遺傳算法優化BP神經網絡實現自相似流量預測

沈陽理工大學 劉英娜 沈陽開放大學 李琳琳 沈陽理工大學 劉立士

近年來計算機網絡技術在飛速的進步和發展，互聯網越來越受人們依賴，網絡擁塞現象也越來越嚴重，網絡擁塞會降低網絡的傳輸性能，進而導致傳輸時延增多、數據的丟失、以及吞吐量減少等問題，因此，為了保證信息傳輸的效率和準確度，以及為信息提供更加安全的傳輸環境，解決網絡擁塞問題是必然的。

網絡流量具有自相似性，根據此特性，本文建立了遺傳算法優化BP神經網絡的模型來對自相似流量進行預測，以解決網絡擁塞的問題，提高網絡性能。但BP神經網絡對于自相似流量的預測具有一定的局限性，且收斂速度隨著網絡訓練樣本數的提高而降低，針對這一問題，引入遺傳算法，遺傳算法具有很好的尋優能力，可對BP神經網絡進行優化處理，通過對自相似流量的訓練和測試來達到對其預測的目的。通過對比和分析，遺傳算法進行優化后的BP神經網絡流量預測模型具有更高的精確性和更強的適應性。將流量預測結果引入隊列管理算法中，根據自相似流量的預測結果對網絡進行合理的規劃，可達到緩解網絡擁塞的目的，進而使網絡的傳輸速率提高。

1 自相似流量的特性及預測模型

自相似性指整體與其局部在結構形態上相似。網絡流量的自相似性在1994年首次被提出，之后有大量學者對其進行研究。研究發現，不管網絡是哪種服務類型，不管其拓撲結構如何，都可以在網絡流量中檢測到自相似性。根據網絡流量的這個特征，本文建立一種遺傳算法優化BP神經網絡的模型，來對自相似流量進行流量預測，自相似流量通過ON/OFF模型產生后，保存其數據集作為數據樣本，以作為流量預測的參照數據，之后利用遺傳算法和BP神經網絡對數據集進行訓練和測試，可以達到自相似流量預測的目的，以緩解網絡擁塞現象。

2 遺傳算法及BP神經網絡介紹

BP(Back Propagation)神經網絡屬于前饋神經網絡，依據誤差的逆向傳播進行訓練。其隱含層節點的輸出滿足公式：

輸出層節點的輸出滿足公式：

其中，f表示非線形函數，q表示神經元的閾值。

但單一的BP神經網絡預測精度不高、預測速度不快，不能很好的對網絡流量進行預測。因此引入遺傳算法。遺傳算法主要解決優化問題，其核心思想就是“優勝劣汰”，通過一代代的繁衍，篩選掉差的個體留下好的個體。將遺傳算法的選擇、交叉、變異等操作與BP神經網絡有機的結合起來可對網絡流量進行訓練，進而達到對網絡流量進行精準預測的目的。

建立模型：

（1）選擇具有Pareto分布的ON/OFF源疊加模型產生自相似流量，獲取并保存該數據集作為數據樣本。

（2）確定BP神經網絡的輸入節點、隱形節點、輸出節點的個數以及迭代次數，對權值、節點數、閾值進行初始化設置，并對這些初始值進行編碼。

（3）利用遺傳算法，對上述編碼所得的數值進行選擇、交叉、變異訓練。

（4）如果訓練得到的解可以使適應度函數值達到最大，則進行下一步；否則，返回上一步。

（5）獲得最佳的權值和閾值，并計算最優網絡狀態下的權值和閾值的誤差。

（6）若誤差滿足預設條件則終止訓練；否則返回上一步。

3 仿真與分析

首先，通過具有Pareto分布的ON/OFF疊加模型產生自相似流量的預測數據集，通過Matlab進行仿真分析。ON/OFF模型參數設置為：信源數服從Poisson分布，Lambda設為0.2；持續時間服從Pareto分布，其形狀參數K= 0.2，尺度參數σ= 1.5，位置參數θ= 1發包速率R= 45(packet/s)。獲取并保存產生包數的數據集作為流量預測的數據樣本。輸入節點為2，隱形節點為6，輸出節點為2。種群數設為50，進化數設為100。訓練次數5000次，收斂誤差為0.00001。選取ON/OFF模型產生的前150個數據包進行訓練，選取第151-250共100個數據包進行測試。分別對不加入遺傳算法和遺傳算法優化后的BP神經網絡預測模型進行多次仿真比較，最終獲得了普遍又精準的仿真結果。

仿真結果如下圖所示。其中，圖1為遺傳算法優化BP神經網絡的預測流量和實際流量圖，在圖中任意選取6個坐標點作為對比參照點，這6個坐標值分別為14s、18s、29s、45s、68s、91s，其對應的數據包預測值分別為152、417.4、238.2、89.55、174.4、1 8 2，其對應的實際值分別為150、420、240、90、180、1 8 0。經計算，絕對平均誤差MAE=1.1924，小于預設誤差值2。均方誤差MSE=1.8909，標準均方誤差NMSE=4.1319e-4，誤差較小，符合預期效果。圖2為遺傳算法優化的BP神經網絡進行流量預測所得的預測流量與實際流量對比圖，由圖可看出實際折線圖與預測折線圖在大體上是一致的，說明仿真試驗取得了很好的結果。圖3為不加入遺傳算法的BP神經網絡流量預測的預測值和實際值對比圖，由圖可看出，預測值和實際值相差較大，經計算其絕對平均誤差MAE=27.9666，預測精度較低。通過對兩種模型的實驗結果進行對比分析，得出結論為采用遺傳算法優化的BP神經網絡模型在自相似流量預測上具有更高的精確性，能夠更好的完成自相似流量預測。

圖1 遺傳算法優化BP神經網絡預測流量和實際流量

圖2 加入遺傳算法后的預測值和實際值對比圖

圖3 不加入遺傳算法的預測值和實際值對比圖

結論：本文根據網絡流量的自相似特性，利用遺傳算法優化BP神經網絡模型對自相似流量進行了流量預測，通過對該模型各項參數的不斷嘗試與修改，最終確定了參數值并進行了多次仿真與分析。仿真結果證明了遺傳算法優化的BP神經網絡模型對自相似流量具有良好的預測效果。將此模型引入隊列管理算法中，可很好的解決網絡擁塞的問題，進而提高了網絡的利用效率和服務質量。