基于改進神經網絡的無線網絡流量預測

摘 要： 考慮到無線網絡流量具有極強的分散性、隨機性以及混沌等特性，使用傳統的ARIMA預測模型和BP神經網絡模型難以對其進行精確的預測等，該文使用粒子群優化算法對BP神經網絡預測模型進行優化以解決BP神經網絡容易陷入局部最小值以及訓練收斂速率低等問題，引入遺傳算法中的自適應變異因子來以一定概率初始化部分變量解決粒子群優化算法會出現陷入局部最優解以及早熟收斂等問題。最后使用經典的CRAWDAD數據庫中的無線網絡流量數據對該文預測方法性能進行測試，使用穩定小波變換方法將無線網絡流量數據分解，得到由1個近似分量以及3個細節分量組成的數據流。測試結果表明，該預測算法在預測性能上要優于ARIMA預測模型和BP神經網絡模型。

關鍵詞： 無線網絡流量預測； 粒子群優化算法； BP神經網絡； ARIMA預測模型

中圖分類號： TN915?34； TP393 文獻標識碼： A 文章編號： 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

隨著無線網絡技術的不斷發展和規模的日益壯大，對無線網絡的安全性、可管理性等服務質量提出了更高的要求。網絡流量建模、識別以及預測等已經成為評判網絡性能的重要手段之一，建立準確的流量預測模型能夠準確評估網絡流量，對于控制管理網絡十分有利，其能夠保障網絡服務質量（QoS）的同時對無線網絡資源進行優化配置。另外準確的預測無線網絡流量，能夠對網絡中異常問題提早發現，對于保障網絡安全，對無線網絡進行故障診斷等均具有十分重要的意義。

無線網絡興起時間比傳統有線網絡晚，與傳統有線網絡相比，因為其具有更強的分散性、隨機性以及混沌等特性，使得對其長期預測具有極大的難度，因此繼續研究一種預測準確度高、適應性強同時泛化能力強的預測方法。BP神經網絡是一種應用廣泛的預測算法模型之一，但是傳統的BP神經網絡存在容易陷入局部最小值以及訓練收斂速率低等問題。本文使用改進型粒子群優化算法對BP神經網絡預測模型進行優化。

1 改進型BP神經網絡

1.1 BP神經網絡預測模型

本文研究的無線網絡流量預測實際上可以看作是動力系統的逆問題。動力系統模型使用動力系統的狀態構造：

式中：[γ]是輸出層各節點閾值；[vj]是隱含層和輸出層連接權值；[γ]和[vj]由BP神經網絡訓練得到。

沒有通過優化算法優化的BP神經網絡在訓練開始時會將隱含層和輸出層的閾值和連接權值初始化為0～1的隨機數，這會造成BP神經網絡出現陷入局部最優解以及收斂速率低等問題，因此本文使用粒子群優化算法對BP神經網絡的初始閾值和權值進行優化。

1.2 改進型PSO優化算法

設定在S維空間中，種群[W=W1，W2，…，Wn]由n個粒子組成。[Wi=wi1，wi2，…，wiST]表示第i個粒子在S維空間中的位置。第i個粒子的位置[Wi]的適應度由目標函數求得從圖2中可以看出，對于單步預測不同，三步預測中，改進PSO?BP模型預測結果最為穩定，PSO?BP模型預測結果波動明顯，而ARIMA模型預測結果多數情況已經遠離實際數據。各種預測模型對應的決定系數（R?squared）、對稱平均絕對百分比誤差（SMAPE）和均方根誤差（RMSE）如表2所示。

表2 三步預測結果

從表2可以看出改進PSO?BP模型的決定系數值為0.885 2，最為接近1，但是相比于單步預測，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，同樣預測結果比單步預測時相差較大，可以說明，對于無線網絡流量預測，其長期預測性較差，隨機性大。進行第三次的五步預測實驗后，分別使用本文研究預測模型、常規PSO優化BP神經網絡算法建立的無線網絡流量預測模型以及基于ARIMA模型的無線網絡總流量預測結果如圖3所示。

從圖3中可以看出，無線網絡流量的強隨機性已經嚴重影響了預測結果的準確性。三種預測模型的預測結果均有許多連續偏離的情況。其中，ARIMA模型預測結果偏離實際值非常多，已經無法對無線網絡流量多步進行預測。各種預測模型對應的決定系數（R?squared）、對稱平均絕對百分比誤差（SMAPE）和均方根誤差（RMSE）見表3。結果與圖3中預測結果基本吻合，再次驗證了本文研究的改進PSO?BP模型預測結果最為優秀，而ARIMA模型無法對無線網絡流量多步進行預測。

表3 五步預測結果

3 結 論

本文研究一種基于粒子群優化算法對BP神經網絡的預測模型，解決BP神經網絡容易陷入局部最小值以及訓練收斂速率低等問題，引入遺傳算法中的自適應變異因子來以一定概率初始化部分變量解決規的粒子群優化算法，會出現陷入局部最優解以及早熟收斂等問題。使用經典的CRAWDAD數據庫中的無線網絡流量數據對本文研究的預測方法性能進行測試。使用穩定小波變換方法將無線網絡流量數據分解，得到由1個近似分量和3個細節分量組成的數據流，使得處理后的數據既包含了原始無線網絡流量數據的自相似、混沌以及自相關等特性外，還平穩了各個分量以便于對數據的預測分析。引入決定系數（R?squared）、對稱平均絕對百分比誤差（SMAPE）和均方根誤差（RMSE）對預測結果進行定量分析。

測試結果表明對于單步預測，三種預測方法預測結果均可以接受，改進PSO?BP模型和PSO?BP模型預測結果最好，ARIMA模型稍遜。對于三步預測，改進PSO?BP模型預測結果最為穩定，PSO?BP模型預測結果波動明顯，而ARIMA模型預測結果多數情況已經遠離實際數據。而對于五步預測，無線網絡流量的強隨機性已經嚴重影響了預測結果的準確性。三種預測模型的預測結果均有許多連續偏離的情況。其中，ARIMA模型預測結果偏離實際值非常多，已經無法對無線網絡流量多步進行預測。

參考文獻

[1] 王濤，余順爭.基于機器學習的網絡流量分類研究進展[J].小型微型計算機系統，2012（5）：1034?1040.

[2] 趙鑫.基于NetFlow的網絡流量異常檢測技術研究[D].保定：河北大學，2014.

[3] 吳小花.網絡異常流量識別技術的研究[D].長春：長春工業大學，2013.

[4] 申磊.基于機器學習的異常流量檢測系統研究[D].北京：北京郵電大學，2013.

[5] 劉磊.基于遺傳神經網絡的指數跟蹤優化方法[J].系統工程理論與實踐，2010（1）：22?29.

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

[7] 宋國峰，梁昌勇，梁焱，等.改進遺傳算法優化BP神經網絡的旅游景區日客流量預測[J].小型微型計算機系統，2014（9）：2136?2141.

[8] 李松，劉力軍，解永樂.遺傳算法優化BP神經網絡的短時交通流混沌預測[J].控制與決策，2011（10）：1581?1585.

[9] 李洪洋.淺析網絡異常流量分析檢測研究與實現[J].網絡安全技術與應用，2013（10）：63?64.

[10] 燕發文，黃敏，王中飛.基于BF算法的網絡異常流量行為檢測[J].計算機工程，2013（7）：165?168.