沈陽(yáng)理工大學(xué) 劉英娜 沈陽(yáng)開(kāi)放大學(xué) 李琳琳 沈陽(yáng)理工大學(xué) 劉立士

近年來(lái)計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)在飛速的進(jìn)步和發(fā)展，互聯(lián)網(wǎng)越來(lái)越受人們依賴，網(wǎng)絡(luò)擁塞現(xiàn)象也越來(lái)越嚴(yán)重，網(wǎng)絡(luò)擁塞會(huì)降低網(wǎng)絡(luò)的傳輸性能，進(jìn)而導(dǎo)致傳輸時(shí)延增多、數(shù)據(jù)的丟失、以及吞吐量減少等問(wèn)題，因此，為了保證信息傳輸?shù)男屎蜏?zhǔn)確度，以及為信息提供更加安全的傳輸環(huán)境，解決網(wǎng)絡(luò)擁塞問(wèn)題是必然的。

網(wǎng)絡(luò)流量具有自相似性，根據(jù)此特性，本文建立了遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的模型來(lái)對(duì)自相似流量進(jìn)行預(yù)測(cè)，以解決網(wǎng)絡(luò)擁塞的問(wèn)題，提高網(wǎng)絡(luò)性能。但BP神經(jīng)網(wǎng)絡(luò)對(duì)于自相似流量的預(yù)測(cè)具有一定的局限性，且收斂速度隨著網(wǎng)絡(luò)訓(xùn)練樣本數(shù)的提高而降低，針對(duì)這一問(wèn)題，引入遺傳算法，遺傳算法具有很好的尋優(yōu)能力，可對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化處理，通過(guò)對(duì)自相似流量的訓(xùn)練和測(cè)試來(lái)達(dá)到對(duì)其預(yù)測(cè)的目的。通過(guò)對(duì)比和分析，遺傳算法進(jìn)行優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)流量預(yù)測(cè)模型具有更高的精確性和更強(qiáng)的適應(yīng)性。將流量預(yù)測(cè)結(jié)果引入隊(duì)列管理算法中，根據(jù)自相似流量的預(yù)測(cè)結(jié)果對(duì)網(wǎng)絡(luò)進(jìn)行合理的規(guī)劃，可達(dá)到緩解網(wǎng)絡(luò)擁塞的目的，進(jìn)而使網(wǎng)絡(luò)的傳輸速率提高。

1 自相似流量的特性及預(yù)測(cè)模型

自相似性指整體與其局部在結(jié)構(gòu)形態(tài)上相似。網(wǎng)絡(luò)流量的自相似性在1994年首次被提出，之后有大量學(xué)者對(duì)其進(jìn)行研究。研究發(fā)現(xiàn)，不管網(wǎng)絡(luò)是哪種服務(wù)類型，不管其拓?fù)浣Y(jié)構(gòu)如何，都可以在網(wǎng)絡(luò)流量中檢測(cè)到自相似性。根據(jù)網(wǎng)絡(luò)流量的這個(gè)特征，本文建立一種遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的模型，來(lái)對(duì)自相似流量進(jìn)行流量預(yù)測(cè)，自相似流量通過(guò)ON/OFF模型產(chǎn)生后，保存其數(shù)據(jù)集作為數(shù)據(jù)樣本，以作為流量預(yù)測(cè)的參照數(shù)據(jù)，之后利用遺傳算法和BP神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試，可以達(dá)到自相似流量預(yù)測(cè)的目的，以緩解網(wǎng)絡(luò)擁塞現(xiàn)象。

2 遺傳算法及BP神經(jīng)網(wǎng)絡(luò)介紹

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)屬于前饋神經(jīng)網(wǎng)絡(luò)，依據(jù)誤差的逆向傳播進(jìn)行訓(xùn)練。其隱含層節(jié)點(diǎn)的輸出滿足公式：

輸出層節(jié)點(diǎn)的輸出滿足公式：

其中，f表示非線形函數(shù)，q表示神經(jīng)元的閾值。

但單一的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度不高、預(yù)測(cè)速度不快，不能很好的對(duì)網(wǎng)絡(luò)流量進(jìn)行預(yù)測(cè)。因此引入遺傳算法。遺傳算法主要解決優(yōu)化問(wèn)題，其核心思想就是“優(yōu)勝劣汰”，通過(guò)一代代的繁衍，篩選掉差的個(gè)體留下好的個(gè)體。將遺傳算法的選擇、交叉、變異等操作與BP神經(jīng)網(wǎng)絡(luò)有機(jī)的結(jié)合起來(lái)可對(duì)網(wǎng)絡(luò)流量進(jìn)行訓(xùn)練，進(jìn)而達(dá)到對(duì)網(wǎng)絡(luò)流量進(jìn)行精準(zhǔn)預(yù)測(cè)的目的。

建立模型：

（1）選擇具有Pareto分布的ON/OFF源疊加模型產(chǎn)生自相似流量，獲取并保存該數(shù)據(jù)集作為數(shù)據(jù)樣本。

（2）確定BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)、隱形節(jié)點(diǎn)、輸出節(jié)點(diǎn)的個(gè)數(shù)以及迭代次數(shù)，對(duì)權(quán)值、節(jié)點(diǎn)數(shù)、閾值進(jìn)行初始化設(shè)置，并對(duì)這些初始值進(jìn)行編碼。

（3）利用遺傳算法，對(duì)上述編碼所得的數(shù)值進(jìn)行選擇、交叉、變異訓(xùn)練。

（4）如果訓(xùn)練得到的解可以使適應(yīng)度函數(shù)值達(dá)到最大，則進(jìn)行下一步；否則，返回上一步。

（5）獲得最佳的權(quán)值和閾值，并計(jì)算最優(yōu)網(wǎng)絡(luò)狀態(tài)下的權(quán)值和閾值的誤差。

（6）若誤差滿足預(yù)設(shè)條件則終止訓(xùn)練；否則返回上一步。

3 仿真與分析

首先，通過(guò)具有Pareto分布的ON/OFF疊加模型產(chǎn)生自相似流量的預(yù)測(cè)數(shù)據(jù)集，通過(guò)Matlab進(jìn)行仿真分析。ON/OFF模型參數(shù)設(shè)置為：信源數(shù)服從Poisson分布，Lambda設(shè)為0.2；持續(xù)時(shí)間服從Pareto分布，其形狀參數(shù)K= 0.2，尺度參數(shù)σ= 1.5，位置參數(shù)θ= 1發(fā)包速率R= 45(packet/s)。獲取并保存產(chǎn)生包數(shù)的數(shù)據(jù)集作為流量預(yù)測(cè)的數(shù)據(jù)樣本。輸入節(jié)點(diǎn)為2，隱形節(jié)點(diǎn)為6，輸出節(jié)點(diǎn)為2。種群數(shù)設(shè)為50，進(jìn)化數(shù)設(shè)為100。訓(xùn)練次數(shù)5000次，收斂誤差為0.00001。選取ON/OFF模型產(chǎn)生的前150個(gè)數(shù)據(jù)包進(jìn)行訓(xùn)練，選取第151-250共100個(gè)數(shù)據(jù)包進(jìn)行測(cè)試。分別對(duì)不加入遺傳算法和遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行多次仿真比較，最終獲得了普遍又精準(zhǔn)的仿真結(jié)果。

仿真結(jié)果如下圖所示。其中，圖1為遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)流量和實(shí)際流量圖，在圖中任意選取6個(gè)坐標(biāo)點(diǎn)作為對(duì)比參照點(diǎn)，這6個(gè)坐標(biāo)值分別為14s、18s、29s、45s、68s、91s，其對(duì)應(yīng)的數(shù)據(jù)包預(yù)測(cè)值分別為152、417.4、238.2、89.55、174.4、1 8 2，其對(duì)應(yīng)的實(shí)際值分別為150、420、240、90、180、1 8 0。經(jīng)計(jì)算，絕對(duì)平均誤差MAE=1.1924，小于預(yù)設(shè)誤差值2。均方誤差MSE=1.8909，標(biāo)準(zhǔn)均方誤差NMSE=4.1319e-4，誤差較小，符合預(yù)期效果。圖2為遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行流量預(yù)測(cè)所得的預(yù)測(cè)流量與實(shí)際流量對(duì)比圖，由圖可看出實(shí)際折線圖與預(yù)測(cè)折線圖在大體上是一致的，說(shuō)明仿真試驗(yàn)取得了很好的結(jié)果。圖3為不加入遺傳算法的BP神經(jīng)網(wǎng)絡(luò)流量預(yù)測(cè)的預(yù)測(cè)值和實(shí)際值對(duì)比圖，由圖可看出，預(yù)測(cè)值和實(shí)際值相差較大，經(jīng)計(jì)算其絕對(duì)平均誤差MAE=27.9666，預(yù)測(cè)精度較低。通過(guò)對(duì)兩種模型的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比分析，得出結(jié)論為采用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型在自相似流量預(yù)測(cè)上具有更高的精確性，能夠更好的完成自相似流量預(yù)測(cè)。

圖1 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)流量和實(shí)際流量

圖2 加入遺傳算法后的預(yù)測(cè)值和實(shí)際值對(duì)比圖

圖3 不加入遺傳算法的預(yù)測(cè)值和實(shí)際值對(duì)比圖

結(jié)論：本文根據(jù)網(wǎng)絡(luò)流量的自相似特性，利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型對(duì)自相似流量進(jìn)行了流量預(yù)測(cè)，通過(guò)對(duì)該模型各項(xiàng)參數(shù)的不斷嘗試與修改，最終確定了參數(shù)值并進(jìn)行了多次仿真與分析。仿真結(jié)果證明了遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)自相似流量具有良好的預(yù)測(cè)效果。將此模型引入隊(duì)列管理算法中，可很好的解決網(wǎng)絡(luò)擁塞的問(wèn)題，進(jìn)而提高了網(wǎng)絡(luò)的利用效率和服務(wù)質(zhì)量。