郭海蓉

(成都醫(yī)學(xué)院 現(xiàn)代教育技術(shù)中心， 成都 610500)

0 引言

隨著大數(shù)據(jù)時代的到來，各個領(lǐng)域的數(shù)據(jù)向海量、大規(guī)模方向發(fā)展，尤其是網(wǎng)絡(luò)流量數(shù)據(jù)，每天有大量流量數(shù)據(jù)產(chǎn)生，它們不斷的在網(wǎng)絡(luò)上進(jìn)行傳輸，使得網(wǎng)絡(luò)流量管理系統(tǒng)的負(fù)載日益嚴(yán)重，到了周末或者節(jié)假日，網(wǎng)絡(luò)的速度極慢，而且經(jīng)常出現(xiàn)網(wǎng)絡(luò)擁塞，如何改善網(wǎng)絡(luò)流量的傳輸速度和網(wǎng)絡(luò)流量的管理效率引起了人們的高度關(guān)注[1]。

網(wǎng)絡(luò)流量的建模與預(yù)測是一種網(wǎng)絡(luò)管理的重要技術(shù)，其對將來一段時間內(nèi)的網(wǎng)絡(luò)流量變化趨勢進(jìn)行預(yù)測，得到的預(yù)測結(jié)果可以提供給網(wǎng)絡(luò)管理者，讓他們提前準(zhǔn)備一定的網(wǎng)絡(luò)流量管理方案進(jìn)行應(yīng)對，因此當(dāng)前存在許多網(wǎng)絡(luò)流量預(yù)測模型[2]。當(dāng)前網(wǎng)絡(luò)流量預(yù)測模型可以劃分為兩種：周期性的網(wǎng)絡(luò)流量預(yù)測模型和隨機性的網(wǎng)絡(luò)流量預(yù)測模型[3,4]，其中周期性預(yù)測模型認(rèn)為網(wǎng)絡(luò)流量是一種周期性的變化規(guī)律，在一段時間內(nèi)有一定的相似性，如聚類分析的網(wǎng)絡(luò)流量預(yù)測模型，通過聚類分析算法從歷史樣本中選擇與當(dāng)前預(yù)測點相似的樣本組成訓(xùn)練樣本，然后采用回歸算法實現(xiàn)網(wǎng)絡(luò)流量預(yù)測，而實際上網(wǎng)絡(luò)流量不僅只有周期性變化規(guī)律，由于受到上網(wǎng)用戶的行為影響，其具有十分強烈的隨機性，因此周期性預(yù)測模型只能描述網(wǎng)絡(luò)流量的局部變化特點，無法對網(wǎng)絡(luò)流量變化特點進(jìn)行全面描述，網(wǎng)絡(luò)流量的穩(wěn)定性差[5]；隨機性的網(wǎng)絡(luò)流量預(yù)測模型基于非線性理論進(jìn)行建模與分析，通過引入一些機器學(xué)習(xí)算法如極限學(xué)習(xí)機、神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和學(xué)習(xí)[6-8]，其網(wǎng)絡(luò)流量預(yù)測的性能要優(yōu)于周期性預(yù)測模型，成為網(wǎng)絡(luò)流量預(yù)測研究中的主要方向。當(dāng)前周期性預(yù)測模型或者隨機的預(yù)測模型均采用單機處理模式，而現(xiàn)代網(wǎng)絡(luò)流量數(shù)據(jù)朝大規(guī)模方向發(fā)展，使得單機處理模式缺陷十分明顯，不能適應(yīng)現(xiàn)代網(wǎng)絡(luò)流量預(yù)測的發(fā)展要求[9]。

根據(jù)網(wǎng)絡(luò)流量數(shù)據(jù)變化特點，為了解決單機處理技術(shù)的局限性，以提高網(wǎng)絡(luò)流量預(yù)測效果，設(shè)計了基于大數(shù)據(jù)環(huán)境下的網(wǎng)絡(luò)流量非線性預(yù)測模型，并與其它模型進(jìn)行了對照實驗，本文模型的網(wǎng)絡(luò)流量預(yù)測精度高，網(wǎng)絡(luò)流量訓(xùn)練時間短，相對于對比模型，本文的網(wǎng)絡(luò)流量預(yù)測結(jié)果具有顯著的優(yōu)越性。

1 云計算技術(shù)和回聲狀態(tài)網(wǎng)絡(luò)

1.1 云計算技術(shù)描述

云計算技術(shù)是在互聯(lián)網(wǎng)的基礎(chǔ)上發(fā)展起來的、專門針對海量數(shù)據(jù)的一種處理技術(shù)，集成了分布式處理、并行計算等優(yōu)點，其采用Map/Reduce計算模型，基于分層次計算，處理數(shù)據(jù)的速度相當(dāng)快，其工作基本思想為：將一個大數(shù)據(jù)集拆分為多個子數(shù)據(jù)，每一個子數(shù)據(jù)集對應(yīng)一個Map任務(wù)，然后采用不同節(jié)點對Map任務(wù)進(jìn)行執(zhí)行，得到中間處理結(jié)果，最后通過Reduce對中間處理結(jié)果進(jìn)行收集和融合，得到最終處理結(jié)果，其工作原理如圖1所示。

圖1 Map/Reduce的工作原理

1.2 回聲狀態(tài)網(wǎng)絡(luò)

受流體狀態(tài)機模型的啟發(fā)，有學(xué)者提出了回聲狀態(tài)網(wǎng)絡(luò)，解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的瓶頸問題，其包括前端輸入、儲備池和輸出層，它們對應(yīng)的向量分別如式(1)、(2)、(3)。

u(n)=(u1(n),u2(n),…,uK(n))T

(1)

x(n)=(x1(n),x2(n),…,xN(n))T

(2)

y(n)=(y1(n),y2(n),…,yL(n))T

(3)

在第n個時刻，回聲狀態(tài)網(wǎng)絡(luò)的狀態(tài)更新方程和輸出計算公式分別為式(4)、(5)。

x(n+1)=f1(Winu(n+1)+Wx(n))

(4)

y(n+1)=f2(Woutx(n+1))

(5)

式中，Win、W、Wout分別表示前端輸入、儲備池和輸出層的連接權(quán)值，f1和f2分別表示儲備池和輸出層的激活函數(shù)。

回聲狀態(tài)網(wǎng)絡(luò)的工作步驟：

(1)根據(jù)具體預(yù)測問題，初始化儲備池大小、譜大小、輸入縮放系數(shù)、稀疏度等參數(shù)。

(2)建立輸入樣本和期望輸出之間的映射關(guān)系。

(3)由于在回聲狀態(tài)網(wǎng)絡(luò)學(xué)習(xí)過程中，Win、W的值固定不變，對Wout進(jìn)行訓(xùn)練，根據(jù)式(5)和訓(xùn)練樣本u(n)對期望信號y(n)進(jìn)行逼近，具體為式(6)。

Woutx(n)≈yt(n+1)

(6)

根據(jù)式(3)可知，狀態(tài)向量x(n)由u(n)決定，即：u(n)?x(n)，輸入向量和期望輸出序列之間的映射關(guān)系為[10]式(7)。

u(n)→yt(n)

(7)

(4)設(shè)狀態(tài)矩陣向量為X，其對應(yīng)的期望的輸出向量為Y，則有式(8)。

Y=WoutX

(8)

其中，Wout訓(xùn)練目標(biāo)可以表示為式(9)。

(9)

采用違逆法對Wout進(jìn)行訓(xùn)練，得到Wout式(10)。

Wout=Yt×X+

(10)

式中，X+表示X的違逆矩陣。

(5)根據(jù)訓(xùn)練得到的Wout對實際輸出信號進(jìn)行預(yù)測，預(yù)測結(jié)果為式(11)。

(11)

2 大數(shù)據(jù)環(huán)境下的網(wǎng)絡(luò)流量非線性預(yù)測方法的具體設(shè)計

2.1 大數(shù)據(jù)環(huán)境下的網(wǎng)絡(luò)流量非線性預(yù)測原理

大數(shù)據(jù)環(huán)境下的網(wǎng)絡(luò)流量非線性預(yù)測原理為：首先采集大規(guī)模的網(wǎng)絡(luò)流量歷史數(shù)據(jù)，然后根據(jù)云計算技術(shù)的Map/Reduce處理模式對其進(jìn)行細(xì)分，得到多個數(shù)據(jù)量相對較小的子訓(xùn)練樣本集合，并引入數(shù)據(jù)挖掘技術(shù)中的狀態(tài)回聲網(wǎng)絡(luò)對子訓(xùn)練樣本集合的網(wǎng)絡(luò)流量進(jìn)行預(yù)測，最后對子訓(xùn)練樣本集合的網(wǎng)絡(luò)流量預(yù)測結(jié)果進(jìn)行融合，輸出網(wǎng)絡(luò)流量的最終預(yù)測結(jié)果，具體工作原理如圖2所示。

圖2 大數(shù)據(jù)環(huán)境下的網(wǎng)絡(luò)流量非線性預(yù)測原理

2.2 大數(shù)據(jù)環(huán)境下的網(wǎng)絡(luò)流量非線性預(yù)測步驟

(1)對于一個網(wǎng)絡(luò)管理系統(tǒng)中的服務(wù)器歷史數(shù)據(jù)進(jìn)行收集。

(2)Map端將大規(guī)模網(wǎng)絡(luò)流量數(shù)據(jù)集進(jìn)行細(xì)分，得到許多子數(shù)據(jù)集。

(3)每一個網(wǎng)絡(luò)流量子數(shù)據(jù)集通過一個Map任務(wù)處理，即通過回聲狀態(tài)網(wǎng)絡(luò)對網(wǎng)絡(luò)流量進(jìn)行訓(xùn)練。

(4)得到每一個網(wǎng)絡(luò)流量子數(shù)據(jù)集的回聲狀態(tài)網(wǎng)絡(luò)預(yù)測結(jié)果，并將結(jié)果輸出到Reduce端。

(5)Reduce端對Map傳來的網(wǎng)絡(luò)流量子數(shù)據(jù)集預(yù)測結(jié)果進(jìn)行合并，得到網(wǎng)絡(luò)流量的最終預(yù)測結(jié)果。

3 大數(shù)據(jù)環(huán)境下的網(wǎng)絡(luò)流量非線性預(yù)測模型性能與分析

3.1 測試環(huán)境及實驗數(shù)據(jù)

為了分析大數(shù)據(jù)環(huán)境下的網(wǎng)絡(luò)流量非線性預(yù)測的有效性，云計算平臺共包含5個節(jié)點，1個節(jié)點作為服務(wù)器，另外4個作為普通節(jié)點，它們具體配置方式如表1所示。

采用不同規(guī)模的網(wǎng)絡(luò)流量數(shù)據(jù)作為實驗對象，共5個網(wǎng)絡(luò)流量數(shù)據(jù)集合，它們的大小如表2所示。

3.2 結(jié)果與分析

為了分析回聲狀態(tài)網(wǎng)絡(luò)用于網(wǎng)絡(luò)流量建模的優(yōu)越性，選擇BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型進(jìn)行對比測試，采用數(shù)據(jù)處理技術(shù)均為云處理技術(shù)，統(tǒng)計5個網(wǎng)絡(luò)流量數(shù)據(jù)集合的預(yù)測精度，結(jié)果如圖3所示。

表1 云計算平臺的節(jié)點配置

表2 5個網(wǎng)絡(luò)流量數(shù)據(jù)集的規(guī)模

圖3 5個網(wǎng)絡(luò)流量數(shù)據(jù)集合的預(yù)測精度對比

對圖3的5個網(wǎng)絡(luò)流量數(shù)據(jù)集合預(yù)測精度進(jìn)行對比和分析，可以發(fā)現(xiàn)，回聲狀態(tài)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測精度明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測精度，降低了網(wǎng)絡(luò)流量預(yù)測誤差，這是因為回聲狀態(tài)網(wǎng)絡(luò)可以對網(wǎng)絡(luò)流量隨機性、復(fù)雜性的變化特點進(jìn)行高精度建模，建立了更優(yōu)的網(wǎng)絡(luò)流量預(yù)測模型，對比結(jié)果驗證了本文將回聲狀態(tài)網(wǎng)絡(luò)引入到網(wǎng)絡(luò)流量預(yù)測中的思想是正確的，可以得到理想的網(wǎng)絡(luò)流量預(yù)測結(jié)果。

為了測試云計算處理技術(shù)的優(yōu)越性，選擇單機處理技術(shù)進(jìn)行對比測試，以單機處理技術(shù)的訓(xùn)練時間作為標(biāo)準(zhǔn)，建模方法均采用狀態(tài)回聲網(wǎng)絡(luò)，在不同數(shù)據(jù)規(guī)模條件下，本文模型的網(wǎng)絡(luò)流量訓(xùn)練時間減少倍數(shù)如圖4所示。

從圖4的實驗結(jié)果可以看出，當(dāng)網(wǎng)絡(luò)流量數(shù)據(jù)很小時，云計算處理技術(shù)和單機處理技術(shù)需要的時間相差不大，單機處理技術(shù)的訓(xùn)練相對更少，這是因為云計算處理技術(shù)要經(jīng)過Map和Reduce兩個階段，但是隨著網(wǎng)絡(luò)流量規(guī)模的不斷增大，云計算處理技術(shù)的優(yōu)勢慢慢得以體現(xiàn)，網(wǎng)絡(luò)流量預(yù)測建模的訓(xùn)練時間不斷在減少，而且網(wǎng)絡(luò)流量數(shù)據(jù)越大，網(wǎng)絡(luò)流量建模訓(xùn)練時間減少的幅度就越大，優(yōu)勢越明顯，對比測試結(jié)果表明，本文模型加快了網(wǎng)絡(luò)流量訓(xùn)練速度，降低計算時間復(fù)雜度，提高了網(wǎng)絡(luò)流量預(yù)測建模的效率，可以滿足網(wǎng)絡(luò)流量管理在線要求。

圖4 網(wǎng)絡(luò)流量訓(xùn)練時間對比

4 總結(jié)

網(wǎng)絡(luò)用戶的急增，業(yè)務(wù)種類的多樣性增加，每一天網(wǎng)絡(luò)上的流量數(shù)據(jù)呈指數(shù)級增長，網(wǎng)絡(luò)流量管理面臨巨大的挑戰(zhàn)，為了提高網(wǎng)絡(luò)流量的準(zhǔn)確性，結(jié)合網(wǎng)絡(luò)流量非線性、復(fù)雜、海量的特點，設(shè)計了一種大數(shù)據(jù)環(huán)境下的網(wǎng)絡(luò)流量非線性預(yù)測模型，首先結(jié)合網(wǎng)絡(luò)流量的大規(guī)模特性，引入云計算處理模式對訓(xùn)練樣本進(jìn)行分解操作，減少網(wǎng)絡(luò)流量訓(xùn)練的時間和空間復(fù)雜度，然后引入數(shù)據(jù)挖掘技術(shù)中的回聲狀態(tài)網(wǎng)絡(luò)對網(wǎng)絡(luò)流量的非線性變化特點進(jìn)行擬合，實現(xiàn)網(wǎng)絡(luò)流量高精度預(yù)測，對比結(jié)果表明，本文模型的網(wǎng)絡(luò)流量建模效率高，網(wǎng)絡(luò)流量的預(yù)測誤差明顯低于當(dāng)前經(jīng)典的網(wǎng)絡(luò)流量預(yù)測結(jié)果，本文模型可以應(yīng)用于大規(guī)模網(wǎng)絡(luò)流量管理系統(tǒng)中，具有一定的實際應(yīng)用價值。