基于时间序列的网络流量分析与预测.pdfVIP

基于时间序列的网络流量分析与预测 何建 电子科技大学应用数学学院，成都 (610054) E-mail:windpost@163.com 摘 要 随着计算机网络的迅速发展， 目前的网络规模越来越庞大和复杂，相应面临对网络有效管理的要 求就越来越高。本文通过对 CERNET(China Education and Research Network)上某个端口的网络流量数 据的统计分析，给出了一种用时间序列的方法对流量数据进行模拟仿真，从而达到对网络流量的控制和 预测以便提高对网络服务的质量。 关键词：网络流量,ARIMA模型，平稳，差分，预测 1. 引言 随着计算机网络的迅速发展，目前的网络规模越来越庞大和复杂，这也就意味网络服务越容易出现 问题，网络的性能就越容易受到影响。由此，为了给用户提供优质的服务，对网络的维护和管理显得尤 为重要，于是设计和建立一个合理的网络流量模型来对网络设计和性能评估都起着十分重要的作用。 由于 Internet 的多构性、异构性及网络行为的高突发连续性使传统的马尔可夫模型、普阿松模型已 不适用于 Internet 的流量描述与预测[1] 。由于网络流量数据是随时间变化的数据，因此我们可以把网络 流量数据看成一个时间序列，用时间序列的方法对流量数据进行建模。时间序列有平稳时间序列和非平 稳时间序列。其中平稳时间序列有三种重要的形式，即 AR 序列、MA 序列、ARMA 序列。非平稳序列 方面，可以用 ARIMA 序列来刻画。实际计算表明，许多常见的时间序列皆可用 ARIMA 序列表示，从 数学模型的角度，它们都可近似地归到 ARIMA 序列中去。 ARIMA 模型是建立在马尔可夫随机过程上的基础上，它反映了动态的特点，即吸取了回归分析的优 点又发扬了移动平均的长处。它根据数据序列的自相关函数和偏相关函数建立起线性数据间的定量模型， 因而它反映了现在活动和过去活动的本质联系；另外 ARIMA 模型在预测精度方面，对噪声进行了分析处 理，只剩下当时和与历史无关的白噪声，使其生成线性模型的最优预测。该模型对噪声的详细分析和处 理不仅让我们得到线性的最优预测，而且可以得到在不同概率情况下的准确边界。同时该模型对噪声概 率分布的研究，使我们知道在各种概率情况下出现偏差的大小，这也很好的处理了随机的干扰问题。所 以时间序列模型被广泛的运用在经济、通信、气象、运输等各种工程领域里面。 2. 关于 ARIMA 序列的介绍 2.1 模型的描述 在许多实际问题中,所观测到的样本数据序列{Ｘ，t=0,1,2,…}常不是平稳序列,但如果将其做d次有限 t 次差分处理,则差分序列是平稳序列,那么可用平稳序列模型来做研究[2]。 定义：设d是非负整数，称{Ｘ}是ARIMA(p,d,q)序列，如 t d Φ(B)∇ X t Θ(B)εt (1) 其中Φ(B) 和Θ(B) 是两个分别次数为 p 和 q 的特征多项式，p 和 q 都是正整数，表达式分别为 Φ(B) 1−φ B −L−φ B p （2 ） 1 p Θ(B) 1+θB +L+θ B q （3 ） 1 q B 是延迟算子，有 BX X （4 ） t t −1 d ∇ 为 d