基于小波能量差和BP 神经网络的网络性能分析.docVIP

基于小波能量差和BP神经网络的网络性能分析( 蒋炎华　甘井中 （玉林师范学院实验设备处　　广西玉林　　537000） [摘　要]　文章将小波变换与人工神经网络结合，建立一种网络性能分析模型。首先对流量时间序列进行小波分解，得到多个尺度的小波系数序列，计算能量差，作为BP神经网络模型的输入，得出网络性能评价。用实际网络流量对该模型进行验证，结果表明，该模型具有较高的可行性。 [关键词]　网络性能；小波变换；BP神经网络 [中图分类号]TP393　　　　[文献标识码]A　　　　[文章编号]1008-7656（2012）03-0046-03 网络流量具有明显的多尺度特性，如分形、长程相关、自相似性等，传统的网络流量模型（如自回归模型、自回归滑动平均模型、Markov模型、Poison模型等）只能处理平稳过程和特殊非平稳过程，不能有效地分析流量的这些特性。小波变换是一种非常有效的分析非线性时间序列的工具，能将网络流量序列分解成不同尺度的系数序列；而人工神经网络具有较强的非线性逼近功能。 结合小波变换和BP神经网络，提出了一种新的校园网络性能分析模型：首先将网络流量进行小波变换，得到各尺度的小波系数序列，计算各时段各尺度的小波能量差；然后将能量差序列输入经训练的BP神经网络，由BP神经网络给出网络性能的评价。 1　网络流量的小波能量差 网络流量是一种非线性的时间序列信号,网络流量的小波变换是在一组小波基上的投影。小波基是由一个原型小波经规范平移和伸缩得到的一个函数族；此外，还有一个称为尺度函数的函数族，亦由一个原型尺度函数经平移和伸缩得到。此两个函数族互为正交补，分别是: 　(1) 　(2) 网络流量的小波变换是将时间函数按基函数做展开，它们的系数是通过内积运算得到： 小波系数 　(3) 尺度系数 　(4) 在尺度，网络流量可以表示为: 　(5) 上式中，是尺度系数，是小波系数。 小波系数反映了信号在某尺度某段时间的能量，将信号在尺度的能量定义为: 　(6) 式中，是信号在尺度的小波系数的数量。 相邻的两个相等时间段内的流量分别记和，根据上述定义，它们在尺度的能量分别是: (7) 　　　 (8) 这两个时间段流量在尺度的能量差为： （9） 2　BP神经网络性能分析模型 针对网络流量多尺度和非线性的特性，综合小波变换的多分辨分析能力和神经网络的非线性逼近能力，便可建立起新的模型来分析网络性能，具体如图1所示。图中网络流量经小波变换得各尺度（层）的小波系数序列，然后计算各尺度各时段的能量差序列，能量差序列分别输入各自尺度对应的BP神经网络。最终各尺度BP神经网络输出的结果汇集到最终综合分析的BP神经网络，输出性能评价。  图1　小波能量差和BP神经网络结合的分析模型 BP神经网络是层次前馈网络，具有三层或三层以上的神经节点。激活函数为S函数，采用一种增加动量项的改进的“误差逆传播算法”(BP算法),算法基本思想是根据均方差函数MSE的负梯度方向来调整网络权重,加快收敛速度。权重调整表达式为: 式中，代表某层权矩阵，η为学习速率，δ为误差信号，动量系数。增加的动量项考虑了t-1时刻的梯度方向，用以提高训练速度。图2中，某尺度的若干个能量差序列做为BP神经网络的输入。 3　模型仿真 网络流量数据来自校园网主节点路由器，采集了某时间段的1870个数据，对其施行尺度数L=3的小波变换，变换后计算能量差，得到该节点的两个能量差图。各尺度能量差每次以6个数作为一个窗口输入对应尺度的BP网，下一次输入时，窗口向后滑动一个数，如此重复操作。 图2　小波能量差输入BP神经网络示意图  图3　两个能量差BP神经网络模型的预测流量 图3是该节点在网络遭受实际攻击时的能量差图，左边为受到较长时段恒定攻击时的反映，右边为受到间歇性攻击时的反映。能量差序列输入本文所提模型后，得出的网络性能评价结论与现实相符。从而得出结论：结合小波变换和BP神经网络,建立一种网络性能分析模型，对网络性能进行监测的办法，是有效可行的。 [参考文献] [1]FELDMANN A, GILBERT AC, WILLINGER W,et al.Looking behind and beyond self-similarity: Scaling phenomena in measured WAN traffic[A ]. Proceedings of35th AnnualAllerton Conference on Communication, Contro,l and Computing[C], 1997. 269 -280. [2]焦李成.神经网络系统理论[M].西安:西安电子科技大学出版社, 1995. [3]徐晨，赵瑞珍，甘小冰.小波