基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的無線網(wǎng)絡(luò)流量預(yù)測(cè)

摘 要： 考慮到無線網(wǎng)絡(luò)流量具有極強(qiáng)的分散性、隨機(jī)性以及混沌等特性，使用傳統(tǒng)的ARIMA預(yù)測(cè)模型和BP神經(jīng)網(wǎng)絡(luò)模型難以對(duì)其進(jìn)行精確的預(yù)測(cè)等，該文使用粒子群優(yōu)化算法對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行優(yōu)化以解決BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最小值以及訓(xùn)練收斂速率低等問題，引入遺傳算法中的自適應(yīng)變異因子來以一定概率初始化部分變量解決粒子群優(yōu)化算法會(huì)出現(xiàn)陷入局部最優(yōu)解以及早熟收斂等問題。最后使用經(jīng)典的CRAWDAD數(shù)據(jù)庫(kù)中的無線網(wǎng)絡(luò)流量數(shù)據(jù)對(duì)該文預(yù)測(cè)方法性能進(jìn)行測(cè)試，使用穩(wěn)定小波變換方法將無線網(wǎng)絡(luò)流量數(shù)據(jù)分解，得到由1個(gè)近似分量以及3個(gè)細(xì)節(jié)分量組成的數(shù)據(jù)流。測(cè)試結(jié)果表明，該預(yù)測(cè)算法在預(yù)測(cè)性能上要優(yōu)于ARIMA預(yù)測(cè)模型和BP神經(jīng)網(wǎng)絡(luò)模型。

關(guān)鍵詞： 無線網(wǎng)絡(luò)流量預(yù)測(cè)； 粒子群優(yōu)化算法； BP神經(jīng)網(wǎng)絡(luò)； ARIMA預(yù)測(cè)模型

中圖分類號(hào)： TN915?34； TP393 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）10?0030?04

Research on wireless network traffic prediction based on improved neural network

LU Dunlu1， ZHANG Xinyi2

（1. Guangdong Provincial Institute of Technical Personnel， Guangzhou 510640， China； 2. Wuyi University， Jiangmen 529020， China）

Abstract： Considering the characteristics of wireless network traffic， such as dispersion， randomness and chaos， the particle swarm optimization algorithm is used in this paper to optimize the prediction model of BP neural network to solve the problems that the BP neural network is easy to fall into local minimum and its training convergence rate is low because the traditional ARIMA prediction model and BP neural network model are difficult to predict accurately， in which the self?adaptive mutagenic factors in genetic algorithm are brought. The performance of the predictive method was tested by means of the wireless network traffic data in the classical CRAWDAD database. The stable wavelet transform method is used to decompose the wireless network traffic data to obtain the data flow composed of 1 approximate component and 3 detail components. The testing results show that predictive performance of the predictive method is better than those of the ARIMA predictive model and BP neural network model.

Keywords： wireless network traffic prediction； particle swarm optimization； BP neural network； ARIMA prediction model

隨著無線網(wǎng)絡(luò)技術(shù)的不斷發(fā)展和規(guī)模的日益壯大，對(duì)無線網(wǎng)絡(luò)的安全性、可管理性等服務(wù)質(zhì)量提出了更高的要求。網(wǎng)絡(luò)流量建模、識(shí)別以及預(yù)測(cè)等已經(jīng)成為評(píng)判網(wǎng)絡(luò)性能的重要手段之一，建立準(zhǔn)確的流量預(yù)測(cè)模型能夠準(zhǔn)確評(píng)估網(wǎng)絡(luò)流量，對(duì)于控制管理網(wǎng)絡(luò)十分有利，其能夠保障網(wǎng)絡(luò)服務(wù)質(zhì)量（QoS）的同時(shí)對(duì)無線網(wǎng)絡(luò)資源進(jìn)行優(yōu)化配置。另外準(zhǔn)確的預(yù)測(cè)無線網(wǎng)絡(luò)流量，能夠?qū)W(wǎng)絡(luò)中異常問題提早發(fā)現(xiàn)，對(duì)于保障網(wǎng)絡(luò)安全，對(duì)無線網(wǎng)絡(luò)進(jìn)行故障診斷等均具有十分重要的意義。

無線網(wǎng)絡(luò)興起時(shí)間比傳統(tǒng)有線網(wǎng)絡(luò)晚，與傳統(tǒng)有線網(wǎng)絡(luò)相比，因?yàn)槠渚哂懈鼜?qiáng)的分散性、隨機(jī)性以及混沌等特性，使得對(duì)其長(zhǎng)期預(yù)測(cè)具有極大的難度，因此繼續(xù)研究一種預(yù)測(cè)準(zhǔn)確度高、適應(yīng)性強(qiáng)同時(shí)泛化能力強(qiáng)的預(yù)測(cè)方法。BP神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用廣泛的預(yù)測(cè)算法模型之一，但是傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)存在容易陷入局部最小值以及訓(xùn)練收斂速率低等問題。本文使用改進(jìn)型粒子群優(yōu)化算法對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行優(yōu)化。

1 改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)

1.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

本文研究的無線網(wǎng)絡(luò)流量預(yù)測(cè)實(shí)際上可以看作是動(dòng)力系統(tǒng)的逆問題。動(dòng)力系統(tǒng)模型使用動(dòng)力系統(tǒng)的狀態(tài)構(gòu)造：

式中：[γ]是輸出層各節(jié)點(diǎn)閾值；[vj]是隱含層和輸出層連接權(quán)值；[γ]和[vj]由BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到。

沒有通過優(yōu)化算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練開始時(shí)會(huì)將隱含層和輸出層的閾值和連接權(quán)值初始化為0～1的隨機(jī)數(shù)，這會(huì)造成BP神經(jīng)網(wǎng)絡(luò)出現(xiàn)陷入局部最優(yōu)解以及收斂速率低等問題，因此本文使用粒子群優(yōu)化算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始閾值和權(quán)值進(jìn)行優(yōu)化。

1.2 改進(jìn)型PSO優(yōu)化算法

設(shè)定在S維空間中，種群[W=W1，W2，…，Wn]由n個(gè)粒子組成。[Wi=wi1，wi2，…，wiST]表示第i個(gè)粒子在S維空間中的位置。第i個(gè)粒子的位置[Wi]的適應(yīng)度由目標(biāo)函數(shù)求得從圖2中可以看出，對(duì)于單步預(yù)測(cè)不同，三步預(yù)測(cè)中，改進(jìn)PSO?BP模型預(yù)測(cè)結(jié)果最為穩(wěn)定，PSO?BP模型預(yù)測(cè)結(jié)果波動(dòng)明顯，而ARIMA模型預(yù)測(cè)結(jié)果多數(shù)情況已經(jīng)遠(yuǎn)離實(shí)際數(shù)據(jù)。各種預(yù)測(cè)模型對(duì)應(yīng)的決定系數(shù)（R?squared）、對(duì)稱平均絕對(duì)百分比誤差（SMAPE）和均方根誤差（RMSE）如表2所示。

表2 三步預(yù)測(cè)結(jié)果

從表2可以看出改進(jìn)PSO?BP模型的決定系數(shù)值為0.885 2，最為接近1，但是相比于單步預(yù)測(cè)，偏離程度明顯增加，而PSO?BP模型和ARIMA模型分別為0.712 6和1.654 2，同樣預(yù)測(cè)結(jié)果比單步預(yù)測(cè)時(shí)相差較大，可以說明，對(duì)于無線網(wǎng)絡(luò)流量預(yù)測(cè)，其長(zhǎng)期預(yù)測(cè)性較差，隨機(jī)性大。進(jìn)行第三次的五步預(yù)測(cè)實(shí)驗(yàn)后，分別使用本文研究預(yù)測(cè)模型、常規(guī)PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法建立的無線網(wǎng)絡(luò)流量預(yù)測(cè)模型以及基于ARIMA模型的無線網(wǎng)絡(luò)總流量預(yù)測(cè)結(jié)果如圖3所示。

從圖3中可以看出，無線網(wǎng)絡(luò)流量的強(qiáng)隨機(jī)性已經(jīng)嚴(yán)重影響了預(yù)測(cè)結(jié)果的準(zhǔn)確性。三種預(yù)測(cè)模型的預(yù)測(cè)結(jié)果均有許多連續(xù)偏離的情況。其中，ARIMA模型預(yù)測(cè)結(jié)果偏離實(shí)際值非常多，已經(jīng)無法對(duì)無線網(wǎng)絡(luò)流量多步進(jìn)行預(yù)測(cè)。各種預(yù)測(cè)模型對(duì)應(yīng)的決定系數(shù)（R?squared）、對(duì)稱平均絕對(duì)百分比誤差（SMAPE）和均方根誤差（RMSE）見表3。結(jié)果與圖3中預(yù)測(cè)結(jié)果基本吻合，再次驗(yàn)證了本文研究的改進(jìn)PSO?BP模型預(yù)測(cè)結(jié)果最為優(yōu)秀，而ARIMA模型無法對(duì)無線網(wǎng)絡(luò)流量多步進(jìn)行預(yù)測(cè)。

表3 五步預(yù)測(cè)結(jié)果

3 結(jié) 論

本文研究一種基于粒子群優(yōu)化算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，解決BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最小值以及訓(xùn)練收斂速率低等問題，引入遺傳算法中的自適應(yīng)變異因子來以一定概率初始化部分變量解決規(guī)的粒子群優(yōu)化算法，會(huì)出現(xiàn)陷入局部最優(yōu)解以及早熟收斂等問題。使用經(jīng)典的CRAWDAD數(shù)據(jù)庫(kù)中的無線網(wǎng)絡(luò)流量數(shù)據(jù)對(duì)本文研究的預(yù)測(cè)方法性能進(jìn)行測(cè)試。使用穩(wěn)定小波變換方法將無線網(wǎng)絡(luò)流量數(shù)據(jù)分解，得到由1個(gè)近似分量和3個(gè)細(xì)節(jié)分量組成的數(shù)據(jù)流，使得處理后的數(shù)據(jù)既包含了原始無線網(wǎng)絡(luò)流量數(shù)據(jù)的自相似、混沌以及自相關(guān)等特性外，還平穩(wěn)了各個(gè)分量以便于對(duì)數(shù)據(jù)的預(yù)測(cè)分析。引入決定系數(shù)（R?squared）、對(duì)稱平均絕對(duì)百分比誤差（SMAPE）和均方根誤差（RMSE）對(duì)預(yù)測(cè)結(jié)果進(jìn)行定量分析。

測(cè)試結(jié)果表明對(duì)于單步預(yù)測(cè)，三種預(yù)測(cè)方法預(yù)測(cè)結(jié)果均可以接受，改進(jìn)PSO?BP模型和PSO?BP模型預(yù)測(cè)結(jié)果最好，ARIMA模型稍遜。對(duì)于三步預(yù)測(cè)，改進(jìn)PSO?BP模型預(yù)測(cè)結(jié)果最為穩(wěn)定，PSO?BP模型預(yù)測(cè)結(jié)果波動(dòng)明顯，而ARIMA模型預(yù)測(cè)結(jié)果多數(shù)情況已經(jīng)遠(yuǎn)離實(shí)際數(shù)據(jù)。而對(duì)于五步預(yù)測(cè)，無線網(wǎng)絡(luò)流量的強(qiáng)隨機(jī)性已經(jīng)嚴(yán)重影響了預(yù)測(cè)結(jié)果的準(zhǔn)確性。三種預(yù)測(cè)模型的預(yù)測(cè)結(jié)果均有許多連續(xù)偏離的情況。其中，ARIMA模型預(yù)測(cè)結(jié)果偏離實(shí)際值非常多，已經(jīng)無法對(duì)無線網(wǎng)絡(luò)流量多步進(jìn)行預(yù)測(cè)。

參考文獻(xiàn)

[1] 王濤，余順爭(zhēng).基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)流量分類研究進(jìn)展[J].小型微型計(jì)算機(jī)系統(tǒng)，2012（5）：1034?1040.

[2] 趙鑫.基于NetFlow的網(wǎng)絡(luò)流量異常檢測(cè)技術(shù)研究[D].保定：河北大學(xué)，2014.

[3] 吳小花.網(wǎng)絡(luò)異常流量識(shí)別技術(shù)的研究[D].長(zhǎng)春：長(zhǎng)春工業(yè)大學(xué)，2013.

[4] 申磊.基于機(jī)器學(xué)習(xí)的異常流量檢測(cè)系統(tǒng)研究[D].北京：北京郵電大學(xué)，2013.

[5] 劉磊.基于遺傳神經(jīng)網(wǎng)絡(luò)的指數(shù)跟蹤優(yōu)化方法[J].系統(tǒng)工程理論與實(shí)踐，2010（1）：22?29.

[6] 莊健，楊清宇，杜海峰，等.一種高效的復(fù)雜系統(tǒng)遺傳算法[J].軟件學(xué)報(bào)，2010（11）：2790?2801.

[7] 宋國(guó)峰，梁昌勇，梁焱，等.改進(jìn)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的旅游景區(qū)日客流量預(yù)測(cè)[J].小型微型計(jì)算機(jī)系統(tǒng)，2014（9）：2136?2141.

[8] 李松，劉力軍，解永樂.遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流混沌預(yù)測(cè)[J].控制與決策，2011（10）：1581?1585.

[9] 李洪洋.淺析網(wǎng)絡(luò)異常流量分析檢測(cè)研究與實(shí)現(xiàn)[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2013（10）：63?64.

[10] 燕發(fā)文，黃敏，王中飛.基于BF算法的網(wǎng)絡(luò)異常流量行為檢測(cè)[J].計(jì)算機(jī)工程，2013（7）：165?168.