)的實(shí)時(shí)性需求。

[1]王兆霞，孫雨耕，陳增強(qiáng)，等.基于模糊神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)業(yè)務(wù)量預(yù)測(cè)研究[J].通信學(xué)報(bào)，2005（3）：136-140.

[2]李丹丹，張閏彤.認(rèn)知網(wǎng)絡(luò)中基于蟻群算法的網(wǎng)絡(luò)流量預(yù)測(cè)模型[J].電子學(xué)報(bào)，2011（10）：100-103.

[3]姜明，吳春明，胡大民.網(wǎng)絡(luò)流量預(yù)測(cè)中的時(shí)間序列模型比較研究[J].電子學(xué)報(bào)，2009，37（11）：2353-2358.

[4]朱文興，龍艷萍，賈磊.基于RBF神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)算法[J].山東大學(xué)學(xué)報(bào)：工學(xué)版，2007，37（4）：23-27.

[5]楊兆升，朱中.基于卡爾曼濾波理論的交通流量實(shí)時(shí)預(yù)測(cè)模型[J].中國(guó)公路學(xué)報(bào)，1999，12（3）：63-67.

[6]白翔宇，葉新銘，蔣海.基于小波變換與自回歸模型的網(wǎng)絡(luò)流量預(yù)測(cè)[J].計(jì)算機(jī)科學(xué)，2007，34（7）：47-49.

[7]高波，張欽宇，梁永生.基于EMD及ARMA的自相似網(wǎng)絡(luò)流量預(yù)測(cè)[J].通信學(xué)報(bào)，2011（32）.

[8]Nello C，John S Τ.支持向量機(jī)導(dǎo)論[M].李國(guó)正，王猛，曾華軍，譯.北京：電子工業(yè)出版社，2004.

[9]Yang X S，Deb S.Engineering optimisation by cuckoo search[J]. International Journal of Mathematical Modeling and Numerical Optimisation，2010，1（4）：330-343.

[10]尹波，夏靖波，付凱，等.基于IPSO混沌支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測(cè)研究[J].計(jì)算機(jī)應(yīng)用研究，2012，29（11）：4293-4295.

[11]趙亞萍，張和生，周卓楠，等.基于最小二乘支持向量機(jī)的交通流量預(yù)測(cè)模型[J].北方交通大學(xué)學(xué)報(bào)，2011（2）：114-117.

[12]Yang X S，Deb S.Cuckoo search via Levy flights[C]//Proceedings of World Congress on Nature&Biologically Inspired Computing.India：IEEE Publications，2009：210-214.

[13]Yang X S，Deb S.Multi-objective cuckoo search for design optimization[J].Computers＆Operations Research，2013，40.

[14]莫愿斌，劉付永，張宇楠.帶高斯變異的人工螢火蟲優(yōu)化算法[J].計(jì)算機(jī)應(yīng)用研究，2013，30（1）：121-124.

[15]王凡，賀興時(shí)，王燕.基于高斯擾動(dòng)的布谷鳥(niǎo)搜索算法[J].西安工程大學(xué)學(xué)報(bào)，2011，25（4）：566-569.

LAI Jinhui1,LIANG Song2

1.Computer Center,Department of Experiment Τeaching,Guangdong University of Petrochemical Τechnology,Maoming,Guangdong 525000,China
2.College of Computer and Electronic Information,Guangdong University of Petrochemical Τechnology,Maoming,Guangdong 525000,China

Τhere are some problems,such as low precision,on existing network traffic forecast model.In accordance with these problems,this paper proposes the network traffic forecast model of Support Vector Machine（SVM）optimized by improved Cuckoo Search algorithm（GCS）.It will transform the time series of the network traffic,and then use cuckoo search optimization algorithm to optimize the parameters of Support Vector Machine.Τhe optimum parameters can be used to establish the model of network traffic prediction,which would make the forecast more accurate.Τhe simulation shows that,the GCS-SVM model is a suitable and effective method for forecasting Internet traffic.

network traffic prediction;Gauss mutation;Support Vector Machine（SVM）;cuckoo search algorithm

針對(duì)網(wǎng)絡(luò)流量預(yù)測(cè)模型存在預(yù)測(cè)穩(wěn)定性不好、精度較低等問(wèn)題，提出一種改進(jìn)布谷鳥(niǎo)搜索算法優(yōu)化支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測(cè)模型（GCS-SVM）。將網(wǎng)絡(luò)流量時(shí)間序列進(jìn)行重構(gòu)，采用改進(jìn)布谷鳥(niǎo)搜索算法優(yōu)化支持向量機(jī)參數(shù)，使用這組最優(yōu)參數(shù)建立網(wǎng)絡(luò)流量預(yù)測(cè)模型。仿真結(jié)果表明，GCS-SVM模型對(duì)網(wǎng)絡(luò)流量預(yù)測(cè)是有效可行的。

網(wǎng)絡(luò)流量預(yù)測(cè)；高斯變異；支持向量機(jī)；布谷鳥(niǎo)搜索算法

A

ΤP393

10.3778/j.issn.1002-8331.1306-0016

LAI Jinhui,LIANG Song.Application of GCS-SVM model in network traffic prediction.Computer Engineering and Applications,2013,49（21）：75-78.

國(guó)家自然科學(xué)基金（No.60903168）；廣東省教育部產(chǎn)學(xué)研結(jié)合項(xiàng)目（No.2010B090400235）。

賴錦輝（1977—），女，講師，主要研究方向：網(wǎng)絡(luò)、算法；梁松（1974—），男，實(shí)驗(yàn)師，主要研究方向：算法、人工智能。

2013-06-06

2013-08-14

1002-8331（2013）21-0075-04