丁春莉， 李林森

(陜西交通職業(yè)技術(shù)學(xué)院，西安 710021)

和聲搜索算法優(yōu)化支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測

丁春莉， 李林森

(陜西交通職業(yè)技術(shù)學(xué)院，西安 710021)

網(wǎng)絡(luò)流量受到外界因素作用，具有復(fù)雜的變化規(guī)律，為了改善了網(wǎng)絡(luò)流量的預(yù)測效果，設(shè)計了和聲搜索算法優(yōu)化支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測模型(HS-SVM)。首先對當(dāng)前網(wǎng)絡(luò)流量預(yù)測研究現(xiàn)狀進(jìn)行深入分析，并指出了網(wǎng)絡(luò)流量的混沌特性，然后采用混沌理論的相應(yīng)方法確定網(wǎng)絡(luò)流量的延遲時間和嵌入維數(shù)，并對原始網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行重構(gòu)，最后采用HS-SVM建立網(wǎng)絡(luò)流量預(yù)測模型，并與當(dāng)前其它網(wǎng)絡(luò)流量預(yù)測模型進(jìn)行了對照模擬測試。HS-SVM能夠挖掘和分析網(wǎng)絡(luò)流量的變化規(guī)律，網(wǎng)絡(luò)流量預(yù)測結(jié)果要明顯優(yōu)于其它網(wǎng)絡(luò)流量預(yù)測模型，測試結(jié)果驗證了HS-SVM的可行性和優(yōu)越性。

互聯(lián)網(wǎng)； 網(wǎng)絡(luò)流量； 混沌理論； 和聲搜索算法； 參數(shù)選擇

0 引言

近些年來，隨著計算機(jī)技術(shù)、信息技術(shù)、網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，網(wǎng)絡(luò)的應(yīng)用范圍越來越廣，每天在互聯(lián)網(wǎng)上傳輸數(shù)據(jù)的種類和數(shù)量急劇增加，網(wǎng)絡(luò)擁塞呈上升趨勢，尤其是上網(wǎng)高峰時間，網(wǎng)絡(luò)擁塞十分嚴(yán)重[1,2]。為了保證網(wǎng)絡(luò)正常工作，網(wǎng)絡(luò)管理員提出了許多措施，其中流量預(yù)測可以提前知道網(wǎng)絡(luò)將來的狀態(tài)，能夠提前制定防止網(wǎng)絡(luò)擁塞的措施，降低網(wǎng)絡(luò)擁塞的概率，保證網(wǎng)絡(luò)流的正常工作，因此流量的建模與預(yù)測引起了網(wǎng)絡(luò)公司、管理管理人員的高度重視[3]。

為了解決網(wǎng)絡(luò)流量的擁塞，人們采用各種方法對其進(jìn)行分析，出現(xiàn)了許多性能良好的網(wǎng)絡(luò)流量預(yù)測模型。起初人們采用的預(yù)測模型主要有：線性回歸法、灰色理論、專家系統(tǒng)等[4,5]，它們對于結(jié)構(gòu)簡單的網(wǎng)絡(luò)，可以獲得較好的網(wǎng)絡(luò)流量預(yù)測結(jié)果，但它們需要事先知道網(wǎng)絡(luò)系統(tǒng)的先驗知識，而且認(rèn)為網(wǎng)絡(luò)流量一直增長的，固定不變，這與現(xiàn)代復(fù)雜網(wǎng)絡(luò)，尤其是互聯(lián)網(wǎng)流量變化規(guī)律不符合，有時預(yù)測結(jié)果不可信，不能應(yīng)用現(xiàn)代網(wǎng)絡(luò)流量管理中[6]。隨著網(wǎng)絡(luò)流量預(yù)測研究的不斷深入，人們發(fā)現(xiàn)網(wǎng)絡(luò)流量具有明顯周期性，也存在隨機(jī)性，甚至混沌性，為此人們采用神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)、貝葉斯網(wǎng)絡(luò)以及支持向量機(jī)(support vector machine，SVM)對網(wǎng)絡(luò)流量的將來變化態(tài)勢進(jìn)行分析，取獲了比線性回歸等更優(yōu)的網(wǎng)絡(luò)流量預(yù)測結(jié)果[7,8]。網(wǎng)絡(luò)流量的變化十分復(fù)雜，神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)、要求收集大量的原始流量數(shù)據(jù)，當(dāng)流量數(shù)據(jù)少時，網(wǎng)絡(luò)流量預(yù)測效果下降，應(yīng)用范圍變小；貝葉斯網(wǎng)絡(luò)雖然可以獲得較好的網(wǎng)絡(luò)流最預(yù)測結(jié)果，但建模過程復(fù)雜，通用性差；相對于神經(jīng)網(wǎng)絡(luò)等，SVM的要求樣本更少，建模過程更加簡單，成為當(dāng)前網(wǎng)絡(luò)流量主要建模方法。SVM的網(wǎng)絡(luò)流量預(yù)測效果與核函數(shù)及參數(shù)選擇相關(guān)，當(dāng)前采用隨機(jī)搜索算法如遺傳算法、粒子群算法等解決參數(shù)選擇問題，然而這些算法有各自的缺陷，網(wǎng)絡(luò)流量預(yù)測結(jié)果有待改善[9]。

為了改善了網(wǎng)絡(luò)流量的預(yù)測效果，提出和聲搜索算法優(yōu)化支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測模型(HS-SVM)。首先根據(jù)網(wǎng)絡(luò)流量的混沌特性確定網(wǎng)絡(luò)流量的延遲時間和嵌入維數(shù)，然后采用HS-SVM建立網(wǎng)絡(luò)流量預(yù)測模型，最后與其它網(wǎng)絡(luò)流量預(yù)測模型進(jìn)行了對照實驗，結(jié)果表明，HS-SVM網(wǎng)絡(luò)流量預(yù)測結(jié)果明顯優(yōu)于其它網(wǎng)絡(luò)流量預(yù)測模型。

1 支持向量機(jī)與和聲搜索算法

1.1 支持向量機(jī)

支持向量機(jī)是一種非線性分類和回歸算法，形式相當(dāng)靈活，對于小樣本分類或者回歸問題，均可以獲得較好的結(jié)果，設(shè)樣本為：{(xi,yi)，i=1,2,…,n}。由于網(wǎng)絡(luò)流量預(yù)測是一個回歸問題，因此采用支持向機(jī)的回歸[10]，如式(1)。

(1)

式中，w表示權(quán)向量，b表示偏置向量[12]。

通常情況下，不是直接對(1)進(jìn)行求解確定參數(shù)w和b，而對將其進(jìn)行適當(dāng)變換，成為凸二次規(guī)劃問題，然后進(jìn)行求解，即有式 (2)。

(2)

式中，C表示預(yù)測誤差的懲罰參數(shù)；Remp(f)為預(yù)測結(jié)果的損失函數(shù)。

為了進(jìn)一步簡化回歸的過程，提高支持向量機(jī)的工作效率，采用松弛因子對式(2)進(jìn)行變換，得到相應(yīng)的目標(biāo)函數(shù)，為式(3)。

(3)

(4)

當(dāng)一個回歸問題不是線性變化，而是非線性變化時，采用式(1)只能建立線性的回歸模型，而網(wǎng)絡(luò)流量具有典型的隨機(jī)性，因此需要采用映射函數(shù)φ將對網(wǎng)絡(luò)流數(shù)據(jù)映射到線性空間，把非線性問題變?yōu)榫€性問題進(jìn)行預(yù)測，得到式(5)。

(5)

式(5)的約束條件，為式(6)。

(6)

支持向量機(jī)采用核函數(shù)k(xi,x)代替(φ(xi),φ(xj))減少支持向量的數(shù)量，降低計算時間復(fù)雜度，得到式(7)。

(7)

支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測函數(shù)，具體如式(8)。

(8)

本文選擇RBF核函數(shù)，其定義，為式(8)。

(9)

式中，σ為RBF的寬度。

1.2 HS算法

和聲搜索(HS)算法是一種模擬樂隊調(diào)音的隨機(jī)搜索算法，通過不斷調(diào)音操作找到最完美和聲，即問題的最優(yōu)解，其工作思想為：設(shè)初始解的數(shù)量為HM，隨機(jī)初始化并保存到和聲記憶庫中，對每一個解以HMCR概率在和聲記憶庫內(nèi)搜索，其它在記憶庫外進(jìn)行搜索，將它們合并在一起，得到問題的新解，根據(jù)相應(yīng)規(guī)則到記憶庫的最差解進(jìn)行更新，直到滿足結(jié)束為止[11]。HS算法的工作步驟具體如下：

(1) 初始HS算法的一些參數(shù)，如：HMCR、和聲記憶庫數(shù)量(HMS)、音調(diào)調(diào)節(jié)范圍和調(diào)節(jié)率BW和PAR。

(3) 根據(jù)相應(yīng)問題的目標(biāo)函數(shù)得到解的適應(yīng)度函數(shù)值。

(5) 重新計算解的適應(yīng)度函數(shù)值fit(X′)，并與歷史最優(yōu)解進(jìn)行比較，如果更優(yōu)，就更新最優(yōu)解的值。

(6) 如果滿足算法結(jié)束條件，則輸入最優(yōu)解的值。

2 基于HS-SVM的網(wǎng)絡(luò)流量建模步驟

對一個網(wǎng)絡(luò)系統(tǒng)，采用流量采集設(shè)備得到歷史數(shù)據(jù)為：{xi，i=1,2,…,n}，那么i+1時刻的網(wǎng)絡(luò)流量的預(yù)測模型，為式(10)。

(10)

式中，f(·)表示回歸函數(shù)。

為了更好的捕捉網(wǎng)絡(luò)流量變化特點，本文采用支持向量機(jī)作為擬合函數(shù)，則需要支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化，采用和聲搜索算法選擇支持向量機(jī)的參數(shù)，網(wǎng)絡(luò)流量預(yù)測目標(biāo)使預(yù)測誤差最小，從而得到目標(biāo)函數(shù)，為式(11)。

(11)

基于HS-SVM的網(wǎng)絡(luò)流量建模過程具體如下：

(1) 初始化支持向量機(jī)參數(shù)，以及確定參數(shù)的范圍。

(2) 對網(wǎng)絡(luò)流量值進(jìn)行歸一化預(yù)處理，即有式(12)。

(14)

式中，ymax和ymin分別為最大和最小值。

(3) 針對網(wǎng)絡(luò)流量的混沌性和隨機(jī)性，估計最優(yōu)延遲時間和嵌入維數(shù)，并對網(wǎng)絡(luò)流量原始數(shù)據(jù)進(jìn)行重組。

(4) 采用支持向量機(jī)對訓(xùn)練樣本進(jìn)行學(xué)習(xí)，并采用10折交叉驗證計算參數(shù)組合的適應(yīng)度函數(shù)值，并通過HS算法不斷搜索參數(shù)，找到最合理參數(shù)，構(gòu)建立HS-SVM流量預(yù)測模型。

(5) 采用驗證樣本對HS-SVM可行性進(jìn)行測試，并與其它模型進(jìn)行對比實驗，驗證HS-SVM的優(yōu)越性。

3 仿真分析

3.1 源數(shù)據(jù)

為了測試HS-SVM的可行性，選擇一個大型網(wǎng)絡(luò)公司的網(wǎng)絡(luò)流量作為研究對象，得到720數(shù)據(jù)，最后200個數(shù)據(jù)作為驗證樣本，分析HS-SVM的泛化性能，其它數(shù)據(jù)用于HS對支持向量機(jī)的參數(shù)優(yōu)化，網(wǎng)絡(luò)流量數(shù)據(jù)，如圖1所示。

圖1 網(wǎng)絡(luò)流量數(shù)據(jù)

從圖1可以發(fā)現(xiàn)，該網(wǎng)絡(luò)流量數(shù)據(jù)具有一定的隨機(jī)，且混沌特征比較明顯，因此，通過混沌理論對圖1網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行延遲時間和嵌入維估計，結(jié)果如圖2所示。

(a) 延遲時間變化

(b) 嵌入維數(shù)變化

對圖2進(jìn)行分析，可以發(fā)現(xiàn)該網(wǎng)絡(luò)流量的最延遲時間和嵌入維數(shù)分別為6和4，根據(jù)該值對圖1數(shù)據(jù)進(jìn)行重組。

3.2 結(jié)果與分析

根據(jù)重組的流量數(shù)據(jù)對支持向量機(jī)進(jìn)行訓(xùn)練，采用HS算法估計最優(yōu)參數(shù)，得到驗證集的預(yù)測結(jié)果，如圖3所示。

(a) 預(yù)測結(jié)果

(b) 預(yù)測偏差

HS-SVM的網(wǎng)絡(luò)流量預(yù)測精度相當(dāng)?shù)母撸瑢嶋H值和預(yù)測幾乎完全重合，同時對預(yù)測偏差者分析可以知道，預(yù)測偏差小，值變化幅度小，說明HS-SVM的網(wǎng)絡(luò)流量預(yù)測誤差小。

采用文獻(xiàn)[12]和文獻(xiàn)[13]的網(wǎng)絡(luò)流量預(yù)測模型進(jìn)行對照實驗，支持向量機(jī)的參數(shù)如表1所示。所有模型的流量預(yù)測精度見表1。

表1 模型參數(shù)以及預(yù)測精度

相對于文獻(xiàn)[12]和文獻(xiàn)[13]的網(wǎng)絡(luò)流量預(yù)測模型，HS-SVM的平均預(yù)測精度大約提高了4%，對比結(jié)果表明HS算法可以確定更優(yōu)的支持向量機(jī)參數(shù)，獲得了更優(yōu)的網(wǎng)絡(luò)流量預(yù)測效果型。

4 總結(jié)

網(wǎng)絡(luò)流量受到外界因素的作用，具有復(fù)雜的變化規(guī)律，針對網(wǎng)絡(luò)流量的復(fù)雜性，提出了HS-SVM的網(wǎng)絡(luò)流量預(yù)測模型，在分析絡(luò)流量預(yù)測研究現(xiàn)狀的基礎(chǔ)上，建立網(wǎng)絡(luò)流量預(yù)測目標(biāo)函數(shù)，然后根據(jù)網(wǎng)絡(luò)流量的延遲時間和嵌入維數(shù)重構(gòu)網(wǎng)絡(luò)流量數(shù)據(jù)，最后HS-SVM建立網(wǎng)絡(luò)流量預(yù)測模型，測試結(jié)果表明，HS-SVM能夠挖掘和分析網(wǎng)絡(luò)流量的變化規(guī)律，獲得了比其它網(wǎng)絡(luò)流量預(yù)測模型更高的預(yù)測精度，預(yù)測結(jié)果可以為企業(yè)和管理員提供有用信息。

[1] 張賓,楊家海,吳建平. Internet 流量模型分析與評述[J]. 軟件學(xué)報, 2011, 22(1):115-131

[2] 邱婧,夏靖波,吳吉祥. 網(wǎng)絡(luò)流量預(yù)測模型研究進(jìn)展[J]. 計算機(jī)工程與設(shè)計, 2012. 33(3): 865-869

[3] 鄒柏賢,劉強(qiáng). 基于ARMA模型的網(wǎng)絡(luò)流量預(yù)測[J]. 計算機(jī)研究與發(fā)展, 2002, 39(12): 1645-1651.

[4] 姚萌,劉淵,周剛. 小波與神經(jīng)網(wǎng)絡(luò)相結(jié)合的網(wǎng)絡(luò)流量預(yù)測模型[J]. 計算機(jī)工程與設(shè)計, 2007, 28(21): 5135-5137.

[5] 趙振江. 基于PSO-BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測與研究[J]. 計算機(jī)應(yīng)用與軟件, 2009, 26(1): 218-221.

[6] 黨小超,郝占軍. 基于改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測[J]. 計算機(jī)應(yīng)用, 2010, 30(10): 2648-2652.

[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[J]. 通信學(xué)報, 2011, 32(4); 47-56.

[8] 姚奇富,李翠風(fēng),馬華林,張森. 灰色系統(tǒng)理論和馬爾柯夫鏈相結(jié)合的網(wǎng)絡(luò)流量預(yù)測方法[J]. 浙江大學(xué)學(xué)報(理學(xué)版), 2007, 34(4):396-400.

[9] 李捷,候秀紅,韓志杰.基于卡爾曼濾波和小波的網(wǎng)絡(luò)流量預(yù)測算法研究[J].電子與信息學(xué)報,2007,29(3):725-725.

[10] 張浩然, 韓正之. 回歸支持向量機(jī)的改進(jìn)序列最小優(yōu)化學(xué)習(xí)算法[J]. 軟件學(xué)報, 2003, 14(12): 2006-2013.

[11] Mahdavi M, Fesanghary M, Damangir E. An improved harmony search algorithm for solving optimization problems [J]. Applied Mathematics and Computation , 2007: 188:567-1579.

[12] 張穎璐. 基于遺傳算法優(yōu)化支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測[J]. 計算機(jī)科學(xué), 2008, 35(5): 177-180.

[13] 羅赟騫,夏靖波,王渙彬. 混沌-支持向量機(jī)回歸在流量預(yù)測中的應(yīng)用研究[J]. 計算機(jī)科學(xué), 2009, 6(7): 244-246.

Network traffic predicting based on SVM optimized by harmony search algorithm

Ding Chunli,Li Linsen

(Shaanxi College of Communication Technology,Xi’an 710021,China)

Network flow is influenced by some external factors, and has complicated variation law. In order to improve prediction effect of network traffic, this paper puts forward a novel network traffic prediction model based on HS-SVM. First of all, current research status of network traffic prediction is analyzed deeply, and chaotic characteristics of network traffic are pointed out; Then, delay time and embedding dimension are determined by chaos theory to reconstruct original network traffic data; Finally, network traffic prediction model is established by HS-SVM and the simulation test is carried out compared with other network traffic prediction models. HS-SVM can mine and analyze the change law of network traffic, prediction results are better than that of other prediction models, and the test results verify feasibility and superiority of HS-SVM.

The Internet; Network traffic; Chaos theory; Harmony search algorithm; Parameter selection

丁春莉(1963-)，女，陜西省臨潼縣人，副教授，研究方向：計算機(jī)軟件及應(yīng)用，西安 710021 李林森(1990-)，男，西安，助教，碩士研究生，研究方向：計算機(jī)軟件開發(fā)應(yīng)用，西安 710021

1007-757X(2017)01-0067-04

TP391

A

2016.06.30)