基于相空间重构和ESN的流量预测模型.doc

  基于相空间重构和 ESN 的流量预测模型 薛凯，郭燕慧** （北京邮电大学信息安全中心，北京 100876） 5 10 15 20 25 30 35 摘要：针对网络流量复杂的非线性和混沌性, 提出一种基于相空间重构和回声状态网络的流 量预测方法。首先通过相空间重构理论来确定最佳延迟时间和最小嵌入维数,重构网络流量 时间序列。然后根据重构后的时间序列特性匹配合适参数 ESN 模型进行训练及预测。通过 对实际网络流量的预测实验表明, 该模型的流量预测精度可达到 90%以上,证明了该预测模 型在实际流量预测领域的有效性和实用性。 关键词：点对点；回声状态网络；相空间重构；流量预测 中图分类号：TP183 A network traffic prediction model based on chaotic time series and ESN Xue Kai, Guo Yanhui (Information Security Center,Beijing University of Posts and Telecommunications, Beijing 100876) Abstract: For the network traffic are complex nonlinear and chaotic, a novel model based on phase space reconstruction theory (PSRT) and echo state network (ESN) is proposed. First, The optimal delay time and minimal embedding dimension are determined by PSRT, and then the network traffic time series is reconstructed. Then the traffic is sent to a ESN model with suitable parameters which match it’s characteristics for prediction. Experimental results show that the prediction accuracy achieved by the proposed model is more than 90%, proved that this model is effective and practical in the field of the actual network traffic prediction. Keywords: P2P; ESN; phase space reconstruction; traffic prediction 0 引言 随着计算机网络规模的扩展和业务种类的急剧增长，互联网规模呈指数级增长，各种应 用对网络带宽的巨大消耗，甚至会引起网络拥塞，大大降低了网络性能，劣化网络服务质量， 因此网络流量预测对网络的管理和规划越来越重要和迫切。 以往的研究表明，网络流量时间序列是一个非线性、多时间尺度变换的动力系统，是一 类混沌时间序列[1],在各种因素相互作用下, 表现出极其复杂而难以精确预测的演化特征。具 有明显的自相似性[2,3]、突发性[4]、和周期性等特性。传统的时间序列预测模型(Markov 模型、 AR 模型、ARMA 模型等)只能处理平稳网络流量序列，难以刻画网络流量复杂的非线性关 系，在实际应用中受到很大限制。近些年来，许多新的模型不断被提出，如回归模型、神经 ，6] ，8] ，10] 、统计学习理论方法等。随着混沌学理 论的飞速发展，混沌理论也逐渐被用于分析这种复杂网络流量的特性。为了利用网络流量的 混沌性实现高精度预测，本文提出一种结合相空间重构理论和回声状态网络（Echo State Network，简称 ESN）的网络流量预测模型，并通过对实际网络流量进行预测实验，证明了 40 该模型的有效性。 作者简介：薛凯，（1989-），男，硕士，研究方向：信息安全。 通信联系人：郭燕慧，（1974-），女，博士，副教授，研究方向：自然语言理解、智能信息处理。E-mail: yhguo@bupt.edu.cn -1-   1 ESN 的结构模型 ESN 是由 Jaeger 等人[11]提出的一种新型递归神经网络，近年来受到众多领域学者的广 泛关注。与很多神经网络类似，回声状态网络也由三大部分组成：输入层、输出层和隐层。 但隐层由大量随机生成的神经元且相互之间稀疏连接而成，构成一个巨大的动态储备池 45 (Dynamic R