遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的 網(wǎng)絡(luò)流量預(yù)測

【摘要】為了提高網(wǎng)絡(luò)流量預(yù)測精度，提出一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型（GA-BPNN）。首先采集網(wǎng)絡(luò)流量數(shù)據(jù)，并進(jìn)行相應(yīng)預(yù)處理，然后將網(wǎng)絡(luò)流量訓(xùn)練樣本輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，并采用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，最后采用建立的網(wǎng)絡(luò)流量預(yù)測模型對網(wǎng)絡(luò)流量測試集進(jìn)行預(yù)測，并通過仿真實(shí)驗(yàn)對模型性能進(jìn)行測試。結(jié)果表明，GA-BPNN提高了網(wǎng)絡(luò)流量的預(yù)測精度，獲得比較理想的網(wǎng)絡(luò)流量預(yù)測結(jié)果。

【關(guān)鍵詞】網(wǎng)絡(luò)流量；BP神經(jīng)網(wǎng)絡(luò)；遺傳算法；參數(shù)優(yōu)化

【中圖分類號(hào) 】TP183【文獻(xiàn)標(biāo)識(shí)碼】A

1引言

網(wǎng)絡(luò)流量預(yù)測對于分析和理解網(wǎng)絡(luò)將要發(fā)生的網(wǎng)絡(luò)行為、指導(dǎo)網(wǎng)絡(luò)安全檢測與控制具有重要的意義，網(wǎng)絡(luò)流量具有非線性、多時(shí)間和多尺度等變化特性，如何建立高精度的網(wǎng)絡(luò)流量預(yù)測模型已經(jīng)成為研究熱點(diǎn)之一。

當(dāng)前網(wǎng)絡(luò)流量均基于統(tǒng)計(jì)方法進(jìn)行建模，是通過對預(yù)測網(wǎng)絡(luò)流量過去的數(shù)據(jù)及資料進(jìn)行統(tǒng)計(jì)和分析，對其未來的網(wǎng)絡(luò)流量發(fā)展趨勢進(jìn)行定量的預(yù)測，主要有時(shí)間序列法和BP神經(jīng)網(wǎng)絡(luò)方法。時(shí)間序列預(yù)測法因根據(jù)事物過去的變化趨勢預(yù)測未來的發(fā)展，突出時(shí)間因素，外界因素不計(jì)入影響，在短期且沒有相對比較大的變化時(shí)預(yù)測結(jié)果比較理想，但是當(dāng)外界出現(xiàn)巨變，往往會(huì)出現(xiàn)比較大的偏差。因此，時(shí)間序列預(yù)測法適用于漸進(jìn)變化的預(yù)測對象，沒有明顯波動(dòng)，而網(wǎng)絡(luò)流量受到多種因素影響，具有非線性、多時(shí)間和多尺度等變化的特性，因此時(shí)間序列法預(yù)測精度比較低。BP（Back Propagation）網(wǎng)絡(luò)是一種按誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，具有自組織、自適應(yīng)、自學(xué)習(xí)等特點(diǎn)，具有很強(qiáng)的輸入輸出非線性映射能力，對解決非線性問題有著獨(dú)特的先進(jìn)性，成為當(dāng)前網(wǎng)絡(luò)流量建模與預(yù)測主要工具。但是，由于采用了誤差函數(shù)按梯度下降的學(xué)習(xí)算法，極易陷入局部最小值點(diǎn)。此外，BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法收斂慢，系統(tǒng)魯棒性差，網(wǎng)絡(luò)的性能對初始設(shè)置值依賴比較大。因此BP神經(jīng)網(wǎng)絡(luò)需要進(jìn)行改進(jìn)才能更好地應(yīng)用到實(shí)際中。

為了提高網(wǎng)絡(luò)流量預(yù)測精度，提出一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型（GA-BPNN）。首先采集網(wǎng)絡(luò)流量數(shù)據(jù)，并進(jìn)行相應(yīng)預(yù)處理，然后將網(wǎng)絡(luò)流量訓(xùn)練樣本輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，并采用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，最后采用建立的網(wǎng)絡(luò)流量預(yù)測模型對網(wǎng)絡(luò)流量測試集進(jìn)行預(yù)測，并通過仿真實(shí)驗(yàn)對模型性能進(jìn)行測試。

2BP神經(jīng)網(wǎng)絡(luò)和遺傳算法

2.1BP神經(jīng)網(wǎng)絡(luò)概述

BP神經(jīng)網(wǎng)絡(luò)基本思想是網(wǎng)絡(luò)訓(xùn)練過程由正向傳播與誤差反向傳播兩個(gè)過程組成。正向傳播輸入樣本由輸入層傳入經(jīng)隱層單元處理并計(jì)算每個(gè)單元實(shí)際輸出傳向輸出層，若此時(shí)實(shí)際輸出與期望輸出相符，則網(wǎng)絡(luò)訓(xùn)練成功結(jié)束，否則轉(zhuǎn)入誤差反向傳播。誤差反向傳播從輸出層開始經(jīng)隱層向輸入層逐層返回，根據(jù)實(shí)際輸出與期望輸出的誤差修改各層單元連接權(quán)值。

BP神經(jīng)網(wǎng)絡(luò)正向傳播與反向傳播對各層單元權(quán)值修改是一個(gè)反復(fù)的過程，直到實(shí)際輸出與期望相符或達(dá)到最大的訓(xùn)練次數(shù)為止。典型三層BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示。

設(shè)wij為輸入層第i個(gè)神經(jīng)元與隱層第j個(gè)神經(jīng)元的連接權(quán)值。

1）正向傳播。輸入層：神經(jīng)元i的輸出值Oi等于輸入值Ii對隱層，輸出層：

Ij =wijOi-θi（1）

Oj =f（Ij）（2）

作用函數(shù)f為Sigmoid函數(shù)，f（Ij） = 。

2）反向傳播。輸出層實(shí)際輸出yk與期望dk不一致時(shí)，有誤差函數(shù)：

E=（dk -yk）2（3）

連接權(quán)值的修改按以下公式計(jì)算：

wjk（t+1） = wjk（t）+△wjk（4）

BP算法采用梯度下降方向修改連接權(quán)值，變化權(quán)值為：

△wjk =-η =-η δkOj（5）

其中學(xué)習(xí)率η取值為0<η<1，即對于輸出層：

△wjk =ηyk（1-yk）（dk-yk） （6）

對于隱層：

△wjk =ηOj（1-Oj） δkwjk（7）

2.2BP神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)步驟

（1）初始化，對所有聯(lián)結(jié)權(quán)w隨機(jī)生成任意小的值，閾值θ的初始值及設(shè)定訓(xùn)練次數(shù)。

（2）輸入訓(xùn)練樣本及期望（xn，dm）。

（3）前向傳播。計(jì)算隱層及輸出層j單元輸入

Ij=wijOi-θi ，單元j輸出Oj =；

（4） 輸出層yk與dk不相符按反向誤差傳播調(diào)整權(quán)值，從輸出到隱層按下式更新權(quán)值。

wjk（t+1） = wjk（t）+△wjk（8）

當(dāng)k為輸出層：△w=ηyk（1-yk）（dk-yk） ，當(dāng)k為隱層：△w =ηOj（1-Oj） δkwjk計(jì)算。

（5） 轉(zhuǎn)（2）重復(fù)執(zhí)行，直到誤差滿足或達(dá)到最大訓(xùn)練次數(shù)為止。

標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)用梯度下降算法求解，易陷入局部極小值，在網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)中難以避免學(xué)習(xí)收斂速度慢及訓(xùn)練過程出現(xiàn)振蕩的問題，為此采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的參數(shù)。

2.3遺傳算法

遺傳算法的優(yōu)化原理是從隨機(jī)生成的初始群體出發(fā)，采用基于優(yōu)勝劣汰的選擇策略選擇優(yōu)良個(gè)體作為父代，通過父代個(gè)體的復(fù)制、雜交和變異來繁衍進(jìn)化的子代種群。經(jīng)過多代的進(jìn)化，種群的適應(yīng)性會(huì)逐漸增強(qiáng)。遺傳算法的優(yōu)化是通過遺傳算法中復(fù)制、雜交和變異算子的操作來實(shí)現(xiàn)的。

（1） 復(fù)制是進(jìn)化個(gè)體經(jīng)過輪盤賭選擇，使父代的優(yōu)良個(gè)體以較大的概率在子代中得到繼承的遺傳過程。

（2） 雜交是指父代中個(gè)體隨機(jī)的交換染色體的基因在子代中產(chǎn)生新的個(gè)體。endprint

（3） 變異是個(gè)體染色體的基因以變異概率發(fā)生隨機(jī)質(zhì)變的過程。

雜交和變異使后代中產(chǎn)生新個(gè)體，復(fù)制使父代的基因在子代中得以繼承，從而使生物物種在繼承的基礎(chǔ)上不斷進(jìn)化。它可以避免局部優(yōu)化從而保證收斂的全局搜索性。

3遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型

（1） 收集網(wǎng)絡(luò)流量歷史數(shù)據(jù)，并對其進(jìn)行預(yù)處理。

（2） 初始化種群。隨機(jī)產(chǎn)生一組個(gè)體，每一個(gè)個(gè)體包括BP神經(jīng)網(wǎng)絡(luò)初始連接權(quán)值和初始閾值。

（3） 對個(gè)體進(jìn)行解碼，根據(jù)相關(guān)聯(lián)函數(shù)法確定τ、m，并對網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行重構(gòu)，并初始連接權(quán)值和閾值作為BP神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行網(wǎng)絡(luò)流量訓(xùn)練，根據(jù)預(yù)測結(jié)果計(jì)算個(gè)體適應(yīng)度值。適應(yīng)度函數(shù)f（x）定義如下：

f（x）=（y-）（9）

式中，y為BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值，為網(wǎng)絡(luò)流量實(shí)際值，n表示訓(xùn)練樣本個(gè)數(shù)。

（4） 采用最佳保留策略和輪盤賭選擇較優(yōu)的個(gè)體進(jìn)行下一代。

（5） 根據(jù)交叉概率選擇兩個(gè)個(gè)體進(jìn)行交叉操作，選擇最優(yōu)個(gè)體進(jìn)行下一代。

（6） 根據(jù)變異概率選擇兩個(gè)個(gè)體進(jìn)行變異操作，選擇最優(yōu)個(gè)體進(jìn)行下一代。

（7） 判斷算法結(jié)束條件，若滿足結(jié)束條件則返回全局最優(yōu)個(gè)體，若不滿足，進(jìn)化代數(shù)加1，并跳轉(zhuǎn)至（3）繼續(xù)優(yōu)化。

（8） 將最優(yōu)個(gè)體解碼成為BP神經(jīng)網(wǎng)絡(luò)的初始連接權(quán)值和閾值。

（9） 根據(jù)初始連接權(quán)值和閾值建立最優(yōu)網(wǎng)絡(luò)流量預(yù)測模型。

4仿真實(shí)驗(yàn)

4.1數(shù)據(jù)來源

實(shí)驗(yàn)數(shù)據(jù)來源于某學(xué)校網(wǎng)絡(luò)中心服務(wù)器，從2013年2月1日到2月21日每天網(wǎng)絡(luò)的每小時(shí)訪問流量，得到480個(gè)數(shù)據(jù)，以前380個(gè)數(shù)據(jù)作為訓(xùn)練集建立網(wǎng)絡(luò)流量預(yù)測模型，后100個(gè)數(shù)據(jù)作為測試集進(jìn)行預(yù)測檢驗(yàn)，具體如圖2所示。

4.2數(shù)據(jù)歸一化處理

BP神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練時(shí)對在0-1之間的數(shù)據(jù)最為靈敏，然而實(shí)際網(wǎng)絡(luò)流量具有突變性，變化幅度較大，為了提高訓(xùn)練的效率，對其進(jìn)行歸一化處理，具體為：

x'=（10）

最后對網(wǎng)絡(luò)流量預(yù)測結(jié)果進(jìn)行反歸一化處理，恢復(fù)真實(shí)預(yù)測值。

x=x'（xmax-xmin） +xmin（11）

式中x表示網(wǎng)絡(luò)流量原始數(shù)據(jù)，xmin和xmax表示分別最小值和最大值。

4.3模型評價(jià)指標(biāo)

為了說明GA-BPNN模型的有效性，在Matlab2021環(huán)境下進(jìn)行仿真實(shí)驗(yàn)。同時(shí)為了使GA-BPNN模型的預(yù)測結(jié)果具有可比性，采用標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)（BPNN）作為對比模型。模型性能的評價(jià)指標(biāo)為均方根誤差（root mean squared predict error，RMSE）和平均絕對百分誤差（mean absolute percentage error，MAPE），具體定義如下：

RMSE=（12）

MAPE=

×100（13）

式中y表示網(wǎng)絡(luò)流量實(shí)際觀測值，表示預(yù)測值。

4.4結(jié)果與分析

4.4.1 不含噪網(wǎng)絡(luò)流量的預(yù)測結(jié)果分析

首先采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)參數(shù)，然后采用最優(yōu)參數(shù)BP神經(jīng)網(wǎng)絡(luò)建立網(wǎng)絡(luò)流量預(yù)測模型，GA-BPNN、BPNN對測試集的預(yù)測結(jié)果及預(yù)測誤差如圖3和4所示。從圖3可知，GA-BPNN的預(yù)測結(jié)果與實(shí)際網(wǎng)絡(luò)流量的值相當(dāng)吻合，十分接近，這表明GA-BPNN可用于現(xiàn)代復(fù)雜多變、隨機(jī)的網(wǎng)絡(luò)流量預(yù)測，同時(shí)從圖4可知，GA-BPNN的預(yù)測誤差相當(dāng)小，可以滿足網(wǎng)絡(luò)流量預(yù)測精度的要求。

GA-BPNN與對比模型的預(yù)測誤差見表1。根據(jù)表1可知，相對于對比模型，GA-BPNN預(yù)測誤差更高，相應(yīng)的網(wǎng)絡(luò)流量預(yù)測精度更高，這表明，GA-BPNN通過遺傳算法對BPNN參數(shù)優(yōu)化和選擇，克服BP神經(jīng)網(wǎng)絡(luò)等預(yù)測精度低的缺陷，GA-BPNN是一種精度高、預(yù)測結(jié)果可靠的網(wǎng)絡(luò)流量預(yù)測模型。

4.4.2 含噪網(wǎng)絡(luò)流量的預(yù)測結(jié)果分析

為了測試GA-BPNN的通用性，對一個(gè)含噪的網(wǎng)絡(luò)流量進(jìn)行仿真實(shí)驗(yàn)，含噪的網(wǎng)絡(luò)流量如圖5所示。GA-BPNN的含噪網(wǎng)絡(luò)流量數(shù)據(jù)預(yù)測結(jié)果及預(yù)測誤差如圖6和7所示。從圖6和7可知，對于含噪的網(wǎng)絡(luò)流量，GA-BPNN同樣獲得了較理想的預(yù)測結(jié)果，這表明GA-BPNN采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，獲得了較好的網(wǎng)絡(luò)流量訓(xùn)練集，增加了模型的魯棒性和通用性，拓寬了GA-BPNN在網(wǎng)絡(luò)流量的應(yīng)用范圍。

GA-BPNN與BPNN對含噪網(wǎng)絡(luò)流量預(yù)測誤差見表2。從表2可知，相對于對比模型，GA-BPNN的整體預(yù)測性能更優(yōu)，建立了誤差更小的網(wǎng)絡(luò)流量預(yù)測模型，再一次證明了GA-BPNN的優(yōu)越性。

5結(jié)束語

為了提高網(wǎng)絡(luò)流量預(yù)測精度，針對BP神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化難題，提出一種遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型，仿真結(jié)果表明，GA-BPNN不僅提高了網(wǎng)絡(luò)流量的預(yù)測精度，為復(fù)雜多變的網(wǎng)絡(luò)流量提供了一種新的研究思路。

參考文獻(xiàn)

[1] Nguyen T T， Armitage G. A survey of techniques for internet traffic classification using machine learning [J]. IEEE Communications Surveys and Tutorials， 2008， 10（4）：56-76.

[2] 馬華林.基于灰色模型和自適應(yīng)過濾的網(wǎng)絡(luò)流量預(yù)測[J].計(jì)算機(jī)工程，2009，35（1）：130-131.

[3] Mao Yongyi， Li Baochun. A factor graph approach to link loss monitoring in wireless sensor networks [J]. IEEE Journal on Selected Areas in Communications， 2006，23（4）：820-829.

[4] Callado A， Keu R J， Sadok D， et a1.Better network traffic identification through the independent combination of techniques [J]. Journal of Network and Computer Applications， 2010， 33（4）：433-446.

[5] 姚奇富，李翠鳳，馬華林，張森. 灰色系統(tǒng)理論和馬爾柯夫鏈相結(jié)合的網(wǎng)絡(luò)流量預(yù)測方法[J].浙江大學(xué)學(xué)報(bào)（理學(xué)版），2007，34（4）：396-400.

[6] 劉淵，戴悅，曹建華.基于小波神經(jīng)網(wǎng)絡(luò)的流量混沌時(shí)間序列預(yù)測[J].計(jì)算機(jī)工程，2008，34（16）：105-106.

[7] 陳曉天，張順頤，田婷婷. 基于BP神經(jīng)網(wǎng)絡(luò)的IP網(wǎng)絡(luò)流量預(yù)測[J].南京郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2012， 30（2）：16-21.

[8] 李松，羅勇，張銘銳. 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的混沌時(shí)間序列預(yù)測[J].計(jì)算機(jī)工程與應(yīng)用，2011， 47（29）：52-55.

[9] 趙振江. 基于PSO-BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測與研究[J]. 計(jì)算機(jī)應(yīng)用與軟件，2009，26（1）：218-211.

[10] 張穎路. 基于遺傳算法優(yōu)化支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測[J].計(jì)算機(jī)科學(xué)，2008，35（5）：177-179.

作者簡介：

劉春（1981-），男，碩士，四川建筑職業(yè)技術(shù)學(xué)院網(wǎng)絡(luò)管理中心，講師；主要研究方向和關(guān)注領(lǐng)域：計(jì)算機(jī)網(wǎng)絡(luò)管理。endprint

（3） 變異是個(gè)體染色體的基因以變異概率發(fā)生隨機(jī)質(zhì)變的過程。

雜交和變異使后代中產(chǎn)生新個(gè)體，復(fù)制使父代的基因在子代中得以繼承，從而使生物物種在繼承的基礎(chǔ)上不斷進(jìn)化。它可以避免局部優(yōu)化從而保證收斂的全局搜索性。

3遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型

（1） 收集網(wǎng)絡(luò)流量歷史數(shù)據(jù)，并對其進(jìn)行預(yù)處理。

（2） 初始化種群。隨機(jī)產(chǎn)生一組個(gè)體，每一個(gè)個(gè)體包括BP神經(jīng)網(wǎng)絡(luò)初始連接權(quán)值和初始閾值。

（3） 對個(gè)體進(jìn)行解碼，根據(jù)相關(guān)聯(lián)函數(shù)法確定τ、m，并對網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行重構(gòu)，并初始連接權(quán)值和閾值作為BP神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行網(wǎng)絡(luò)流量訓(xùn)練，根據(jù)預(yù)測結(jié)果計(jì)算個(gè)體適應(yīng)度值。適應(yīng)度函數(shù)f（x）定義如下：

f（x）=（y-）（9）

式中，y為BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值，為網(wǎng)絡(luò)流量實(shí)際值，n表示訓(xùn)練樣本個(gè)數(shù)。

（4） 采用最佳保留策略和輪盤賭選擇較優(yōu)的個(gè)體進(jìn)行下一代。

（5） 根據(jù)交叉概率選擇兩個(gè)個(gè)體進(jìn)行交叉操作，選擇最優(yōu)個(gè)體進(jìn)行下一代。

（6） 根據(jù)變異概率選擇兩個(gè)個(gè)體進(jìn)行變異操作，選擇最優(yōu)個(gè)體進(jìn)行下一代。

（7） 判斷算法結(jié)束條件，若滿足結(jié)束條件則返回全局最優(yōu)個(gè)體，若不滿足，進(jìn)化代數(shù)加1，并跳轉(zhuǎn)至（3）繼續(xù)優(yōu)化。

（8） 將最優(yōu)個(gè)體解碼成為BP神經(jīng)網(wǎng)絡(luò)的初始連接權(quán)值和閾值。

（9） 根據(jù)初始連接權(quán)值和閾值建立最優(yōu)網(wǎng)絡(luò)流量預(yù)測模型。

4仿真實(shí)驗(yàn)

4.1數(shù)據(jù)來源

實(shí)驗(yàn)數(shù)據(jù)來源于某學(xué)校網(wǎng)絡(luò)中心服務(wù)器，從2013年2月1日到2月21日每天網(wǎng)絡(luò)的每小時(shí)訪問流量，得到480個(gè)數(shù)據(jù)，以前380個(gè)數(shù)據(jù)作為訓(xùn)練集建立網(wǎng)絡(luò)流量預(yù)測模型，后100個(gè)數(shù)據(jù)作為測試集進(jìn)行預(yù)測檢驗(yàn)，具體如圖2所示。

4.2數(shù)據(jù)歸一化處理

BP神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練時(shí)對在0-1之間的數(shù)據(jù)最為靈敏，然而實(shí)際網(wǎng)絡(luò)流量具有突變性，變化幅度較大，為了提高訓(xùn)練的效率，對其進(jìn)行歸一化處理，具體為：

x'=（10）

最后對網(wǎng)絡(luò)流量預(yù)測結(jié)果進(jìn)行反歸一化處理，恢復(fù)真實(shí)預(yù)測值。

x=x'（xmax-xmin） +xmin（11）

式中x表示網(wǎng)絡(luò)流量原始數(shù)據(jù)，xmin和xmax表示分別最小值和最大值。

4.3模型評價(jià)指標(biāo)

為了說明GA-BPNN模型的有效性，在Matlab2021環(huán)境下進(jìn)行仿真實(shí)驗(yàn)。同時(shí)為了使GA-BPNN模型的預(yù)測結(jié)果具有可比性，采用標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)（BPNN）作為對比模型。模型性能的評價(jià)指標(biāo)為均方根誤差（root mean squared predict error，RMSE）和平均絕對百分誤差（mean absolute percentage error，MAPE），具體定義如下：

RMSE=（12）

MAPE=

×100（13）

式中y表示網(wǎng)絡(luò)流量實(shí)際觀測值，表示預(yù)測值。

4.4結(jié)果與分析

4.4.1 不含噪網(wǎng)絡(luò)流量的預(yù)測結(jié)果分析

首先采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)參數(shù)，然后采用最優(yōu)參數(shù)BP神經(jīng)網(wǎng)絡(luò)建立網(wǎng)絡(luò)流量預(yù)測模型，GA-BPNN、BPNN對測試集的預(yù)測結(jié)果及預(yù)測誤差如圖3和4所示。從圖3可知，GA-BPNN的預(yù)測結(jié)果與實(shí)際網(wǎng)絡(luò)流量的值相當(dāng)吻合，十分接近，這表明GA-BPNN可用于現(xiàn)代復(fù)雜多變、隨機(jī)的網(wǎng)絡(luò)流量預(yù)測，同時(shí)從圖4可知，GA-BPNN的預(yù)測誤差相當(dāng)小，可以滿足網(wǎng)絡(luò)流量預(yù)測精度的要求。

GA-BPNN與對比模型的預(yù)測誤差見表1。根據(jù)表1可知，相對于對比模型，GA-BPNN預(yù)測誤差更高，相應(yīng)的網(wǎng)絡(luò)流量預(yù)測精度更高，這表明，GA-BPNN通過遺傳算法對BPNN參數(shù)優(yōu)化和選擇，克服BP神經(jīng)網(wǎng)絡(luò)等預(yù)測精度低的缺陷，GA-BPNN是一種精度高、預(yù)測結(jié)果可靠的網(wǎng)絡(luò)流量預(yù)測模型。

4.4.2 含噪網(wǎng)絡(luò)流量的預(yù)測結(jié)果分析

為了測試GA-BPNN的通用性，對一個(gè)含噪的網(wǎng)絡(luò)流量進(jìn)行仿真實(shí)驗(yàn)，含噪的網(wǎng)絡(luò)流量如圖5所示。GA-BPNN的含噪網(wǎng)絡(luò)流量數(shù)據(jù)預(yù)測結(jié)果及預(yù)測誤差如圖6和7所示。從圖6和7可知，對于含噪的網(wǎng)絡(luò)流量，GA-BPNN同樣獲得了較理想的預(yù)測結(jié)果，這表明GA-BPNN采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，獲得了較好的網(wǎng)絡(luò)流量訓(xùn)練集，增加了模型的魯棒性和通用性，拓寬了GA-BPNN在網(wǎng)絡(luò)流量的應(yīng)用范圍。

GA-BPNN與BPNN對含噪網(wǎng)絡(luò)流量預(yù)測誤差見表2。從表2可知，相對于對比模型，GA-BPNN的整體預(yù)測性能更優(yōu)，建立了誤差更小的網(wǎng)絡(luò)流量預(yù)測模型，再一次證明了GA-BPNN的優(yōu)越性。

5結(jié)束語

為了提高網(wǎng)絡(luò)流量預(yù)測精度，針對BP神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化難題，提出一種遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型，仿真結(jié)果表明，GA-BPNN不僅提高了網(wǎng)絡(luò)流量的預(yù)測精度，為復(fù)雜多變的網(wǎng)絡(luò)流量提供了一種新的研究思路。

參考文獻(xiàn)

[1] Nguyen T T， Armitage G. A survey of techniques for internet traffic classification using machine learning [J]. IEEE Communications Surveys and Tutorials， 2008， 10（4）：56-76.

[2] 馬華林.基于灰色模型和自適應(yīng)過濾的網(wǎng)絡(luò)流量預(yù)測[J].計(jì)算機(jī)工程，2009，35（1）：130-131.

[3] Mao Yongyi， Li Baochun. A factor graph approach to link loss monitoring in wireless sensor networks [J]. IEEE Journal on Selected Areas in Communications， 2006，23（4）：820-829.

[4] Callado A， Keu R J， Sadok D， et a1.Better network traffic identification through the independent combination of techniques [J]. Journal of Network and Computer Applications， 2010， 33（4）：433-446.

[5] 姚奇富，李翠鳳，馬華林，張森. 灰色系統(tǒng)理論和馬爾柯夫鏈相結(jié)合的網(wǎng)絡(luò)流量預(yù)測方法[J].浙江大學(xué)學(xué)報(bào)（理學(xué)版），2007，34（4）：396-400.

[6] 劉淵，戴悅，曹建華.基于小波神經(jīng)網(wǎng)絡(luò)的流量混沌時(shí)間序列預(yù)測[J].計(jì)算機(jī)工程，2008，34（16）：105-106.

[7] 陳曉天，張順頤，田婷婷. 基于BP神經(jīng)網(wǎng)絡(luò)的IP網(wǎng)絡(luò)流量預(yù)測[J].南京郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2012， 30（2）：16-21.

[8] 李松，羅勇，張銘銳. 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的混沌時(shí)間序列預(yù)測[J].計(jì)算機(jī)工程與應(yīng)用，2011， 47（29）：52-55.

[9] 趙振江. 基于PSO-BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測與研究[J]. 計(jì)算機(jī)應(yīng)用與軟件，2009，26（1）：218-211.

[10] 張穎路. 基于遺傳算法優(yōu)化支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測[J].計(jì)算機(jī)科學(xué)，2008，35（5）：177-179.

作者簡介：

劉春（1981-），男，碩士，四川建筑職業(yè)技術(shù)學(xué)院網(wǎng)絡(luò)管理中心，講師；主要研究方向和關(guān)注領(lǐng)域：計(jì)算機(jī)網(wǎng)絡(luò)管理。endprint

（3） 變異是個(gè)體染色體的基因以變異概率發(fā)生隨機(jī)質(zhì)變的過程。

雜交和變異使后代中產(chǎn)生新個(gè)體，復(fù)制使父代的基因在子代中得以繼承，從而使生物物種在繼承的基礎(chǔ)上不斷進(jìn)化。它可以避免局部優(yōu)化從而保證收斂的全局搜索性。

3遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型

（1） 收集網(wǎng)絡(luò)流量歷史數(shù)據(jù)，并對其進(jìn)行預(yù)處理。

（2） 初始化種群。隨機(jī)產(chǎn)生一組個(gè)體，每一個(gè)個(gè)體包括BP神經(jīng)網(wǎng)絡(luò)初始連接權(quán)值和初始閾值。

（3） 對個(gè)體進(jìn)行解碼，根據(jù)相關(guān)聯(lián)函數(shù)法確定τ、m，并對網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行重構(gòu)，并初始連接權(quán)值和閾值作為BP神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行網(wǎng)絡(luò)流量訓(xùn)練，根據(jù)預(yù)測結(jié)果計(jì)算個(gè)體適應(yīng)度值。適應(yīng)度函數(shù)f（x）定義如下：

f（x）=（y-）（9）

式中，y為BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值，為網(wǎng)絡(luò)流量實(shí)際值，n表示訓(xùn)練樣本個(gè)數(shù)。

（4） 采用最佳保留策略和輪盤賭選擇較優(yōu)的個(gè)體進(jìn)行下一代。

（5） 根據(jù)交叉概率選擇兩個(gè)個(gè)體進(jìn)行交叉操作，選擇最優(yōu)個(gè)體進(jìn)行下一代。

（6） 根據(jù)變異概率選擇兩個(gè)個(gè)體進(jìn)行變異操作，選擇最優(yōu)個(gè)體進(jìn)行下一代。

（7） 判斷算法結(jié)束條件，若滿足結(jié)束條件則返回全局最優(yōu)個(gè)體，若不滿足，進(jìn)化代數(shù)加1，并跳轉(zhuǎn)至（3）繼續(xù)優(yōu)化。

（8） 將最優(yōu)個(gè)體解碼成為BP神經(jīng)網(wǎng)絡(luò)的初始連接權(quán)值和閾值。

（9） 根據(jù)初始連接權(quán)值和閾值建立最優(yōu)網(wǎng)絡(luò)流量預(yù)測模型。

4仿真實(shí)驗(yàn)

4.1數(shù)據(jù)來源

實(shí)驗(yàn)數(shù)據(jù)來源于某學(xué)校網(wǎng)絡(luò)中心服務(wù)器，從2013年2月1日到2月21日每天網(wǎng)絡(luò)的每小時(shí)訪問流量，得到480個(gè)數(shù)據(jù)，以前380個(gè)數(shù)據(jù)作為訓(xùn)練集建立網(wǎng)絡(luò)流量預(yù)測模型，后100個(gè)數(shù)據(jù)作為測試集進(jìn)行預(yù)測檢驗(yàn)，具體如圖2所示。

4.2數(shù)據(jù)歸一化處理

BP神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練時(shí)對在0-1之間的數(shù)據(jù)最為靈敏，然而實(shí)際網(wǎng)絡(luò)流量具有突變性，變化幅度較大，為了提高訓(xùn)練的效率，對其進(jìn)行歸一化處理，具體為：

x'=（10）

最后對網(wǎng)絡(luò)流量預(yù)測結(jié)果進(jìn)行反歸一化處理，恢復(fù)真實(shí)預(yù)測值。

x=x'（xmax-xmin） +xmin（11）

式中x表示網(wǎng)絡(luò)流量原始數(shù)據(jù)，xmin和xmax表示分別最小值和最大值。

4.3模型評價(jià)指標(biāo)

為了說明GA-BPNN模型的有效性，在Matlab2021環(huán)境下進(jìn)行仿真實(shí)驗(yàn)。同時(shí)為了使GA-BPNN模型的預(yù)測結(jié)果具有可比性，采用標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)（BPNN）作為對比模型。模型性能的評價(jià)指標(biāo)為均方根誤差（root mean squared predict error，RMSE）和平均絕對百分誤差（mean absolute percentage error，MAPE），具體定義如下：

RMSE=（12）

MAPE=

×100（13）

式中y表示網(wǎng)絡(luò)流量實(shí)際觀測值，表示預(yù)測值。

4.4結(jié)果與分析

4.4.1 不含噪網(wǎng)絡(luò)流量的預(yù)測結(jié)果分析

首先采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)參數(shù)，然后采用最優(yōu)參數(shù)BP神經(jīng)網(wǎng)絡(luò)建立網(wǎng)絡(luò)流量預(yù)測模型，GA-BPNN、BPNN對測試集的預(yù)測結(jié)果及預(yù)測誤差如圖3和4所示。從圖3可知，GA-BPNN的預(yù)測結(jié)果與實(shí)際網(wǎng)絡(luò)流量的值相當(dāng)吻合，十分接近，這表明GA-BPNN可用于現(xiàn)代復(fù)雜多變、隨機(jī)的網(wǎng)絡(luò)流量預(yù)測，同時(shí)從圖4可知，GA-BPNN的預(yù)測誤差相當(dāng)小，可以滿足網(wǎng)絡(luò)流量預(yù)測精度的要求。

GA-BPNN與對比模型的預(yù)測誤差見表1。根據(jù)表1可知，相對于對比模型，GA-BPNN預(yù)測誤差更高，相應(yīng)的網(wǎng)絡(luò)流量預(yù)測精度更高，這表明，GA-BPNN通過遺傳算法對BPNN參數(shù)優(yōu)化和選擇，克服BP神經(jīng)網(wǎng)絡(luò)等預(yù)測精度低的缺陷，GA-BPNN是一種精度高、預(yù)測結(jié)果可靠的網(wǎng)絡(luò)流量預(yù)測模型。

4.4.2 含噪網(wǎng)絡(luò)流量的預(yù)測結(jié)果分析

為了測試GA-BPNN的通用性，對一個(gè)含噪的網(wǎng)絡(luò)流量進(jìn)行仿真實(shí)驗(yàn)，含噪的網(wǎng)絡(luò)流量如圖5所示。GA-BPNN的含噪網(wǎng)絡(luò)流量數(shù)據(jù)預(yù)測結(jié)果及預(yù)測誤差如圖6和7所示。從圖6和7可知，對于含噪的網(wǎng)絡(luò)流量，GA-BPNN同樣獲得了較理想的預(yù)測結(jié)果，這表明GA-BPNN采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，獲得了較好的網(wǎng)絡(luò)流量訓(xùn)練集，增加了模型的魯棒性和通用性，拓寬了GA-BPNN在網(wǎng)絡(luò)流量的應(yīng)用范圍。

GA-BPNN與BPNN對含噪網(wǎng)絡(luò)流量預(yù)測誤差見表2。從表2可知，相對于對比模型，GA-BPNN的整體預(yù)測性能更優(yōu)，建立了誤差更小的網(wǎng)絡(luò)流量預(yù)測模型，再一次證明了GA-BPNN的優(yōu)越性。

5結(jié)束語

為了提高網(wǎng)絡(luò)流量預(yù)測精度，針對BP神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化難題，提出一種遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型，仿真結(jié)果表明，GA-BPNN不僅提高了網(wǎng)絡(luò)流量的預(yù)測精度，為復(fù)雜多變的網(wǎng)絡(luò)流量提供了一種新的研究思路。

參考文獻(xiàn)

[1] Nguyen T T， Armitage G. A survey of techniques for internet traffic classification using machine learning [J]. IEEE Communications Surveys and Tutorials， 2008， 10（4）：56-76.

[2] 馬華林.基于灰色模型和自適應(yīng)過濾的網(wǎng)絡(luò)流量預(yù)測[J].計(jì)算機(jī)工程，2009，35（1）：130-131.

[3] Mao Yongyi， Li Baochun. A factor graph approach to link loss monitoring in wireless sensor networks [J]. IEEE Journal on Selected Areas in Communications， 2006，23（4）：820-829.

[4] Callado A， Keu R J， Sadok D， et a1.Better network traffic identification through the independent combination of techniques [J]. Journal of Network and Computer Applications， 2010， 33（4）：433-446.

[5] 姚奇富，李翠鳳，馬華林，張森. 灰色系統(tǒng)理論和馬爾柯夫鏈相結(jié)合的網(wǎng)絡(luò)流量預(yù)測方法[J].浙江大學(xué)學(xué)報(bào)（理學(xué)版），2007，34（4）：396-400.

[6] 劉淵，戴悅，曹建華.基于小波神經(jīng)網(wǎng)絡(luò)的流量混沌時(shí)間序列預(yù)測[J].計(jì)算機(jī)工程，2008，34（16）：105-106.

[7] 陳曉天，張順頤，田婷婷. 基于BP神經(jīng)網(wǎng)絡(luò)的IP網(wǎng)絡(luò)流量預(yù)測[J].南京郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2012， 30（2）：16-21.

[8] 李松，羅勇，張銘銳. 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的混沌時(shí)間序列預(yù)測[J].計(jì)算機(jī)工程與應(yīng)用，2011， 47（29）：52-55.

[9] 趙振江. 基于PSO-BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測與研究[J]. 計(jì)算機(jī)應(yīng)用與軟件，2009，26（1）：218-211.

[10] 張穎路. 基于遺傳算法優(yōu)化支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測[J].計(jì)算機(jī)科學(xué)，2008，35（5）：177-179.

作者簡介：

劉春（1981-），男，碩士，四川建筑職業(yè)技術(shù)學(xué)院網(wǎng)絡(luò)管理中心，講師；主要研究方向和關(guān)注領(lǐng)域：計(jì)算機(jī)網(wǎng)絡(luò)管理。endprint