基于小波變換和極限學習機的網絡流量預測模型

摘 要： 為了提高網絡流量預測準確性，結合網絡流量的變化特點，針對當前網絡流量預測模型存在的局限性，設計了基于小波變換和極限學習機的網絡流量預測模型。首先分析了當前國內外網絡流量預測研究現狀，找到引起網絡流量預測準確性差的原因;然后采用小波變換對原始網絡流量時間序列進行去噪，得到無噪聲的網絡流量時間序列;最后采用極限學習機對網絡流量時間序列進行建模，得到相應的預測結果。與當前經典的網絡流量預測模型在相同環境下進行對照測試，測試結果分析表明，小波變換和極限學習機的網絡流量預測精度達到了95%以上，網絡流量預測誤差得到了有效的控制，而且提升了網絡流量預測效率，預測結果要遠優于當前經典的網絡流量預測模型。

關鍵詞： 網絡通信系統; 流量預測; 極限學習機; 時間序列數據細化

中圖分類號： TP391 ? ? ?文獻標志碼： A

Network Traffc Predcton Model Based on Wavelet Transform and

Lmt Learnng Machne

MU Chang

（School of nformaton Engneerng， Shanx Polytechnc nsttute， Xanyang 712000）

Abstract： n order to mprove the accuracy of network traffc predcton， consderng the changng characterstcs of network traffc and the lmtatons of current network traffc predcton models， a network traffc predcton model based on wavelet transform and extreme learnng machne s desgned. Frstly， the current research status of network traffc predcton at home and abroad s analyzed， and the reasons for the poor accuracy of network traffc predcton are found. Then， wavelet transform s adopted. The orgnal network traffc tme seres s denosed by transformaton， and the network traffc tme seres wthout nose s obtaned. Fnally， the network traffc tme seres s modeled by the lmt learnng machne， and the correspondng predcton results are obtaned. The test results are compared wth the current classcal network traffc predcton model at the same envronment. The analyss of the test results shows that the network of the wavelet transform and the lmt learnng machne s the same. The accuracy of network traffc forecastng s over 95%， the error of network traffc forecastng s effectvely controlled， and the effcency of network traffc forecastng s mproved. The forecastng result s much better than the current classcal network traffc forecastng model.

Key words： Network communcaton system; Traffc predcton; Extreme learnng machne; Tme seres data refnement

0 引言

隨著網絡技術的飛速發展，通信技術不斷的成熟，出現多種類型的通信網絡，通信網絡已經滲透到社會的各個領域，人們的工作和生活以及學習都離不開網絡，使得每天網絡上傳輸的數據規模越來越大，傳輸的數據類型也日益增多，如視頻、圖像、聲音等，網絡經常出現擁塞現象，尤其是上網高峰期，因此如何對網絡進行有效管理，對網絡通信優化具有重要的研究意義[1-3]。

網絡流量是一種描述網絡數據通信規模的數據，對其進行預測可以了解網絡將來一段時間網絡流量值，對出現擁塞的概率進行提前估計，便于制定相關的網絡管理措施和預警機制。最初網絡流量預測是采用人工方式，網絡管理員根據自己的經驗、相關網絡流量歷史數據對將來網絡流量未來值進行估計，自動化程度差，耗費時間長，網絡流量預測的成本高，無法不能滿足現代網絡流量管理的要求[4-6]。為了解決手工方式的缺陷，出現基于專家系統的網絡流量預測模型，根據相關研究以及網絡流量研究領域中一些專家建立專家知識庫，根據專家知識庫中的網絡流量預測規則對網絡流量的未來變化進行建模和分析，由于有人的參與，專家系統的網絡流量預測結果可信度低[7]。當前一些學者提出基于非線性理論和人工智能的網絡流量預測模型，引入了BP神經網絡、RBF神經網絡、狀態回聲神經網絡等對網絡流量變化趨勢進行估計，從網絡流量歷史數據找到相應的變化規律，從而對將來一段時間網絡流量值進行預測，與其它網絡流量預測模型相比，網絡流量預測結果更加理想，在網絡流量管理領域的應用范圍最廣[8-10]。由于網絡流量預測是一個復雜的系統工程，原始網絡流量數據變化復雜且含有噪聲，神經網絡直接進行建模，網絡流量變化特點無法準確反映出來，為此仍然需要設計更優的網絡流量預測模型[11-13]。

為了提高網絡流量預測準確性，結合網絡流量的變化特點，設計了基于小波變換和極限學習機的網絡流量預測模型，與當前經典的網絡流量預測模型對照測試測試結果表表明，小波變換和極限學習機的網絡流量預測精度高，網絡流量預測誤差得到了有效的控制，提升了網絡流量預測效率，優于對照模型。

2 小波變換和極限學習機的網絡流量預測模型2.1 小波變換的網絡流量預處理

小波變換是一種數據預處理工具，可以對原始網絡流量數據進行細化，然后通過閾值對細化后網絡流量數據進行去噪，提高原始網絡流量數據的質量，減少噪聲對網絡流量預測建模的干擾，具體如下

（1） 確定小波變換分解尺度。分解尺度直接決定了原始網絡流量數據細化的程度，如果分解尺度太小，原始網絡流量數據沒有得到充分細化，如果分解尺度過大，那么原始網絡流量數據就過度細化了。設小波變換的分解層數為W，f為原始網絡流量數據，則有式（1）。W=∑nCf（t-2s）

（1）其中，C表示上一層分解的小波系數，n為隨機數，t和s分別為原始網絡流量數據和干凈網絡流量數據的小波系數。

（2） 小波變換對原始網絡流量數據進行多尺度分解，根據小波閾值對小波系數進行處理，低于閾值的小波系數置0，抑制噪聲的干擾，大于閾值的小波系數置不變，閾值ξ的計算公式為式（2）。ξ=2lg（W）/ln（t+s-1）

（2） ?（3） 將非0的小波系數進行小波逆變換，得到干凈的原始流量數據。

2.2 極限學習機的網絡流量預測建模

設極限學習機的隱含層包括L個節點，節點的權值為：βN=β1，…，βLT，根據去噪后網絡流量訓練樣本集合，極限學習機進行學習，并完成參數優化，網絡流量預測模型為式（3）。Mnmze：LELM=12βN2+γ12∑Np=1ξp2

Subjectto

f（xp）=h（xp）βN=tP-ξp

（3）其中，ξp是極限學習機輸出層的輸出誤差。

隱含層和輸出層的輸出矩陣分別為：HN=[hT（x1），…，hT（xN）]T和TN=t1，…，tNT，根據最優化理論，得到隱含層節點的權值為式（4）。βN=HTNNC+HNHTN-1TN

（4）2.3 小波變換和極限學習機的網絡流量預測步驟

（1） 對一個網絡管理系統，通過網絡管理員對網絡管理系統的服務器流量進行采集，采集時間間隔是相等，得到原始網絡流量數據。

（2） 確定網絡流量數據的小波變換分解層數，對原始網絡流量數據進行細化，細化后小波系數與閾值進行比較，將噪聲的小波系數設置為0，并重構網絡流量數據。

（3） 基于網絡流量數據的訓練樣本集合，極限學習進行學習和訓練，建立網絡流量預測模型。

（4） 選擇網絡流量驗證樣本對極限學習機的網絡流量預測模型性能進行測試，具體如圖1所示。

3 仿真測試

3.1 實驗環境以及數據

為了分析小波變換和極限學習機的網絡流量預測模型的性能，選擇兩個網絡流量數據作為研究對象：（1） 小時的網絡流量數據;（2） 日網絡流量數據。為了使小波變換和極限學習機的網絡流量預測結果具有可比性，設計了兩類對比模型：（1） 沒有小波變換的極限學習機的網絡流量預測模型（ELM），用于測試小波變換的優越性;（2） 小波變換和BP神經網絡的網絡流量預測模型（WA-BPNN），以測試極限學習機的優越性。網絡流量的數據如圖2所示。

3.2 小波變換和極限學習機的網絡流量預測結果分析

采用小波變換和極限學習機對每小時的網絡流量數據和每日的網絡流量數據分別進行建模，分別采用最后100個和50個數據對其預測性能進行驗證測試，結果如圖3所示。

對圖3的每小時的網絡流量數據和每日的網絡流量數據預測結果進行分析可以發現，兩種網絡流量的預測效果都很好，驗證了小波變換和極限學習機預測模型的通用性以及有效性。

3.3 與經典網絡流量預測模型的結果分析

采用ELM的極限學習機的網絡流量預測模型和小波變換和WA-BPNN的網絡流量預測模型分別對每小時的網絡流量數據和每日的網絡流量數據分別進行建模，分別采用最后50個和100個網絡流量值進行預測，統計它們的網絡流量預測精度和預測誤差，結果表1所示。

對表1網絡流量預測精度和預測誤差進行對比和分析可以發現，小波變換和極限學習機的預測精度，網絡流量預測的準確性得到有效改善，為解決網絡流量預測誤差的缺陷提供了一種有效的工具。

3.4 網絡流量的建模效率對比與分析

分析ELM的網絡流量預測模型和WA-BPNN的網絡流量預測模型以及本文模型的訓練時間和測試時間，結果如表2所示。

對表2的網絡流量預測模型的訓練時間和測試時間進行對比分析可以發現，ELM的網絡流量預測模型和WA-BPNN的網絡流量預測模型的建模效率要明顯差于本文模型，本文模型能夠加快網絡流量的建模與預測速度。

4 總結

網絡流量預測是當今天國內外學者關注的一個重大課題，由于網絡流量預測是一個復雜的系統工程，而原始網絡流量數據變化比較復雜，直接進行建模，網絡流量變化特點無法準確反映出來，為此提出了基于小波變換和極限學習機的網絡流量預測模型，首先采用小波變換對原始網絡流量時間序列進行去噪，得到去噪后的網絡流量時間序列，去噪后的網絡流量變化特點可以更好建模，最后采用學習能力很強的極限學習機對網絡流量預測時間序列進行建模，測試結果表明，本文模型的網絡流量預測精度和網絡流量預測誤差要明顯優于當前經典的網絡流量預測模型，網絡流量建模效率得以改善，為復雜多變的網絡流量提供了一種建模和預測方法。

參考文獻

[1] 常海濱. 基于直覺模糊綜合評判的網絡流量預測方法[J].微型電腦應用， 2017， 33（5）： 41-44.

[2] 丁春莉，李林森. 和聲搜索算法優化支持向量機的網絡流量預測[J]. 微型電腦應用， 2017， 33（1）：67-70.

[3] 周向軍. 小波核函支持向量機的網絡流量預測模型[J]. 微型電腦應用，2016，32（6）：62-65.

[4] 李瑩琦，黃越，孫曉川. 基于深度置信回聲狀態網絡的網絡流量預測模型[J]. 南京郵電大學學報（自然科學版），2018，38（5）：85-90.

[5] 李巧俠. 基于組合模型的網絡流量預測[J].微型電腦應用，2018，34（8）：118-121.

[6] 韓瑩，井元偉，金建宇，等. 基于改進黑洞算法優化ESN的網絡流量短期預測[J]. 東北大學學報（自然科學版），2018，39（3）：311-315.

[7] 陳穎，魏臻，程磊. 基于AVMD-DE和BSA-KELM的混沌網絡流量組合預測[J]. 計算機應用與軟件，2018，35（6）：117-121.

[8] 魯華棟，時磊. 基于極端學習機的網絡流量預測模型[J]. 微型電腦應用，2018，34（4）：53-56.

[9] 袁開銀，魏彬. 相空間重構和極限學習機的網絡流量預測模型[J].控制工程， 2018， 25（11）： 2087-2091.

[10] 劉蘊，焦妍，王華東. 改進極限學習機的網絡流量混沌預測[J]. 南京理工大學學報， 2017， 41（4）：454-459.

[11] 胡竟偉. 基于WA-ELM的網絡流量混沌預測模型[J]. 微電子學與計算機， 2017， 34（6）： 132-136.

[12] 張芹. 混沌理論與極限學習機的網絡流量預測[J]. 內蒙古師范大學學報（自然科學漢文版）， 2016，45（5）：636-638.

[13] 王柯. 基于云計算和極限學習機的網絡流量預測研究[J]. 山東農業大學學報（自然科學版）， 2018， 49（4）：632-635.

（收稿日期： 2018.06.11）

作者簡介：穆昌（1983-），男，陜西咸陽人，講師，碩士，研究方向：計算機技術領域。文章編號：1007-757X（2020）01-0138-03