基于四階累積量自適應特征提取網絡流量預測

周向軍

(廣東省外語藝術職業學院 信息學院，廣東 廣州 510507)

?

基于四階累積量自適應特征提取網絡流量預測

周向軍

(廣東省外語藝術職業學院 信息學院，廣東 廣州 510507)

網絡流量時間序列受到復雜背景信息干擾時，預測精度不高的問題，提出一種基于四階累積量自適應特征提取的網絡流量預測算法.構建網絡流量數據傳輸結構模型，采用四階累積量自適應特征提取方法，實現對流量準確預測估計.仿真結果表明，采用該算法進行流量預測，流量預測輸出波束的指向性較好，對旁瓣干擾抑制效果較好，說明流量預測的抗干擾能力較強，預測精度高于傳統方法．

四階累積量；特征提取；網絡流量；預測算法

0 引 言

隨著計算機網絡信息技術的發展，大量通信信息數據以文本、圖片、音視頻等形式在網絡空間中進行信息傳遞和調度.網絡終端用戶在下載和上傳這些通信數據中，會產生流量，流量是測量網絡的帶寬信息和數據飽和度的重要指標，也是網絡信息傳輸的重要載體，通過對網絡流量的準確預測和調度，能有效防止網絡擁堵，實現對網絡的實時監控，保障網絡安全，因此，研究網絡流量的準確預測算法具有重要意義，也受到人們的極大重視[1-3]．

傳統方法對網絡流量時間序列預測和特征分析主要有基于統計網絡流量時間序列處理的網絡流量時間序列預測算法、基于時頻特征提取的大型網絡流量預測算法、基于分數階傅里葉變換的網絡流量預測算法等[1-3].網絡流量表現為一種寬平穩的沖激響應特征序列，采用上述的信號檢測和分析方法具有較好的預測精度，以此為基礎，相關文獻進行了算法改進設計研究，取得了一定的研究成果.文獻[4]提出一種基于鏈路信息流自相關波束形成的網絡流量時間序列預測算法，通過構建測距碼進行網絡流量時間序列解擴，實現信道識別和流量檢測，通過非線性組合濾波進行干擾抑制，提高了網絡流量預測精度，但是該算法計算開銷較大，對流量預測的實時性不好；文獻[5]提出一種基于相關匹配檢測的網絡流量預測算法，進行線性調頻信號模型構建，經過分數階Fourier變換后，變成一個線性調頻網絡流量時間序列，結合調制分量實現流量預測，取得較高的預測精度，但該算法在受到其它特征干擾時，流量預測的準確性下降；文獻[6]采用最大Lyapunov指數預測算法進行流量預測，當網絡流量時間序列受到復雜背景信息干擾時，預測精度不高.本文提出一種基于四階累積量自適應特征提取的網絡流量預測算法.構建大型復雜網絡的流量數據傳輸結構模型，進行流量時間序列模型構建，對提取的流量時間序列進行信號擬合，采用四階累積量自適應特征提取方法進行流量時間序列的特征提取，以提取的四階累積量特征作為后置聚焦算子，實現對流量的準確預測和估計，最后通過仿真實驗進行性能測試．

1 流量數據傳輸結構模型構建

為了實現網絡流量的準確預測，采用流量時間序列分析方法，構建網絡流量時間序列，該模型可以根據狀態流量時間序列狀態特征進行構建，通過流量演化對象結構之間的關系來計算非分類關系集合，設網絡流量的時間序列的本體O=(C，I，P，Hc，R，A0)的有向標記圖表示網絡流量時間序列的傳輸結構模型為G(O)=(V，E，LV，LE，μ，η)，其中：

(1) 兩組本體片段集V=C，邊集E=V×V；

(2)μ:V→LV是兩個本體模型作為輸入的映射函數；

(3)η:E→LE是兩個異構本體從邊集到概念相關集的映射，通過簇首節點將數據進行轉發[7-11]．

構建網絡流量數據傳輸結構模型示意圖如圖1所示．

圖 1 網絡流量數據傳輸結構模型Fig.1 Structure model of network traffic data transmission

2 預測算法改進設計與實現

2.1 四階累積量自適應特征提取

(1)

在時頻空間內對流量的耦合二階矩進行有限集合求和，在原點的k階導數等于隨機變量x的k階累積量ck，利用分數階Fourier變換指數相加特性，對單個隨機變量x的流量時間序列按Taylor級數展開，得到概率密度函數f(x)，其網絡流量時間序列的第一特征函數定義為

(2)

將上述隨機變量的高階矩和高階累積量進行自適應特征分解，得到ck與Ψ(ω)k階導數之間的關系為

(3)

通過對流量時間序列特征函數進行Fourier變換，在原點取得k階累積量的最大值.此時第一特征函數Φ(ω)也叫矩生成函數，即

(4)

其中m1=E(x)=η(η為隨機變量x的均值)，則隨機變量x的k階中心矩定義為

(5)

可以看出{x(n)}第k階是平穩的.對于零均值的隨機變量x，當η=0，則有網絡流量時間序列的k階中心矩與k階原點矩等價.當網絡流量時間序列x(k)=s(k)+w(k)是準平穩隨機網絡流量時間序列時，累積量均只有k-1個獨立單元，并滿足高階累積量存在的約束函數，則四階累積量可估計為

(6)

(7)

其中，〈g(n)〉代表對g(n)取均值，即

(8)

將上述特征提取結果作為輸入向量，進行網絡流量的預測改進設計．

2.2 流量預測算法改進實現

在上述四階累積量自適應特征提取的基礎上，對提取的流量時間序列進行信號擬合[14]，以提取的四階累積量特征作為后置聚焦算子，實現對流量的準確預測和估計，改進的預測算法實現過程描述為高階累積量對高斯噪聲不敏感，通過四階累積量后置聚焦實現對網絡流量時間序列中高斯白噪聲和高斯色噪聲的抑制.若網絡流量時間序列中的噪聲項w(n)為高斯噪聲，則:

(9)

若w(n)為非高斯色噪聲，提取網絡流量時間序列的約束指向性特征，通過多普勒調試后輸出的四階混合累積量切片算子為

(10)

則

(11)

其中，γ代表噪聲過程w(n)的峰度.定義在t域中振蕩數據瞬時頻率求解過程為一個線性積分運算過程，假設Fα[·]為FrFT的算子符號，得到流量時間序列Kp(t，u)為FrFT的變換核：

(12)

其中，n為整數.網絡流量時間序列累積量的均方一致估計輸出結果為

(13)

其中，a(θi)表示兩個統計獨立的隨機過程之和；si(t)表示各隨機過程累積量的分量特征；n(t)表示噪聲.將流量多維沖擊函數相空間中Xm作為中心點，進行一致性估計實現流量預測，選擇其最近鄰點為Xk，得到流量輸出的波束域約束指向形成輸出的奇異值分解L=U×S×C.其中，C是正交矩陣表示流量序列的第二特征函數,即

(14)

其中，C為奇異值，且服從高斯分布N(0，σ2)，且

(15)

利用高階矩的定義式，可以得到網絡流量時間序列的高斯隨機變量x的各階矩為

(16)

對于零均值的高斯隨機過程x(n)，網絡流量時間序列的各階累積量為

(17)

當加性噪聲是高斯色噪聲時，通過四階累積量自適應特征提取，完全可以削弱噪聲的影響，此時輸出的流量預測值如下：

(18)

(19)

其中，Rx(τ)為二階矩陣，即自相關函數.網絡流量時間序列通過4階累積量后置算子實現一致性預測和估計，在通過離散傅里葉DFRT轉換輸出預測結果，得到流量預測的改進實現過程如圖2所示．

圖 2 網絡流量預測的改進實現流程Fig.2 Improvement and implementation of network traffic prediction

3 仿真實驗與結果分析

為了測試本文算法在進行大型網絡流量預測中的性能，進行仿真實驗.仿真實驗的硬件環境配置為：Windows7系統的個人PC機，2.89GHz雙核Core四處理器，1GB內存.實驗中采用C++和Matlab7混合編程實現網絡流量預測算法的設計.假設網絡流量采集來自于大型混合鏈路的通信網絡，設置鏈路容量為12Mbit/s；取流量采樣過程中的噪聲譜峰ρ=0.97；中心頻率為16kHz；流量時間序列采樣延時為12ms；網絡流量采樣的信息樣本數為1 024；離散采樣率為fs=10f0Hz=10kHz；帶寬B=1 000Hz，根據上述仿真環境和參數設定，進行流量預測仿真，得到網絡流量原始采樣時域波形如圖3所示．

以上述采樣的流量樣本為測試對象，選取信噪比為-30～0dB，進行流量預測，對提取的流量時間序列進行信號擬合，提取網絡流量時間序列的四階累積量自適應特征，得到提取結果如圖4所示，以提取的四階累積量特征作為后置聚焦算子，進行干擾抑制，得到干擾抑制后的輸出如圖5所示．

圖 3 網絡流量原始采樣時域波形 圖 4 網絡流量時間序列的四階累積量 自適應特征提取Fig.3 Time domain waveform of accumulation of network traffic Fig.4 Adaptive feature extraction of four order network traffic time series

圖 5 干擾抑制后的流量特征輸出 圖 6 預測性能對比Fig.5 Traffic characteristic output after interference suppression Fig.6 Prediction performance comparison

由圖5可知，采用本文算法進行流量預測，通過四階累積量切片算法進行后置聚焦，提高了流量預測輸出的波束指向性，對旁瓣干擾抑制效果較好，流量預測精度高，為了對比算法性能，采用本文算法和傳統方法，以流量預測的精度為測試指標，采用10 000次蒙特卡洛實驗，得到性能測試曲線對比，結果如圖6所示.由圖6可知，采用本文算法進行網絡流量預測，精度高于傳統算法，且抗干擾性能較強．

4 結束語

通過對網絡流量的準確預測和調度能有效防止網絡擁堵，實現對網絡的實時監控，本文提出一種基于四階累積量自適應特征提取的網絡流量預測算法.首先分析了大型復雜網絡的流量數據傳輸結構模型，進行流量的時間序列模型構建，對提取的流量時間序列進行信號擬合，采用四階累積量自適應特征提取方法進行流量時間序列的特征提取，將提取的四階累積量特征作為后置聚焦算子，實現對流量的準確預測和估計.仿真結果表明，采用該算法進行網絡流量預測的精度較高，抗干擾性能較好，預測效果優于傳統方法．

[1] 陸興華，陳平華. 基于定量遞歸聯合熵特征重構的緩沖區流量預測算法[J]. 計算機科學，2015，42(4):68-71．

LUXinghua，CHENPinghua.Trafficpredictionalgorithminbufferbasedonrecurrencequantificationunionentropyfeaturereconstruction[J].ComputerScience，2015，42(4):68-71．

[2] 芮蘭蘭，李欽銘. 基于組合模型的短時交通流量預測算法[J]. 電子與信息學報，2016，38(5):1227-1233．

RUILanlan，LIQinming.Shorttermtrafficflowpredictionalgorithmbasedoncombinedmodel[J].JournalofElectronics&InformationTechnology，2016，38(5):1227-1233．

[3]TCHRAKIANTT，BASUB，MAHONYM.Real-timetrafficflowforecastingusingspectralanalysis[J].IEEETransactionsonIntelligentTransportationSystems，2012，13(2):519-526．

[4]CHANKY，DILLONTS，SINGHJ，etal.Neuralnetworkbasedmodelsforshorttermtrafficflowforecastingusingahybridexponentialsmoothingandlevenbergmarquardtalgorithm[J].IEEETransactionsonIntelligentTransportationSystems，2012，13(2):644-654．

[5]BAESH，YOONKJ.Robustonlinemultiobjecttrackingwithdataassociationandtrackmanagement[J].IEEETransactionsonImageProcessing，2014，23(7):2820-2833．

[6]JIANGX，HARISHANK，THAMARASAR，etal.Integratedtrackinitializationandmaintenanceinheavyclutterusingprobabilisticdataassociation[J].SignalProcessing，2014，94：241-250．

[7]LIL，XIEW.Intuitionisticfuzzyjointprobabilisticdataassociationfilteranditsapplicationtomultitargettracking[J].SignalProcessing，2014，9(6):433-444．

[8] 王躍飛，于炯，魯亮. 面向內存云的數據塊索引方法[J]. 計算機應用，2016，36(5):1222-1227．

WANGYuefei，YUJiong，LULiang.Strategyforobjectindexbasedonramcloud[J].JournalofComputerApplications，2016，36(5):1222-1227．

[9]LIUH，DINGZG，FANPZ，etal.Precodingdesignforinterferencesuppressioninmulticellmulti-usernetworks[J].IETCommunications，2014，8(9):1534-1540．

[10]RATHEESHM，DAVIDMJ.Systemlevelperformanceofinterferencealignment[J].IEEETransactionsonWirelessCommunications，2015，14(2):1060-1070．

[11] 吳志軍，李光，岳猛. 基于信號互相關的低速率拒絕服務攻擊檢測方法[J]. 電子學報，2014，42(9):1760-1766．

WUZhijun，LIGuang，YUEMeng.DetectinglowrateDoSattacksbasedonsignalcrosscorrelation[J].ChineseJournalofElectronics，2014，42(9):1760-1766．

[12] 余曉東，雷英杰，岳韶華，等. 基于粒子群優化的直覺模糊核聚類算法研究[J]. 通信學報，2015，12(5):20-99．

YUXiaodong，LEIYingjie，YUEShaohua，etal.ResearchonPSObasedintuitionisticfuzzykernelclusteringalgorithm[J].JournalofCommunication，2015，12(5):20-99．

[13] 孫超，楊春曦，范莎，等. 能量高效的無線傳感器網絡分布式分簇一致性濾波算法[J]. 信息與控制，2015，44(3):379-384．

SUNChao，YANGChunxi，FANSha，etal.Energyefficientdistributedclusteringconsensusfilteringalgorithmforwirelesssensornetworks[J].InformationandControl，2015，44(3):379-384．

[14] 賀孟. 基于FPGA的多通道流量控制研究與實現[J]. 電子設計工程，2015，12(6):165-168．

HEMeng.ResearchandimplementationofmultiplechannelflowcontrolbasedonFPGA[J].ElectronicDesignEngineering，2015，12(6):165-168．

編輯、校對：武 暉

Network traffic prediction based on four order adaptive feature extraction

ZHOU Xiangjun

(School Information Technology， Guangdong Teachers College of Foreign Language and Arts， Guangzhou 510507，China)

The network time series is interfered by complex background information,and thus the forecasting is not precise, a network traffic prediction algorithm is thus proposed based on adaptive feature fourth-order cumulant, to make the model of network traffic data transmission structure,to use method of fourth-order cumulant adaptive feature extraction,and to realize accurate prediction and consistency estimates for flow . The simulation results show that traffic prediction, traffic prediction output beam directivity is better; sidelobe interference inhibition effect is desirable traffic prediction has strong anti-jamming capability; prediction precision is higher than that of traditional methods.

four order accumulation; feature extraction; network traffic; prediction algorithm

1674-649X(2016)04-0510-06

10.13338/j.issn.1674-649x.2016.04.018

2016-03-13

廣東省高等職業教育教學改革項目(20120201042)

周向軍(1971—)，男，廣東省汕頭市人，廣東省外語藝術職業學院副教授，研究方向為計算機網絡、數據庫、計算機多媒體.E-mail: zhouxj@gtcfla.net

周向軍.基于四階累積量自適應特征提取網絡流量預測[J].西安工程大學學報，2016，30(4)：510-515.

ZHOU Xiangjun.Network traffic prediction based on four order adaptive feature extraction[J].Journal of Xi′an Polytechnic University,2016，30(4)：510-515.

TP 393

A