◆杜 濤

（山西晉中學(xué)院遠(yuǎn)程教育學(xué)院 山西 030600）

基于BP神經(jīng)網(wǎng)絡(luò)技術(shù)的網(wǎng)絡(luò)流量預(yù)測模型

◆杜 濤

（山西晉中學(xué)院遠(yuǎn)程教育學(xué)院 山西 030600）

隨著計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，互聯(lián)網(wǎng)在帶給人們便利性的同時(shí)也面臨著諸多安全威脅。計(jì)算機(jī)網(wǎng)絡(luò)流量作為一個(gè)重要的網(wǎng)絡(luò)安全參數(shù)，受到越來越多的重視。建立網(wǎng)絡(luò)流量預(yù)測模型，不僅可以為網(wǎng)絡(luò)性能分析、流量管控等提供支持，還可以更好地解決網(wǎng)絡(luò)效率、安全等方面的問題?；诖?，本文提出了神經(jīng)網(wǎng)絡(luò)流量預(yù)測模型，并相應(yīng)地驗(yàn)證了模型的正確性。

網(wǎng)絡(luò)流量；BP神經(jīng)網(wǎng)絡(luò)；預(yù)測模型

0 引言

隨著網(wǎng)絡(luò)信息技術(shù)的飛速發(fā)展，越來越多的用戶和產(chǎn)品加入到網(wǎng)絡(luò)中來。據(jù)聯(lián)合國相關(guān)機(jī)構(gòu)發(fā)布的數(shù)據(jù)，2016年全球互聯(lián)網(wǎng)用戶將達(dá)到34億人，占世界人口總數(shù)的45%。據(jù)思科公司預(yù)計(jì)，到2016年，全球網(wǎng)絡(luò)一年的流量將達(dá)到 1.8 ZB。海量的用戶和流量，使得網(wǎng)絡(luò)結(jié)構(gòu)變得日趨復(fù)雜。在這種情況下，建立準(zhǔn)確的網(wǎng)絡(luò)流量預(yù)測模型就可以為網(wǎng)絡(luò)性能分析、流量控制、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)規(guī)劃等提供理論支持，更好地解決網(wǎng)絡(luò)效率、安全等問題，改善和保障網(wǎng)絡(luò)運(yùn)行。

1 常見的網(wǎng)絡(luò)流量預(yù)測模型

網(wǎng)絡(luò)流量是指一定時(shí)間內(nèi)通過網(wǎng)絡(luò)或網(wǎng)絡(luò)端口的數(shù)據(jù)大小?，F(xiàn)實(shí)中的網(wǎng)絡(luò)流量模型呈現(xiàn)出復(fù)雜的非線性關(guān)系，受到多種外因的影響。常見的描述網(wǎng)絡(luò)流量的模型有FARIMA[1]、灰色模型、SVM、神經(jīng)網(wǎng)絡(luò)模型等。

1.1 FARIMA模型

FARIMA（p，d，q）模型是一種時(shí)間序列模型，是ARIMA（p，d，q）模型（Autoregressive Integrated Moving Average Model）的演變[1]。FARIMA模型可以同時(shí)對線性和非線性的相關(guān)建模，但是不能對突發(fā)性等網(wǎng)絡(luò)外界因素進(jìn)行捕捉，計(jì)算量大。

1.2 灰色模型

灰色模型的建立基于灰色系統(tǒng)理論，通過找出系統(tǒng)中典型的變化關(guān)系建立系統(tǒng)模型。這種模型所需的樣本數(shù)據(jù)少，精度高，但是容錯(cuò)性較差，當(dāng)系統(tǒng)發(fā)生任何變化時(shí)，灰色模型都需要重新建立。

1.3 神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)模型是通過模擬自然界中生物復(fù)雜的神經(jīng)元而構(gòu)造出來的數(shù)學(xué)模型，是對人腦的一種簡單抽象模擬。神經(jīng)網(wǎng)絡(luò)模型具有較強(qiáng)的容錯(cuò)性和自主的學(xué)習(xí)能力，當(dāng)前廣泛地應(yīng)用于網(wǎng)絡(luò)流量預(yù)測、網(wǎng)絡(luò)安全預(yù)測等方面。

2 基于BP神經(jīng)網(wǎng)絡(luò)的流量預(yù)測模型

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層三部分組成，是一種誤差反傳的前饋多層神經(jīng)網(wǎng)絡(luò)[2]。BP神經(jīng)網(wǎng)絡(luò)每層中各神經(jīng)元之間不能連通，上下層之間神經(jīng)元全連通。

BP神經(jīng)網(wǎng)絡(luò)是一種具有自主學(xué)習(xí)能力的算法，學(xué)習(xí)過程分為信號正向傳播和誤差逆向傳播兩部分[3]。第一階段信號通過網(wǎng)絡(luò)結(jié)構(gòu)和迭代的閥值和權(quán)值，從第一層開始正向傳輸，最終從輸出層得到結(jié)果。系統(tǒng)會(huì)判斷結(jié)果是否符合預(yù)期，如果不符合則啟動(dòng)第二階段，這是信號的方向發(fā)生逆轉(zhuǎn)，從輸出層開始逐層調(diào)整閥值和權(quán)值，如此往復(fù)，直到輸出值滿足我們要求為止[4]。

由于神經(jīng)元的同層不連接性，所以單個(gè)神經(jīng)元具有在任意節(jié)點(diǎn)都具有單一的輸出值。設(shè)神經(jīng)元接收其它神經(jīng)元的值為Xi，相互作用強(qiáng)度即權(quán)值為Wi，i=0，1，2，3……n-1，閥值為θ，則這個(gè)神經(jīng)元的輸入為：

相應(yīng)的輸出為：

式中f()為激發(fā)函數(shù)，一般為（0，1）內(nèi)連續(xù)取值Sigmoid函數(shù)。

預(yù)測誤差為：

其中yn(i)為實(shí)際流量數(shù)據(jù)，y(i)為預(yù)測輸出。

神經(jīng)網(wǎng)絡(luò)的權(quán)值和閥值根據(jù)預(yù)測誤差不斷修正，其公式為：

2.2 網(wǎng)絡(luò)流量預(yù)測模型系統(tǒng)實(shí)現(xiàn)

流量預(yù)測模型的實(shí)現(xiàn)步驟如下：

第一步截取網(wǎng)絡(luò)流量數(shù)據(jù)，并初始化相關(guān)數(shù)據(jù)；

第二步基于MATLAB 7.0構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，并初始化；

第三步對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

第四步用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行預(yù)測，對預(yù)測數(shù)據(jù)進(jìn)行比對。

具體實(shí)現(xiàn)過程如圖所示：

圖1 網(wǎng)絡(luò)流量預(yù)測模型流程圖

在確定模型結(jié)構(gòu)之后，通過華三公司的智能管理中心采集晉中學(xué)院校園網(wǎng)接口流量數(shù)據(jù)作為本論文實(shí)驗(yàn)數(shù)據(jù)。自2016年3月5日至7日兩天內(nèi)每10分鐘采集的流量數(shù)據(jù)信息，共獲得288個(gè)流量數(shù)據(jù)，其中278個(gè)做為訓(xùn)練數(shù)據(jù)，10個(gè)為驗(yàn)證數(shù)據(jù)。

圖2 晉中學(xué)院48小時(shí)流量圖

通過MATLAB 7.0計(jì)算機(jī)仿真軟件構(gòu)建網(wǎng)絡(luò)流量預(yù)測模型，取隱含層節(jié)點(diǎn)數(shù)為n=5，訓(xùn)練最大次數(shù)取500，學(xué)習(xí)算法采用梯度下降法函數(shù)traingd。

核心代碼如下：