基于小波變換的PCNN網絡流量預測算法

韓小燕

無錫商業職業技術學院，江蘇無錫 214153

基于小波變換的PCNN網絡流量預測算法

韓小燕

無錫商業職業技術學院，江蘇無錫 214153

網絡流量預測對網絡安全、網絡管理等具有重要的意義。針對網絡流量的行為特征，提出了基于小波變換的PCNN網絡流量預測算法。對預處理的網絡流量進行小波分解，利用PCNN模型預測獲得的近似系數和細節系數，通過小波逆變換對預測的小波系數進行重構，得到預測的網絡流量。實驗結果表明，與其他的三種網絡流量預測算法相比，算法得到較小的殘差，取得了較好的預測效果。

小波變換；脈沖耦合神經網絡（PCNN）；網絡流量預測

1 引言

網絡流量預測一直是學者關注的問題，目前已取得了一些理論上的成果，主要是提出了結合現有模型的預測算法。基于自回歸或自回歸滑動平均的網絡流量預測算法對于短期預測能夠獲得短期的預測精度，而對于長期預測獲得的預測效果較差。之后，許多學者對模型或算法進行了改進，提高了預測精度和適用范圍，實現也較簡單，還能較好地描述網絡流量的長相關性。通過對ARMA模型的改進得到基于自回歸綜合滑動平均或基于分形自回歸綜合滑動平均的網絡流量預測模型，該模型克服了網絡流量長相關的問題[1-3]。PCNN相對于傳統神經網絡來說，是新型神經網絡，它是由若干神經元互連而構成的反饋型網絡。PCNN模型具有強自適應捕獲點火、內部耦合、動態調整閾值控制脈沖發放等基本特征，該模型廣泛應用于圖像融合、圖像處理等[4]。本文將小波變換和PCNN相結合，提出的網絡流量預測算法能夠更準確地預測網絡流量。

本文提出了基于小波變換的PCNN網絡流量預測算法。目前小波與時間序列相結合的預測算法主要有兩種思路。其一，首先利用小波分解將網絡流量進行處理，然后通過預測模型對分解得到的小波系數進行預測，最后對預測得到的小波系數進行重構得到預測的網絡流量[5-6]；其二，首先利用小波分解對網絡流量進行處理，然后分別對分解得到的粗尺度系數和細尺度系數進行重構，最后通過預測模型對重構后的小波系數進行預測，得到預測的網絡流量[7-8]。利用上述兩種算法的優點，首先對原始網絡流量進行預處理，利用預處理后的網絡流量預測未來相同時間段的網絡流量。然后通過小波分解對預處理后的網絡流量進行處理，再利用PCNN模型分別對粗尺度系數和細尺度系數進行預測，最后對預測后的粗尺度系數和細尺度系數進行重構得到原始網絡流量的預測流量。實驗結果表明，與基于FARIMA模型的預測算法、基于小波變換的預測算法以及改進的基于小波變換和FARIMA模型的網絡流量預測算法[1]相比，本文預測算法能夠取得較好的預測結果。

2 基本理論

2.1 小波變換

小波變換是介于函數的時間域（空間域）表示和頻率域表示之間的一種表示方法，它在時間域和頻率域上同時具有良好的局部化特性，對高頻成分采用逐步精細的時間域取樣步長，可以聚焦到對象的任意細節，從而被譽為“數學顯微鏡”[9-10]。

本文利用小波變換作為多分辨率分析工具，經小波變換將信號分解為高頻細節分量和低頻近似分量。實驗中利用M allat提出的小波變換的快速分解與重構算法。若用H和G作為兩個一維鏡像濾波算子，則原始網絡流量的M allat分解算法在j尺度中可表示為：

其中aj+1為原始網絡流量的低頻分量，反映流量的輪廓特征，dj+1為原始網絡流量的高頻分量，反映流量的細節特征。H和G分別為低通濾波器和高通濾波器。H′和G′分別為H和G的共軛轉置矩陣，則分解后的原始網絡流量的M allat重構算法可表示為：

2.2 PCNN基本原理與簡化模型

PCNN[11-12]是一種不同于傳統神經網絡的新型神經網絡，它是由若干個神經元互連而構成的反饋型網絡，每個神經元Nij都由接收域、調制域和脈沖產生器三個部分組成，如圖1所示。若用PCNN對大小為M×N的圖像進行處理時，必須把每個像素的灰度值作為每個神經元的輸入，從而大小為M×N的圖像矩陣對應于一個由M×N個PCNN神經元構成的神經元網絡。

圖1 PCNN神經元模型

接收域包括輸入域和鏈接域，輸入域接收來自外界的刺激Sij和相鄰神經元的輸出Yij，而鏈接域只接受相鄰神經元的輸出Yij；調制域將來自輸入域和鏈接域的信號進行調制得到內部活動項Uij；脈沖產生器將Uij與動態門限θij進行比較，如果Uij大于θij，則脈沖產生器打開（稱該神經元點火），輸出為1，之后θij在閾值漏電積分器中通過反饋迅速提高，當其大于Uij時，則脈沖發生器關閉，輸出為0，從而形成脈沖序列。神經元Nij的活動可由下列數學方程描述：

式中，Fij為輸入項，Uij為內部活動項，Lij為鏈接項，Sij為外界的刺激，θij為動態門限，Yij表示該神經元產生的輸出時序脈沖序列，VF和αF分別表示輸入域中放大系數和衰減時間常數，VL和αL分別表示鏈接域中放大系數和衰減時間常數，Vθ和αθ分別表示動態門限的放大系數和衰減時間常數，Mijkl和Wijkl分別表示輸入域和鏈接域的連接權矩陣，n為迭代次數β為鏈接強度。

從以上分析可知，傳統的PCNN模型需要恰當設置其數學模型中各種放大系數、衰減時間常數、連接權矩陣、鏈接強度等，才能實現最佳分割。然而，要自適應地確定這些參數是非常困難的。假設各神經元的輸入Fij只接收外部的刺激Sij，則圖2的神經元簡化模型[7]如圖2所示。

圖2 PCNN神經元的簡化模型

3 網絡流量預測算法

3.1 算法思想

網絡流量預測算法的流程如下：

（1）將原始網絡流量預處理；

（2）對預處理后的網絡流量進行小波分解，得到細節分量和近似分量；

（3）利用PCNN模型對近似分量和細節分量進行預測，得到預測的近似分量和細節分量；

（4）對預測的近似分量和細節分量進行重構，得到預測的網絡流量。

3.2 流量預處理

由于網絡流量具有天模式，一天中不同時段流量呈現不同的變化趨勢，一般情況下每天中流量表現為大致相同的變化趨勢。網絡流量預測指在相同時段內通過過去的流量值推測未來的網絡流量變化趨勢。本文實驗中利用的網絡流量，首先需要對此進行預處理。將原始網絡流量數據以1 s為周期，計算網絡流量的變化趨勢。

4 實驗結果與分析

4.1 數據集

本實驗的數據來源于Bellcore實驗室（http：//ita.ee. lbl.gov/htm l/traces.htm l）提供的以太網流量BC-pOct89，收集了從1989年10月9日11：00開始的大約1 759.62 s內捕獲的100萬個數據分組。一般情況下，選取的數據越多，學習和訓練的結果便越能正確反映輸入輸出關系，預測的準確性越高。在實際應用過程中，無限制地增加樣本數據是不可能的，針對這種情況應盡量選取具有代表性的樣本，即對系統特性刻劃較好的樣本。考慮到IP流量數據的時間相關性，選取的樣本既要能反映系統平穩發展時的性質，還要能兼顧系統發展的各個時段。基于此對數據做了一些預處理，以1 s為采樣周期，得到1 759個樣本點，從而保證在提高算法效率的同時不喪失原有數據特性。圖3是得到的實際網絡流量。

4.2 原始網絡流量的小波分解

利用小波分析工具研究在頻域中原始網絡流量的特征。本文選取了db1小波基，對原始網絡流量進行了3層分解。圖4顯示了原始網絡流量的近似系數，接近于原始網絡流量的變化趨勢，不同分解層上原始網絡流量的細節系數，反映了原始網絡流量的細節信息。

圖3 BC-pOct89網絡流量變化

4.3 PCNN模型預測

設定PCNN模型中參數，W=[0.707 1 0.707;1 0 1; 0.707 1 0.707]，αL=0.069 31，VL=1.0，αθ=0.2，Vθ=20，迭代次數n=200[13-15]。分別對原始網絡流量經小波分解得到的近似分量和細節分量進行預測，預測結果如圖5所示，從圖中可以看出，取得了較好的預測結果。

圖4 原始網絡流量的小波分解系數

圖5 PCNN模型預測的小波分解系數

4.4 原始網絡流量重構

通過小波逆變換對PCNN模型得到的近似分量和細節分量進行重構，得到原始網絡流量的預測值，如圖6所示。從圖中可以看出，本文算法獲得較好的預測效果，接近于原始網絡流量的變化趨勢。與其他兩種預測算法相比，本文算法得到較小的殘差，如表1所示。

圖6 預測網絡流量

5 結束語

本文提出了基于小波變換和PCNN模型的網絡流量預測算法。首先對原始網絡流量進行小波分解，再通過PCNN模型得到預測的小波系數，最后對預測系數重構，得到預測網絡流量。通過對真實網絡流量進行仿真實驗，結果表明，與基于FARIMA模型的網絡流量預測算、基于小波變換的網絡流量預測算法以及改進的基于小波變換和FARIMA模型的網絡流量預測算法相比，提出的基于小波變換的PCNN的網絡流量預測算法減小預測誤差，取得了較好的預測效果。PCNN模型中參數對網絡流量的預測結果產生一定的影響，參數的設定將是下一步研究的方向。

表1 網絡流量預測算法的性能比較

[1]陳曉天，劉靜嫻.改進的基于小波變換和FARIMA模型的網絡流量預測算法[J].通信學報，2011，32（4）：153-158.

[2]陳曉天，張順頤，田婷婷.基于BP神經網絡的IP網絡流量預測[J].南京郵電大學學報：自然科學版，2010，30（2）：16-21.

[3]王攀，張順頤，嚴軍榮，等.一種基于小波變換和FARIMA模型的網絡流量預測算法[J].南京郵電大學：自然科學版，2011，31（4）：84-88.

[4]馬義德，李廉，綻琨，等.脈沖耦合神經網絡與數字圖像處理[M].北京：科學出版社，2008：5-22.

[5]Wang P，LIU Y.Network traffic prediction based on improved BP wavelet neural network[C]//Proceedings of 2008 International Conference on Wireless Communications，Networking and Mobile Computing，W iCOM，2008：1-5.

[6]Chen D，Feng H H，Lin Q J，et al.Multi-scale internet traffic prediction using wavelet neural network combined model[C]//Communications and Networking，Chinacom’06，2006：1-5.

[7]那彥，焦李成.基于多分辨分析理論的圖像融合方法[M].西安：西安電子科技大學出版社，2007.

[8]黃偉，何曄，夏暉.基于小波神經網絡的IP網絡流量預測[J].計算機科學，2011，38（10A）：296-330.

[9]黃悅.改進型Elman網絡用于網絡流量預測[J].計算機工程與應用，2010，46（24）：121-124.

[10]董夢麗，楊庚，曹曉梅.網絡流量預測方法[J].計算機工程，2011，37（16）：98-100.

[11]John L J，Padgett M L.PCNN models and applications[J]. IEEE Transactions on Neural Networks，1999，10（3）：480-498.

[12]Li W，Zhu X F.A new image fusion algorithm based on wavelet packet analysis and PCNN[C]//Processings of the Fourth International Conference on Machine Learning and Cybernetics，2005：5297-5301.

[13]Wanag Z B，Ma Y D，Gu J.Multi-focus image fusion using PCNN[J].Pattern Recognition，2010，43：2003-2016.

[14]Qu X B，Yan J W，Xiao H Z，et al.Image fusion algorithm based on spatial frequency-motivated pulse coupled neural networks in nonsubsampled contourlet transform domain[J]. Acta Automatica Sinica，2008，34（12）：1508-1514.

[15]鄧翔宇，馬義德.PCNN參數自適應設定及其模型的改進[J].電子學報，2012，40（5）：955-964.

HAN Xiaoyan

Wuxi Institute of Commerce,Wuxi,Jiangsu 214153,China

Network traffic prediction is very important for network security,network management and so on.According to network behavior characteristics of network traffic,an improved network prediction model is proposed based on wavelet transformation and PCNN.In this paper,a wavelet transformation is needed to the preprocessing network traffic in advance. Then PCNN is conducted to get the similarity coefficient and detail coefficient.The predicting network traffic is obtained by reconstructing the predicting wavelet coefficients with the inverse of wavelet transformation.Experimental results show that the method is superior to the other three methods with smaller residual and better predicting results.

wavelet transform;Pulse Coupled Neural Network（PCNN）;network traffic prediction

A

TP393

10.3778/j.issn.1002-8331.1209-0101

HAN Xiaoyan.Network traffic prediction algorithm based on PCNN of wavelet transform.Computer Engineering and Applications,2014,50（16）：77-80.

韓小燕（1980—），男，講師，主要研究方向為教育技術，網絡安全。

2012-09-13

2012-12-18

1002-8331（2014）16-0077-04

CNKI網絡優先出版：2013-03-26,http://www.cnki.net/kcms/detail/11.2127.TP.20130326.1042.011.htm l