于雅芮 劉立士

摘 ?要：隨著計算機網(wǎng)絡體系規(guī)模的不斷擴大，降低網(wǎng)絡性能的影響因素也日益增多。由于網(wǎng)絡流量的突發(fā)性會增加對網(wǎng)絡性能的影響，該文針對網(wǎng)絡流量的自相似特性和可預測性，提出了一種自相似流量的小波神經(jīng)網(wǎng)絡預測模型。此模型通過對已知的網(wǎng)絡流量數(shù)據(jù)進行訓練，得到預測流量，完成對自相似流量的可預測性的驗證，最后對預測模型的性能做出評價。與傳統(tǒng)的線性模型相比，自相似流量的小波神經(jīng)網(wǎng)絡模型在仿真過程中表現(xiàn)出預測的精確程度高、逼近最優(yōu)值的速度快的優(yōu)點。

關鍵詞：神經(jīng)網(wǎng)絡 ?自相似 ?流量預測

中圖分類號：TN915.06 ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1672-3791（2019）06（a）-0009-02

隨著人們對網(wǎng)絡性能的要求越來越高，網(wǎng)絡擁塞問題也逐漸被重視起來，故針對提高網(wǎng)絡性能的技術的應用也變得尤為重要。大量研究表明，由于網(wǎng)絡流量具有自相似性以及可預測性，所以利用一種自相似流量的預測模型對網(wǎng)絡流量進行仿真預測實驗，就可以根據(jù)仿真結果對即將到達的流量進行實時監(jiān)控，減小網(wǎng)絡流量的突發(fā)性對整體網(wǎng)絡環(huán)境的影響，這將有效提升網(wǎng)絡的性能。

1 ?自相似流量的特性及預測模型

自相似性在統(tǒng)計意義上可以看作是空間尺度和時間尺度都不變的特性，而網(wǎng)絡流量的自相似性表現(xiàn)為從整體中抽取的局部特征與整體特征相似，一部分特征與其他部分特征相似[1]。由于傳統(tǒng)線性預測模型在網(wǎng)絡流量的突發(fā)性方面具有一定的弊端，會造成預測結果不理想。因此，該文建立了以小波神經(jīng)網(wǎng)絡為核心的自相似流量預測模型，從而減小網(wǎng)絡流量的突發(fā)性對預測流量造成的誤差。

2 ?小波神經(jīng)網(wǎng)絡原理及預測模型

2.1 小波神經(jīng)網(wǎng)絡原理

神經(jīng)網(wǎng)絡的主要原理是求出輸出層的實驗仿真輸出Y與理論輸出X之間的誤差Z，再將誤差Z反向傳播，獲得每個節(jié)點的偏差，繼續(xù)調整模型參數(shù)的取值，當每個節(jié)點的偏差都滿足預設誤差要求時，即完成網(wǎng)絡的學習過程。

該文建立的小波神經(jīng)網(wǎng)絡預測模型采用具有全尺度分析能力的小波函數(shù)代替神經(jīng)元激活函數(shù)[2]。此模型將小波函數(shù)設定為Morlet小波函數(shù)，其表達式如公式（1）所示。

2.2 建立網(wǎng)絡流量預測模型

建立預測模型的基本流程如下。

第一，選擇合適的神經(jīng)網(wǎng)絡拓撲結構并確定隱含層的節(jié)點數(shù)和小波函數(shù)的尺度參數(shù)和平移參數(shù)[3]。

第二，獲取實驗仿真數(shù)據(jù)。將ON/OFF模型產(chǎn)生的數(shù)據(jù)分為訓練集和測試集兩個部分。由于自相似流量的突發(fā)性，在產(chǎn)生數(shù)據(jù)時要進行多次仿真，最后從中選擇出較穩(wěn)定的數(shù)據(jù)。

第三，訓練模型。將訓練集的流量數(shù)據(jù)輸入模型中，根據(jù)得到的誤差不斷調整模型的各項參數(shù)，直到誤差減小到預設目標，即完成模型的訓練。

第四，將測試集的自相似流量數(shù)據(jù)包輸入到已訓練好的模型中，得到預測自相似流量，重復進行仿真，獲取誤差最小的預測仿真結果并與實際的自相似流量進行對比，分析模型預測的結果。由于平均絕對誤差函數(shù)（Mean Absolute Error，MAE）可以較好地反映預測數(shù)據(jù)包個數(shù)與實際包數(shù)的絕對誤差平均值的情況，所以該文選擇MAE來評價小波神經(jīng)網(wǎng)絡預測模型的性能，其函數(shù)表達式如公式（2）所示。

3 ?仿真驗證與分析

該文所采用的自相似流量預測數(shù)據(jù)集由ON/OFF源到達模型產(chǎn)生。在Matlab仿真軟件中，按照上述模型的分析情況確定參數(shù)，并進行仿真。各項參數(shù)設置如下：產(chǎn)生自相似流量的信源到達過程服從Poisson分布，信源到達率參數(shù)設定為=0.5，信源時間間隔服從指數(shù)分布，到達率參數(shù)設定為μ=2，信源持續(xù)周期相互獨立且服從Pareto分布gprnd（X，K，，），其中X=0.01，K=1.5，==1，數(shù)據(jù)包發(fā)送速率R=10（個/s）。

仿真結果如圖1、圖2所示。其中，圖1為ON/OFF源到達模型產(chǎn)生的數(shù)據(jù)包仿真圖，圖2為利用小波神經(jīng)網(wǎng)絡模型對ON/OFF源到達模型產(chǎn)生的自相似流量進行預測得到的對比圖。

如圖1和圖2所示，在時間點分別為2s、15s、60s、90s時，源到達模型產(chǎn)生的數(shù)據(jù)包數(shù)為：180個、160個、100個、150個。經(jīng)過小波神經(jīng)網(wǎng)絡模型預測得到的數(shù)據(jù)包數(shù)為：125個、130個、105個、150個，在2s時產(chǎn)生數(shù)據(jù)包個數(shù)的相對誤差為30.6%，在15s時產(chǎn)生數(shù)據(jù)包個數(shù)的相對誤差為18.8%，在其余時間點的相對誤差均小于以上兩點的值。該文利用平均絕對誤差函數(shù)作為誤差分析的指標，由仿真得到預測值的絕對誤差的平均值MAE=4.39，因此，此小波神經(jīng)網(wǎng)絡模型的預測結果誤差小于預設誤差目標MAE=8，預測值誤差較小。而在時間點為80s時，出現(xiàn)較大誤差是由于在利用偏差更新神經(jīng)網(wǎng)絡權重因子時會產(chǎn)生負數(shù)，導致最后收斂時的輸出為負數(shù)。綜上所述，小波神經(jīng)網(wǎng)絡預測模型可以在網(wǎng)絡流量突發(fā)性存在的情況下完成網(wǎng)絡流量的預測。

4 ?結語

該文基于網(wǎng)絡流量的自相似性，建立以神經(jīng)網(wǎng)絡為核心的自相似流量預測模型，完成仿真分析過程。為達到誤差設定值，不斷重復修改此預測模型參數(shù)，最終確定了此模型的各項參數(shù)值，實驗仿真過程在Matlab平臺上完成，仿真結果證明了自相似流量的可預測性。

參考文獻

[1] 耿傳鑫.基于自相似流量預測的AOS擁塞控制技術研究[D].沈陽理工大學，2019.

[2] 黃恩洲.基于遺傳-小波神經(jīng)網(wǎng)絡的短時交通量預測[J].海南大學學報：自然科學版，2014，32（1）：55-59.

[3] 姚瑩.基于小波過程神經(jīng)網(wǎng)絡的短期風速預測方法研究[D].合肥工業(yè)大學，2013.