CERNET流量行为季节预测模型1.PDFVIP

CERNET 流量行为季节预测模型1 程 光 龚 俭 东南大学计算机系 江苏 南京 210096 摘要 网络流量行为预测是网络行为学的一个重要研究方向 常规的网络流量预测大多采用的 是ARIMA 时间序列模型 但普通时间序列预测模型的参数难以估计并且模型较难处理非平稳 时间序列问题 本文基于时间序列的神经网络模型研究 根据网络流量行为的季节性特点 提 出了季节型神经网络模型 运行模型对 CERNET 网络流量行为的预测分析表明 该模型预测 效果较好 运行合理 对执行网络实时监控及网络管理都具有一定的理论和实践价值 关键词 网络行为 神经网络 时间序列 ARIMA 季节 1 引言 INTERNET 作为由上亿台计算机互联而成的全球数据网络 最近几年一直在持续快速地膨 胀发展 Internet 行为的研究也因此成为一项非常具有挑战意义的工作 尽管Internet 的设计一 直在不断地完善 但人们对网络行为许多方面的理解却较少 Internet 技术和管理的多样性 网络规模持续增长性 及其应用和使用方式的变化特性 都对网络行为研究提出了挑战 从而 使Internet 行为学研究从网络管理中分离出来 成为一门独立的网络研究科学 流量行为研究 作为Internet 行为的重要组成 根据采集流量的时间粒度的不同而有不同的研究目的 细时间 粒度的数据用于研究网络流量的特性 粗时间粒度的流量数据是用于流量的预测研究 而后者 对于网络容量规划 网络设备设计 网络资源管理以及用户行为的调节等都有着积极的意义 目前国外对流量行为预测研究比较活跃但建模研究基本停留在季节型ARIMA 模型 1994 年Nancy 和George[1]利用ARIMA(p,d,q) (P,D,Q)s 季节模型对NSFNET 主干网络流量进行了预 测,1996 年 Sabyasachi[2]等人对时间序列模型用于 Internet 流量预测进行了理论分析 同时 建立校园网和以太网的预测模型 1997 年Rich[3]等人将ARIMA 模型用于网络气象服务 由此 可见 网络行为流量的预测研究已引起众多科研工作者的重视 但目前常规的时间序列模型也 存在着自身固有的缺陷 由于网络预报系统是一个复杂的非线性动力学过程 其受各种因素的 影响不仅呈现出非平稳动态随机变化特性 而且其内部运行关系也很难确定 Nancy 和George 曾研究表明传统的时间序列预测模型 线性回归 季节性预报模型似乎都很难解决其间的复杂 非线性关系 在一定程度上都将影响模型的预测效果 如网络流量某些趋势流量增长的不稳定 变化可能会限制传统模型的使用 80 年代发展起来的神经网络具有强大的处理大规模非线性动 力学系统的能力 但传统的神经网络模型仅对具有趋向性的时间序列预测作了研究[4,5] 本文以季节型ARIMA 时间序列理论和神经网络理论为基础 提出了处理具有周期性时间 序列问题的季节型神经网络模型 该模型根据网络流量行为的非平稳时间序列的数据特点 建 立了一种季节型动态时间序列的神经网络预测模式 同时为了提高模型预测精度 对实际监控 数据进行剔点及光滑处理 该模型充分考虑了流量行为的周期性 趋势性及随机性 克服了传 统时序神经网络模型在预报中将丢失序列周期性的缺点 并在一定程度上消除了数据突变等奇 异点的影响 通过这个模型做一步预报就可以得出T 一个周期 步预报的结果 从而避免常 规预报步数增多 预报误差增大的缺点 将该模型运用于CERNET 华东(北)地区网与CERNET 主干网交换流量的监测预报结果表明该模型运行合理 并较常规的时序模型简便 预测能力和 精度也有所提高 1本文受国家自然科学基金重点项 国家863 项目2001AA112060 资助 程光 博士生 龚俭 教授 博士生导师 1 2 季节型神经网络模型 2.1 常规的时间序列神经网络模型 常规的时间序列神经网络预测模型分为两种 首先为单变量时间序列神经网络主要是对单 变量的时间序列进行预测 如 设一时间序列 X1