POWERPOINT PRESENTATION - 天津大学.pptVIP

基于支持向量机的网络流量预测及对网络业务流的准入控制 研究生 姜晗音(2005216287) 导师 金志刚 选题 基于支持向量机的网络流量预测准入控制分为两部分: 网络流量流量预测 网络业务流的准入控制 网络业务流量预测的意义 网络业务预报在准入控制、拥塞控制和动态带宽分配等许多方面都有非常重要的意义。根据测量的历史数据，尽可能精确的预报未来时刻的网络流量,从而作出决策,对网络业务流进行控制. 网络业务流量预测已有方法 目前广泛采用基于时间序列的预测方法,其基本思想是：将在连续时间上的观察值排列成一组随机序列，除去个别的因偶然原因引起的异常观测值外，时间序列是一组依赖于时间t的随机变量。该预报方法把预报问题分为三个阶段：(1) 模型识别；(2) 模型参数估计和模型的检验；(3) 预报应用。在网络业务预报中用的较多预报模型有AR、ARMA、ARIMA、FARIMA以及神经网络等。 网络业务流量预测已有方法的不足 各种时间序列预测方法的不足: (1)AR、ARMA、ARIMA等模型只能处理短相关业务，这些研究没有考虑业务的长相关性质，故采用传统的短相关模型作为预报或训练的基础，没有全面反映业务的真实统计特性。 (2) FARIMA用于实际网络业务预报中，该模型可以同时描述网络业务的长相关和短相关特性，但是，这个算法本身的复杂度很高，所以应用受到一定的限制。 (3)神经网络存在收敛速度慢和局部极小点问题. 基于支持向量机预测的优点 (1) 可以解决小样本情况下的机器学习问题，结构简单，便于应用； (2) 性能优良，从理论上保证了模型较强的泛化能力(用结构风险最小替代经验风险最小)； (3) 二次优化问题从理论上存在唯一解，从而避免了陷入局部极小； (4) 模型在输入数据中选择有限的支持向量，速度快。 (5) 具有较强的处理非线性数据的能力。 ＳＶＭ目前的应用情况 基于支持向量机的预测技术已经应用到的领域: 生物医学领域,电力系统,交通流量预测，在计算机网络中也得到了很好的应用。 支持向量机已经被证实可以用于网络流量的预 　测，但对于各种参数的选择没有明确的方案,并且均采用枚举和手动选参的方式,效率很低. 　目前尚没有使用该方法进行网络流量预测并据此应用于实际的网络业务流控制中。　 SVM实现机制 首先通过核函数做非线性变换，将输入空间变换到一个高维空间，然后在这个新空间中求取最优线性分类面，构建数据特征模型，通过该模型及新的输入数据预测输出结果。 预报评价指标 绝对误差AE 平均绝对误差MAE 均方误差MSE SVM预报方式 单步预测： 对一个时间序列，假设当前时刻为t，已知在t时刻之前的n个数据，预报t+1时刻的值（即第n＋1个值），其方法就是找出历史值与未来值之间的某种函数关系，表示为： xt+1=g(xt,xt-1,……xt-(n-1)) SVM多步预测 (1)迭代预报法是建立在一步预报基础上的， 将上一步预报值作为下一步预报的输入值进行预报，迭代K次,具体过程如下： SVM多步预报 （2）直接预报法就是根据已知序列建立的模 型直接预报第t+k个值，即 目前已经证实了多步预报中的直接预 报效果好于迭代预报.所以在我的实验 中采用直接预报方法. SVM核函数的选择 核函数：用不同核函数可以构造实现输入空间中不同类型的非线性决策学习机，从而导致不同的支持向量算法。 四种常用核函数： 1.线性核函数（Linear Kernel） 2.多项式核函数（Polynomial Kernel） 3.径向基核函数RBF（Radial Basis Function） 4.二层神经网络内积Sigmoid核函数 线性核函数是多项式核函数的一种特例. SVM参数的选择 主要参数： １.惩罚系数C 　决定了超出对不敏感系数ε的样本的惩罚程度．如果C值取得过大，则问题更倾向于经验最小，而忽略对结构复杂程度的考虑，反之则更多考虑了问题的复杂程度，而忽略经验数据的作用，因此，C值过大或者过小，都会使系统泛化能力变差。 SVM参数的选择 ２.不敏感系数ε 　不敏感系数ε是控制函数拟合误差的大小，从而控制支持向量的个数和泛化能力，它反映模型对输入变量所含噪声的敏感程度。 真实数据选取 Sigcomm01无线网络数据 天津大学网络实验床截取的数据 使用winpcap截取数据信息 初步实验结果