改進粒子群算法優化BP網絡實現流量預測

沈燁 李琳琳

摘?要：近年來，隨著網絡技術的不斷發展，網絡傳輸業務也在不斷增加，網絡業務流量數據與日俱增。飛速增長的流量數據給網絡結構和信息傳輸帶來深刻的影響，大量的網絡數據在有限的空間內進行傳輸，網絡擁塞現象難以避免，造成網絡傳輸時延增大、傳輸速率降低的后果。因此，為了更有效地進行網絡管理，改善網絡傳輸性能，有效預測業務流量數據的變化趨勢，實行具體、全面的網絡管理是十分必要的。該文針對網絡流量表現出的自相似性和可預測性，提出了改進PSO-BP算法，并建立其預測模型。結果顯示，在網絡流量預測領域內，與常規BP網絡流量預測算法相比，引入改進PSO-BP算法的神經網絡預測模型表現出更為優異的性能。

關鍵詞：粒子群??神經網絡??自相似??流量預測

中圖分類號：TN915.06?????文獻標識碼：A

The?Realization?of?Traffic?Prediction?by?Improving?Particle?Swarm?Optimization?and?Optimizing?BP?Network

SHEN?Ye1??LI?Linlin2（1.Shenyang?Ligong?University，?Shenyang，?Liaoning?Province，?110159?China;?2.Shenyang?Open?University，?Shenyang，?Liaoning?Province，?110003?China）

Abstract：?In?recent?years，?with?the?continuous?development?of?network?technology，?network?transmission?services?are?also?increasing，?and?network?traffic?data?is?increasing?day?by?day.?The?traffic?data?of?rapid?growth?has?a?profound?impact?on?the?network?structure?and?information?transmission，?a?large?amount?of?network?data?is?transmitted?in?a?limited?space，?and?network?congestion?is?unavoidable，?resulting?in?the?consequence?of?the?increase?of?network?transmission?delay?and?the?decrease?of?transmission?rate.?Therefore，?in?order?to?manage?the?network?more?effectively，?improve?the?network?transmission?performance，?and?effectively?predict?the?change?trend?of?traffic?data，?it?is?necessary?to?implement?specific?and?comprehensive?network?management.?Aiming?at?the?self-similarity?and?predictability?of?network?traffic，?this?paper?proposes?an?improved?PSO-BP?algorithm?and?establishes?its?prediction?model.?Results?show?that?in?the?field?of?network?traffic?prediction，?compared?with?the?conventional?BP?network?traffic?prediction?algorithm，?the?neural?network?prediction?model?with?the?improved?PSO-BP?algorithm?shows?better?performance.

Key?Words：?Particle?swarm;?Neural?network;?Self-similarity;?Traffic?prediction

自相似理論最初在數學領域內被發現[1]，它體現了事物的本質屬性，即事物的局部特征（如形態、結構等）和其整體特征相似。1997年，Leland、Willnger和Wilson等人采集了不同以太網段上的大量的數據包，對其進行深入研究后首次明確提出：網絡流量具有自相似性。此后有大量研究人員對此進行了研究與探討，研究表明，任何業務流量都能檢測到自相似特性，無論何時何地，無論網絡拓撲結構、業務類型和信源編碼方式如何變化。網絡流量具有突發性，而傳統線性模型在對流量突發性的處理上具有明顯不足[2]，因此該文建立了一種引入改進PSO-BP算法的神經網絡預測模型，利用疊加ON/OFF信息源產生自相似流量，將流量數據保存下來作為樣本，將樣本數據劃分為訓練集和測試集兩部分，并對其進行訓練學習，最終得到流量預測結果。

1?自相似流量介紹

1.1?自相似的概念

自相似這一概念最早由數學家Mandelbrot提出，他在研究水文問題時發現海岸線的局部和整體呈現出相似的形態，也就是說海岸線在形態上是自相似的。因此，如果事物的局部和整體表現出相似的特性，就可以說它是自相似的。分形理論認為，自相似是一種尺度變換下的不變性。事實上，大量事物都具有自相似性，網絡流量也不例外。

1.2?長相關過程

網絡流量的自相似過程呈現出長相關性（Long?Range?Dependence，LRD），長程相關性是自相似過程的重要性質之一。正如自相似的概念起源于水文現象，許多自然現象也蘊含著長相關性。分形理論的創始人B.?B.?Mandelbrot根據尼羅河水位的變化提出了約瑟夫效應，它說明了過程中的長期記憶性，網絡流量當前時刻的流量數據和過去時刻的數據在數值上具有相關性，也就是說，如果過去時間的流量數據包數值較大，那么當前時間的數據包也有很大概率是一個較大的值。

1.3?自相似流量產生原因

事實上，Web文件的大小在網絡傳輸中呈現出重尾分布，重尾分布通俗意義上可以闡述為少量個體占據大量資源。也就是說，Web文件大小在一個很大的范圍內，其中少量文件占據了大量空間。研究表明，大量具有重尾分布的相互獨立的信源相疊加產生的流量最終呈現出自相似性。Pareto分布是最簡單的重尾分布，因此該文采用具有Pareto分布的ON/OFF疊加源來建立自相似流量產生模型。

2?算法描述

2.1?BP神經網絡原理和改進粒子群算法

經典的BP神經網絡通常為三層結構，包括正向、反向兩個傳播過程[3]。在這兩個計算過程中，根據鏈式法則和損失函數不斷更新網絡各層的權值和閾值，以此形成網絡訓練。

隱含層節點的輸出公式為

式（1），式（2）中，下標，下標非線性傳遞函數，為隱含層傳遞函數，為輸出層傳遞函數，為輸入神經元個數，為隱含層神經元個數，為輸出神經元個數，為輸入，為輸出，、分別為各層神經元連接權值和閾值。

王榮等人[4]，JI??F?C[5]研究者們考慮到BP神經網絡初始值的選定這一問題，不恰當的取值會引起網絡收斂性能下降，從而導致流量預測結果不準確，因此BP網絡的權值閾值需要通過粒子群算法來進行改進，以解決該問題帶來的不良影響。由于傳統的粒子群算法優化到后期迭代效率較低，所以采用動態調整學習因子這一策略來優化PSO算法[6]，以避免局部最優。將學習因子設為，迭代次數設為，最大迭代次數設為，的取值范圍在之間，的取值范圍在之間，具體公式如下：

2.2?建立網絡流量預測模型

步驟1，得到樣本數據。將服從重尾分布的ON/OFF源疊加模型產生的自相似流量劃成兩個部分，分別為訓練數據和測試數據。

步驟2，進行BP神經網絡結構初始化設置，確定其輸入神經元個數、輸出神經元數、各層間的連接權值和閾值。

步驟3，建立粒子群與權值、閾值的對應關系，進行粒子群的初始化設置，包括初始速度和位置、學習因子等。

步驟4，計算適應度函數值，適應度函數為網絡訓練所得到的誤差范數，范數越小說明預測結果越準確。

步驟5，更新粒子的移動速度，再通過速度更新位置，判斷是否滿足終止條件，若不符合則回到步驟4進行下一輪循環，若滿足，就進行下一步。

步驟6，獲得粒子群最優解，用其對BP網絡參數進行賦值，并計算誤差，該文采用MAE作為評價指標。

步驟7，若MAE符合預設條件則結束訓練，反之回到步驟6。

3?仿真分析及結論

3.1?仿真驗證與分析

該文采用的自相似流量數據集由具有Parote分布的ON/OFF疊加信源在Matlab平臺仿真產生。流量產生模型參數設置為：處于活躍期的信源到達數服從泊松分布，為到達率，設為0.4；其持續發包時間服從Pareto分布，在Matlab中表述為：，其中，K為形狀參數，設為0.1，為尺度參數，設為1.2，為位置參數，設為1；R=30，即每秒發送30個數據包。對仿真流量數據進行分類，選取前350組數據作為訓練樣本，每組訓練數據需要當前時刻之前的7個時刻的歷史流量數據來作為樣本數據，以預測當前時刻的流量數據，因此輸入節點數為7，隱含層節點數15，輸出節點數為1，將剩下的100組數據包作為測試樣本。改進粒子群算法參數設置為：種群數設為10，最大迭代次數設為10。訓練次數設為1?000，允許誤差設為0.001。同時對傳統BP網絡進行預測仿真，以便于和改進粒子群算法優化后的BP網絡預測仿真進行對比，并不斷重復仿真對比實驗以得到普遍結果。

圖1為流量測試樣本期望值仿真結果圖，圖2為改進PSO-BP算法優化后的網絡預測流量值仿真結果圖。如圖1所示和如圖2所示，選取6個坐標點進行對比，在時間點分別為13?s、28?s、37?s、55?s、72?s、98?s，其對應的數據包預測值分別為541、868.3、690.1、839.3、870.4、749.8，相對應的實際流量值即期望值分別為540、870、690、840、870、750。該文的預設誤差為2，計算可得，該模型的絕對平均誤差MAE=1.217?9，比預設誤差要小。圖3為優化后的BP網絡模型的預測值與期望值對比圖，從圖中可以看到該模型期望值與預測值曲線走向基本一致，誤差值在0周圍有微小浮動，可見仿真結果較好，預測精度較高。圖4為傳統BP網絡模型的預測值和期望值對比圖，從圖中可以看到預測值和期望值重合度不高，誤差上下波動較大，計算可得其絕對平均誤差MAE=44.047?4，預測結果不夠好。綜上所述，在自相似流量預測領域，改進粒子群算法優化后的BP神經網絡模型預測精確度更高。

3.2?結論

基于對網絡流量自相似特性的研究，該文針對傳統BP神經網絡預測的不足，提出了改進PSO-BP算法并建立其預測模型，并將兩者在Matlab平臺進行了仿真對比分析。仿真結果表明，該預測模型能夠產生更為精準的預測結果，為有效預測網絡流量的變化趨勢，提前掌握網絡運行狀態，實現全面有效的網絡管理和實時監控帶來積極影響。

參考文獻

欒干.自相似流量隊列分析及其仿真工具設計[D].北京：北京郵電大學，2020.

康夢軒，宋俊平，范鵬飛，等.基于深度學習的網絡流量預測研究綜述[J].計算機工程與應用，2021，57（10）：1-9.

ZHANG?Z?G，YIN?J?C，WANG?N?N，et?al.Vessel?Traffic?Flow?Analysis?and?Prediction?by?an?Improved?PSO-BP?Mechanism?Based?on?AIS?Data[J].Evolving?Systems，2019，10（3）：397-407.?.

王榮，白尚旺，黨偉超，等.粒子群退火算法優化的BP神經網絡及其應用[J].計算機系統應用，2020，29（1）：244-249.[5]?JI?F?C.Application?of?Particle?Swarm?Optimization?and?Improved?PSO-BP?Algorithm?in?Computer?Forecasting?Model[C]//Journal?of?Physics：Conference?Series.IOP?Publishing，2021，2033（1）：012099.