一种基于相关分析的局域最小二乘支持向量机小尺度网络流量预测算法.PDFVIP

物理学报 Acta Phys. Sin. Vol. 63, No. 13 (2014) 130504 一种基于相关分析的局域最小二乘支持向量机 小尺度网络流量预测算法∗ 唐舟进 彭涛 王文博 (北京邮电大学信息与通信工程学院, 北京 100876) ( 2014 年1 月15 日收到; 2014 年4 月11 日收到修改稿) 本文分析了网络流量数据的特性, 针对传统预测算法在预测网络流量时的缺陷提出了一种基于相关分析 的相关局域最小二乘支持向量机(LSSVM) 预测算法. 算法在对训练数据重构相空间后, 利用相关分析同时从 距离相关和时间相关的训练样本中选择最优的训练子集, 结合自适应参数优化的LSSVM 预测模型对小尺度 网络流量进行预测. 通过选用实际情况下的网络流量数据对算法进行测试验证, 结果显示本文所提算法不仅 优于传统的全局预测算法, 同时也优于各种改进的局域预测算法. 算法不仅在预测精度上取得大幅的性能提 升, 同时能够通过留一交叉验证法在预测之前就完成预测模型和训练子集的优化. 关键词: 网络流量预测, 混沌时间序列预测, 最小二乘支持向量机, 局域预测 PACS: 05.45.Tp, 05.45.Gg DOI: 10.7498/aps.63.130504 流量序列是不同的, 直接套用现有的预测技术对小 1 引 言 尺度网络流量进行预测不可靠. 这是因为大尺度的 流量预测技术依赖的训练数据采样时间间隔较大, 目前计算机网络技术发展迅速, 通过网络提供 反映的主要是网络流量的趋势, 序列变化平滑, 同 的服务和应用日益丰富, 这也意味着对网络容量 时训练数据集的规模也较大, 预测的难度较低. 和利用率有着更高的要求. 加强网络管理技术的 而在小尺度的网络流量预测方面, 由于网络承 应用能够改善当前网络的利用率, 解决网络拥塞问 载的业务种类繁多, 网络流量的变化趋势在小尺度 题. 网络流量的预测技术能够在网络管理中起到关 的时间范围内表现出的变化特性十分复杂, 具有突 键性的作用, 准确的网络流量预测能够预防网络拥 发性强的特点, 准确预测的难度较大. 但预测时间 塞, 同时能够揭示网络的动态特性, 对网络设计和 尺度较小也意味着系统能够对网络流量的变化进 流量控制都有积极的意义. 行即时的反应, 能够通过对变化趋势的把握进行流 时间序列预测技术可以按照预测时间长度的 量管控, 有利于解决网络拥塞的问题. 大小进行分类, 例如以天(d) 为单位进行流量预测 但小尺度网络流量预测技术的应用还需要解 可以认为是大尺度的时间序列预测. 当前流量预测 决以下几个问题: 技术的研究主要集中于以大时间尺度或者中等时 1) 由于网络用户行为的复杂性和变化性, 网络 间尺度的流量预测方面1−13 , 大时间尺度往往以d 环境的变化也较为剧烈. 因此预测技术需要自动适 为预测单位1−3 , 而中等时间尺度的流量预测则是 应网络环境的变化, 在各种环境下都能够保持较高 以h 4−6 或者min 7−13 为预测单位. 更小的时间 的预测精度, 并且这种自适应必须是实时的, 不需 尺度, 如以秒为预测时间单位的流量预测技术研究 要人工参与. 较少. 小尺度网络流量序列的