基于非線性時間序列分析的網(wǎng)絡(luò)流量預(yù)測

顏惠琴

摘 要：通過對網(wǎng)絡(luò)流量的準(zhǔn)確預(yù)測，實現(xiàn)流量的宏觀調(diào)控和自適應(yīng)調(diào)節(jié)，可避免網(wǎng)絡(luò)擁堵。傳統(tǒng)方法對網(wǎng)絡(luò)流量的預(yù)測采用線性信號分析方法，而忽略了網(wǎng)絡(luò)流量的非線性耦合特性，對流量的預(yù)測精度不高。提出一種基于線性時間序列分析的網(wǎng)絡(luò)流量預(yù)測算法。仿真實驗表明，采用該算法進行網(wǎng)絡(luò)流量預(yù)測，能有效提高預(yù)測精度，并具有較強的穩(wěn)定性和抗干擾性，具有較好的應(yīng)用價值。

關(guān)鍵詞：網(wǎng)絡(luò)流量；流量預(yù)測；非線性時間序列分析

DOIDOI：10.11907/rjdk.1511026

中圖分類號：TP393

文獻標(biāo)識碼：A 文章編號文章編號：1672-7800（2015）012-0163-03

0 引言

隨著網(wǎng)絡(luò)規(guī)模的擴大和網(wǎng)絡(luò)特性的變化，需要對網(wǎng)絡(luò)流量時間序列進行定量分析和研究。通過對網(wǎng)絡(luò)流量的準(zhǔn)確預(yù)測，實現(xiàn)對網(wǎng)絡(luò)流量序列的宏觀調(diào)控。網(wǎng)絡(luò)流量是網(wǎng)絡(luò)中數(shù)據(jù)進行上行和下行傳輸?shù)臄?shù)據(jù)和文件，網(wǎng)絡(luò)流量的預(yù)測即對這些數(shù)據(jù)通過信號處理方法實現(xiàn)未來趨勢的評估，以實現(xiàn)信號參量的估計和檢測。網(wǎng)絡(luò)流量從本質(zhì)上而言是一組線性和非線性組合的時間序列，是網(wǎng)絡(luò)終端用戶在下載和上傳數(shù)據(jù)信息資源時產(chǎn)生的時間序列采樣振蕩數(shù)據(jù)。因此，通過分析網(wǎng)絡(luò)流量序列的內(nèi)在特性，采用信號處理方法進行更準(zhǔn)確的預(yù)測和控制，研究網(wǎng)絡(luò)流量的準(zhǔn)確預(yù)測算法，在進行網(wǎng)絡(luò)監(jiān)控和網(wǎng)絡(luò)擁堵防治等領(lǐng)域具有較高的應(yīng)用價值[1]。

通過對網(wǎng)絡(luò)流量的準(zhǔn)確分析和控制，可提高網(wǎng)絡(luò)服務(wù)質(zhì)量，預(yù)防網(wǎng)絡(luò)擁堵。傳統(tǒng)方法中，對網(wǎng)絡(luò)流量的預(yù)測主要采用ARMA模型算法、統(tǒng)計信號分析算法、Poisson模型算法和譜分析算法等[2，3]。其中文獻[4]提出一種基于遞歸率REC特征提取的網(wǎng)絡(luò)流量預(yù)測算法，采用相空間重構(gòu)實現(xiàn)對網(wǎng)絡(luò)流的多維特征分析，提高預(yù)測精度，但是該算法存在計算量大、抗干擾性不強的問題；文獻[5]提出一種基于粒子群優(yōu)化差分進化的網(wǎng)絡(luò)流預(yù)測算法，提取高斯密度特征，通過粒子群進化實現(xiàn)流量預(yù)測，通過更新兩個“極值”來更新流量變化，減少預(yù)測誤差，但該算法無法有效把流量時間序列的初始聚類誤差收斂到有限域中，收斂性不好?？梢?，傳統(tǒng)方法對網(wǎng)絡(luò)流量的預(yù)測采用線性信號分析方法，而忽略了網(wǎng)絡(luò)流量的非線性耦合特性，對流量的預(yù)測精度不高。針對上述問題，本文提出一種基于線性時間序列分析的網(wǎng)絡(luò)流量預(yù)測算法。首先網(wǎng)絡(luò)流量的非線性時間序列分析模型，基于定量遞歸分析方法進行網(wǎng)絡(luò)流量的非線性遞歸特征提取，以此為特征參量實現(xiàn)網(wǎng)絡(luò)流量的準(zhǔn)確預(yù)測，實現(xiàn)算法改進，并通過仿真實驗進行性能測試和驗證。仿真實驗表明，采用該算法進行網(wǎng)絡(luò)流量預(yù)測能有效提高預(yù)測精度，具有較強的穩(wěn)定性和抗干擾性，因此得出有效性結(jié)論。

1 問題描述和網(wǎng)絡(luò)流量非線性時間序列分析

1.1 網(wǎng)絡(luò)流量預(yù)測建模和信號模型構(gòu)建

定義網(wǎng)絡(luò)流量數(shù)據(jù)集為n個數(shù)據(jù)采樣點的非線性時間序列，流量序列的分簇向量之間的屬性矩陣為s，流量序列的特征表達式是n×n的矩陣，具體為：

D=0d（1，2）d（1，3）…d（1，4）d（2，1）0d（2，3）…d（2，n）d（3，1）d（3，2）0…d（3，n）0d（n，1）d（n，2）d（n，3）…0（1）

在局域中心網(wǎng)絡(luò)鏈路層中，使用Ei、etSi、erji和etik分別代表節(jié)點i的總能量、在場景Si中傳輸一個單元數(shù)據(jù)所需要的功率、節(jié)點i到節(jié)點j的接收功率消耗和節(jié)點i到節(jié)點k的傳輸功率流量，得到網(wǎng)絡(luò)流量時間序列的非線性特征的歐式距離為：

d（i，j）=（xi1-xj12+…+xid-xjd2）（2）

對于任意網(wǎng)絡(luò)流量采樣點xi和xj之間的定量遞歸距離為s（i，j），s（i，j）值越小，兩個網(wǎng)絡(luò)流量采樣點相似度則越大，非線性耦合程度越大；值越小，則網(wǎng)絡(luò)流量相似度越小。當(dāng)d（i，j）=d（j，i），d（i，i）=0，網(wǎng)絡(luò)流量信道結(jié)構(gòu)均衡，以此為原理進行網(wǎng)絡(luò)流量預(yù)測。

1.2 網(wǎng)絡(luò)流量的非線性時間序列分析

本文以非線性時間序列分析為基礎(chǔ)，進行流量預(yù)測，網(wǎng)絡(luò)流量的非線性三階自相關(guān)特征為：

Cor3=[（xn-x）（xn-d-x）（xn-D-x）][（xn-x）3]（3）

其中，xn表示固定網(wǎng)絡(luò)流量的采樣時間序列，d表示相空間重構(gòu)實驗，D=2d，x表示互信息均值，[x（n）]代表對x（n）取方差，如式（4）所示。

[x（n）]=1/N∑Nn=1x（n）（4）

采用非線性時間序列分析方法，計算客戶機與服務(wù)器間的網(wǎng)絡(luò)流量的幅度和相位信息，如式（5）所示。

a（t）=x2（t）+y2（t），θ（t）=arctany（t）x（t）（5）

對于非線性高維空間中的流量序列特征任意一點Xn，采用相位隨機化處理，以實際采集的網(wǎng)絡(luò)流量時間序列{xn}作為非線性時間序列分析系統(tǒng)的輸入，如式（6）所示。

xn=h（zn）+ωn（6）

在高斯密度譜估計中，使用遞歸圖平面中遞歸點作為非線性特征，假設(shè)x1>x-1，則0位于[p0，p1]中，0則位于對角線平行線段區(qū)間[p-1，p0]中。由此可見，采用遞歸圖的遞歸率能有效反映網(wǎng)絡(luò)流量的非線性特征，通過高斯密度譜估計，確定峰值所在區(qū)間，從而實現(xiàn)網(wǎng)絡(luò)流量的預(yù)測。

2 網(wǎng)絡(luò)流量預(yù)測算法實現(xiàn)

在上述網(wǎng)絡(luò)流量非線性時間序列分析的基礎(chǔ)上，針對傳統(tǒng)方法對網(wǎng)絡(luò)流量的預(yù)測采用線性信號分析方法，忽略了網(wǎng)絡(luò)流量的非線性耦合特性，對流量的預(yù)測精度不高的問題，為了克服傳統(tǒng)方法的弊端，本文提出一種基于線性時間序列分析的網(wǎng)絡(luò)流量預(yù)測算法。首先網(wǎng)絡(luò)流量的非線性時間序列分析模型，基于定量遞歸分析方法進行網(wǎng)絡(luò)流量的非線性遞歸特征提取，以此為特征參量實現(xiàn)網(wǎng)絡(luò)流量的準(zhǔn)確預(yù)測，如果網(wǎng)絡(luò)流量時間序列中具有非線性成分存在，得到：

r（t）=sbu[s（t-τ0）]+αn（t）（7）

式（7）中，α為網(wǎng)絡(luò)流量非線性時間相空間重構(gòu)后的非高斯線性特征系數(shù)，u為振幅，τ為流量數(shù)據(jù)采集時延，n（t）為非線性耦合干擾噪聲。以i為橫坐標(biāo)、j為縱坐標(biāo)的坐標(biāo)系采用定量遞歸分析方法，得到網(wǎng)絡(luò)流量預(yù)測應(yīng)度值：

f=αd11+βd2（8）d1=2∑ki=0∑kj=i+1d（ωi，ωj）k（k-1）（9）

其中，{ωi，ωij，mi}分別為定量遞歸特征空間中第i個流量的預(yù)測聚類中心，第j個數(shù)據(jù)元組和數(shù)據(jù)總數(shù)為{α，β}={1.3，2.6}，考慮互相獨立的零均值的高斯白噪聲作為流量預(yù)測干擾因素，用u表示流量寬帶高斯密度函數(shù)的均值向量，ε為協(xié)方差矩陣，得到網(wǎng)絡(luò)流量預(yù)測的特征區(qū)間候選解為：

u（k+1）i=u（k+1）i1，u（k+1）i2，...，u（k+1）iD（10）

通過上述分析，得到網(wǎng)絡(luò)流量預(yù)測的特征信號模型表達為：

x（t）=Re∑ni=1ai（t）ejωi（t）=Re∑ni=1ai（t）ej∫ωi（t）dt （11）

上式反映了多分簇網(wǎng)絡(luò)流量的幅值、時間和頻率之間的關(guān)系，信號的幅值可以表示為時間t和瞬時頻率ω的函數(shù)H（ω，t），則此時每個路由器存儲器的命中率為h（x）=∑1≤i≤xNi-α/∑1≤i≤Ni-α→x1-α。 當(dāng) N→∞，粒子群時間-頻率聯(lián)合分布的集合為V={v1，v2，v3...vN}，N為粒子群個數(shù)，粒子群群路線的集合為E={e1，e2，e3...eM}，M為幅值在整個頻率段上隨頻率的迭代步數(shù)。由此實現(xiàn)網(wǎng)絡(luò)流量預(yù)測算法的改進。

3 仿真實驗與性能測試

為了測試本文算法進行網(wǎng)絡(luò)流量預(yù)測的性能，進行仿真實驗，仿真軟件為Matlab7，算法運行平臺為VC++6.0和SQLServer2005，網(wǎng)絡(luò)流量數(shù)據(jù)采用網(wǎng)絡(luò)Web數(shù)據(jù)集KDDCUP99和B400C20D40大型數(shù)據(jù)庫的網(wǎng)絡(luò)信息流量。數(shù)據(jù)采集服務(wù)器中有30個訪問點，其中流量數(shù)據(jù)采集的訪問點1、2位于區(qū)域1，訪問點3、4位于區(qū)域2。在網(wǎng)絡(luò)流量的預(yù)測模型設(shè)計中，構(gòu)建網(wǎng)絡(luò)Web流數(shù)據(jù)采樣點，共有10個簇，每個簇5個節(jié)點，流量采集分為上行流量采集和下行流量采集，流量采集的帶寬為3.4 dB，采集時間為2015年5月30日～7月8日。以此為樣本，得到原始的流量序列時間序列波形如圖1所示。

圖1 流量序列時域波形

以上述流量數(shù)據(jù)為原始輸入，進行流量預(yù)測。采用非線性時間序列分析方法，設(shè)置流量序列的初始相位容量為4 Mbps，流量數(shù)據(jù)采集延時20ms?；诙窟f歸分析方法進行網(wǎng)絡(luò)流量的非線性遞歸特征提取，以此為特征參量實現(xiàn)網(wǎng)絡(luò)流量的準(zhǔn)確預(yù)測，得到網(wǎng)絡(luò)流量預(yù)測非線性遞歸特征提取結(jié)果如圖2所示。

圖2 網(wǎng)絡(luò)流量預(yù)測非線性遞歸特征提取結(jié)果

由圖2可見，采用本文方法對流量進行非線性時間序列分析，提取的非線性遞歸特征能有效反映流量序列的內(nèi)部細節(jié)譜特征，非線性成分的耦合特性得以有效展現(xiàn)，特征聚焦性能較好，實現(xiàn)了流量的準(zhǔn)確預(yù)測。為了對比算法性能，將本文算法和傳統(tǒng)算法進行比較，得到性能對比結(jié)果如圖3所示。由圖可見，采用本文算法進行流量預(yù)測的執(zhí)行時間較短，預(yù)測精度較高，展示了較好的特性。

4 結(jié)語

網(wǎng)絡(luò)流量從本質(zhì)上而言是一組線性和非線性組合的時間序列，是網(wǎng)絡(luò)終端用戶在下載和上傳數(shù)據(jù)信息資源時產(chǎn)生的時間序列采樣振蕩數(shù)據(jù)。因此，通過分析網(wǎng)絡(luò)流量序列的內(nèi)在特性，采用信號處理方法，進行更準(zhǔn)確的預(yù)測和控制，研究網(wǎng)絡(luò)流量的準(zhǔn)確預(yù)測算法，在進行網(wǎng)絡(luò)監(jiān)控和網(wǎng)絡(luò)擁堵防治等領(lǐng)域具有較好的應(yīng)用價值。本文提出一種基于線性時間序列分析的網(wǎng)絡(luò)流量預(yù)測算法。首先網(wǎng)絡(luò)流量的非線性時間序列分析模型，基于定量遞歸分析方法進行網(wǎng)絡(luò)流量的非線性遞歸特征提取，以此為特征參量實現(xiàn)網(wǎng)絡(luò)流量的準(zhǔn)確預(yù)測，并實現(xiàn)算法改進。仿真結(jié)果表明，采用本文算法對網(wǎng)絡(luò)預(yù)測精度較高，具有較好的性能。

圖3 預(yù)測性能對比

參考文獻參考文獻：

[1] 楊雷，李貴鵬，張萍.改進的Wolf一步預(yù)測的網(wǎng)絡(luò)異常流量檢測[J].科技通報，2014.30（2）：47-49.

[2] 李振剛.基于高斯過程回歸的網(wǎng)絡(luò)流量預(yù)測模型[J].計算機應(yīng)用，2014，34（5）：1251-1254.

[3] CHANG Y C，LIN Z S，CHEN J L.Cluster based self organization management protocols for wireless sensor networks[J].IEEE Transactions on Consumer Electronics，2006，52（1）：75-80.

[4] KOLHE J P，SHAHEED M，CHANDAR T S，et al.Robust control of robot manipulators based on uncertainty and disturbance estimation[J].International Journal of Robust and Nonlinear Control，2013，23（1）：104-122.

[5] 陸興華，陳平華.基于定量遞歸聯(lián)合熵特征重構(gòu)的緩沖區(qū)流量預(yù)測算法[J].計算機科學(xué)，2015，42（4）：68-71.

[6] YUNTONG LIU.K-pruning algorithm for semantic relevancy calculating model of natural language[J].Journal of Theoretical and Applied Information Technology，2013，48（3）：231-235.

（責(zé)任編輯：黃 ?。?