基于四階累積量自適應(yīng)特征提取網(wǎng)絡(luò)流量預(yù)測

周向軍

(廣東省外語藝術(shù)職業(yè)學(xué)院 信息學(xué)院，廣東 廣州 510507)

?

基于四階累積量自適應(yīng)特征提取網(wǎng)絡(luò)流量預(yù)測

周向軍

(廣東省外語藝術(shù)職業(yè)學(xué)院 信息學(xué)院，廣東 廣州 510507)

網(wǎng)絡(luò)流量時間序列受到復(fù)雜背景信息干擾時，預(yù)測精度不高的問題，提出一種基于四階累積量自適應(yīng)特征提取的網(wǎng)絡(luò)流量預(yù)測算法.構(gòu)建網(wǎng)絡(luò)流量數(shù)據(jù)傳輸結(jié)構(gòu)模型，采用四階累積量自適應(yīng)特征提取方法，實現(xiàn)對流量準(zhǔn)確預(yù)測估計.仿真結(jié)果表明，采用該算法進行流量預(yù)測，流量預(yù)測輸出波束的指向性較好，對旁瓣干擾抑制效果較好，說明流量預(yù)測的抗干擾能力較強，預(yù)測精度高于傳統(tǒng)方法．

四階累積量；特征提??；網(wǎng)絡(luò)流量；預(yù)測算法

0 引 言

隨著計算機網(wǎng)絡(luò)信息技術(shù)的發(fā)展，大量通信信息數(shù)據(jù)以文本、圖片、音視頻等形式在網(wǎng)絡(luò)空間中進行信息傳遞和調(diào)度.網(wǎng)絡(luò)終端用戶在下載和上傳這些通信數(shù)據(jù)中，會產(chǎn)生流量，流量是測量網(wǎng)絡(luò)的帶寬信息和數(shù)據(jù)飽和度的重要指標(biāo)，也是網(wǎng)絡(luò)信息傳輸?shù)闹匾d體，通過對網(wǎng)絡(luò)流量的準(zhǔn)確預(yù)測和調(diào)度，能有效防止網(wǎng)絡(luò)擁堵，實現(xiàn)對網(wǎng)絡(luò)的實時監(jiān)控，保障網(wǎng)絡(luò)安全，因此，研究網(wǎng)絡(luò)流量的準(zhǔn)確預(yù)測算法具有重要意義，也受到人們的極大重視[1-3]．

傳統(tǒng)方法對網(wǎng)絡(luò)流量時間序列預(yù)測和特征分析主要有基于統(tǒng)計網(wǎng)絡(luò)流量時間序列處理的網(wǎng)絡(luò)流量時間序列預(yù)測算法、基于時頻特征提取的大型網(wǎng)絡(luò)流量預(yù)測算法、基于分?jǐn)?shù)階傅里葉變換的網(wǎng)絡(luò)流量預(yù)測算法等[1-3].網(wǎng)絡(luò)流量表現(xiàn)為一種寬平穩(wěn)的沖激響應(yīng)特征序列，采用上述的信號檢測和分析方法具有較好的預(yù)測精度，以此為基礎(chǔ)，相關(guān)文獻進行了算法改進設(shè)計研究，取得了一定的研究成果.文獻[4]提出一種基于鏈路信息流自相關(guān)波束形成的網(wǎng)絡(luò)流量時間序列預(yù)測算法，通過構(gòu)建測距碼進行網(wǎng)絡(luò)流量時間序列解擴，實現(xiàn)信道識別和流量檢測，通過非線性組合濾波進行干擾抑制，提高了網(wǎng)絡(luò)流量預(yù)測精度，但是該算法計算開銷較大，對流量預(yù)測的實時性不好；文獻[5]提出一種基于相關(guān)匹配檢測的網(wǎng)絡(luò)流量預(yù)測算法，進行線性調(diào)頻信號模型構(gòu)建，經(jīng)過分?jǐn)?shù)階Fourier變換后，變成一個線性調(diào)頻網(wǎng)絡(luò)流量時間序列，結(jié)合調(diào)制分量實現(xiàn)流量預(yù)測，取得較高的預(yù)測精度，但該算法在受到其它特征干擾時，流量預(yù)測的準(zhǔn)確性下降；文獻[6]采用最大Lyapunov指數(shù)預(yù)測算法進行流量預(yù)測，當(dāng)網(wǎng)絡(luò)流量時間序列受到復(fù)雜背景信息干擾時，預(yù)測精度不高.本文提出一種基于四階累積量自適應(yīng)特征提取的網(wǎng)絡(luò)流量預(yù)測算法.構(gòu)建大型復(fù)雜網(wǎng)絡(luò)的流量數(shù)據(jù)傳輸結(jié)構(gòu)模型，進行流量時間序列模型構(gòu)建，對提取的流量時間序列進行信號擬合，采用四階累積量自適應(yīng)特征提取方法進行流量時間序列的特征提取，以提取的四階累積量特征作為后置聚焦算子，實現(xiàn)對流量的準(zhǔn)確預(yù)測和估計，最后通過仿真實驗進行性能測試．

1 流量數(shù)據(jù)傳輸結(jié)構(gòu)模型構(gòu)建

為了實現(xiàn)網(wǎng)絡(luò)流量的準(zhǔn)確預(yù)測，采用流量時間序列分析方法，構(gòu)建網(wǎng)絡(luò)流量時間序列，該模型可以根據(jù)狀態(tài)流量時間序列狀態(tài)特征進行構(gòu)建，通過流量演化對象結(jié)構(gòu)之間的關(guān)系來計算非分類關(guān)系集合，設(shè)網(wǎng)絡(luò)流量的時間序列的本體O=(C，I，P，Hc，R，A0)的有向標(biāo)記圖表示網(wǎng)絡(luò)流量時間序列的傳輸結(jié)構(gòu)模型為G(O)=(V，E，LV，LE，μ，η)，其中：

(1) 兩組本體片段集V=C，邊集E=V×V；

(2)μ:V→LV是兩個本體模型作為輸入的映射函數(shù)；

(3)η:E→LE是兩個異構(gòu)本體從邊集到概念相關(guān)集的映射，通過簇首節(jié)點將數(shù)據(jù)進行轉(zhuǎn)發(fā)[7-11]．

構(gòu)建網(wǎng)絡(luò)流量數(shù)據(jù)傳輸結(jié)構(gòu)模型示意圖如圖1所示．

圖 1 網(wǎng)絡(luò)流量數(shù)據(jù)傳輸結(jié)構(gòu)模型Fig.1 Structure model of network traffic data transmission

2 預(yù)測算法改進設(shè)計與實現(xiàn)

2.1 四階累積量自適應(yīng)特征提取

(1)

在時頻空間內(nèi)對流量的耦合二階矩進行有限集合求和，在原點的k階導(dǎo)數(shù)等于隨機變量x的k階累積量ck，利用分?jǐn)?shù)階Fourier變換指數(shù)相加特性，對單個隨機變量x的流量時間序列按Taylor級數(shù)展開，得到概率密度函數(shù)f(x)，其網(wǎng)絡(luò)流量時間序列的第一特征函數(shù)定義為

(2)

將上述隨機變量的高階矩和高階累積量進行自適應(yīng)特征分解，得到ck與Ψ(ω)k階導(dǎo)數(shù)之間的關(guān)系為

(3)

通過對流量時間序列特征函數(shù)進行Fourier變換，在原點取得k階累積量的最大值.此時第一特征函數(shù)Φ(ω)也叫矩生成函數(shù)，即

(4)

其中m1=E(x)=η(η為隨機變量x的均值)，則隨機變量x的k階中心矩定義為

(5)

可以看出{x(n)}第k階是平穩(wěn)的.對于零均值的隨機變量x，當(dāng)η=0，則有網(wǎng)絡(luò)流量時間序列的k階中心矩與k階原點矩等價.當(dāng)網(wǎng)絡(luò)流量時間序列x(k)=s(k)+w(k)是準(zhǔn)平穩(wěn)隨機網(wǎng)絡(luò)流量時間序列時，累積量均只有k-1個獨立單元，并滿足高階累積量存在的約束函數(shù)，則四階累積量可估計為

(6)

(7)

其中，〈g(n)〉代表對g(n)取均值，即

(8)

將上述特征提取結(jié)果作為輸入向量，進行網(wǎng)絡(luò)流量的預(yù)測改進設(shè)計．

2.2 流量預(yù)測算法改進實現(xiàn)

在上述四階累積量自適應(yīng)特征提取的基礎(chǔ)上，對提取的流量時間序列進行信號擬合[14]，以提取的四階累積量特征作為后置聚焦算子，實現(xiàn)對流量的準(zhǔn)確預(yù)測和估計，改進的預(yù)測算法實現(xiàn)過程描述為高階累積量對高斯噪聲不敏感，通過四階累積量后置聚焦實現(xiàn)對網(wǎng)絡(luò)流量時間序列中高斯白噪聲和高斯色噪聲的抑制.若網(wǎng)絡(luò)流量時間序列中的噪聲項w(n)為高斯噪聲，則:

(9)

若w(n)為非高斯色噪聲，提取網(wǎng)絡(luò)流量時間序列的約束指向性特征，通過多普勒調(diào)試后輸出的四階混合累積量切片算子為

(10)

則

(11)

其中，γ代表噪聲過程w(n)的峰度.定義在t域中振蕩數(shù)據(jù)瞬時頻率求解過程為一個線性積分運算過程，假設(shè)Fα[·]為FrFT的算子符號，得到流量時間序列Kp(t，u)為FrFT的變換核：

(12)

其中，n為整數(shù).網(wǎng)絡(luò)流量時間序列累積量的均方一致估計輸出結(jié)果為

(13)

其中，a(θi)表示兩個統(tǒng)計獨立的隨機過程之和；si(t)表示各隨機過程累積量的分量特征；n(t)表示噪聲.將流量多維沖擊函數(shù)相空間中Xm作為中心點，進行一致性估計實現(xiàn)流量預(yù)測，選擇其最近鄰點為Xk，得到流量輸出的波束域約束指向形成輸出的奇異值分解L=U×S×C.其中，C是正交矩陣表示流量序列的第二特征函數(shù),即

(14)

其中，C為奇異值，且服從高斯分布N(0，σ2)，且

(15)

利用高階矩的定義式，可以得到網(wǎng)絡(luò)流量時間序列的高斯隨機變量x的各階矩為

(16)

對于零均值的高斯隨機過程x(n)，網(wǎng)絡(luò)流量時間序列的各階累積量為

(17)

當(dāng)加性噪聲是高斯色噪聲時，通過四階累積量自適應(yīng)特征提取，完全可以削弱噪聲的影響，此時輸出的流量預(yù)測值如下：

(18)

(19)

其中，Rx(τ)為二階矩陣，即自相關(guān)函數(shù).網(wǎng)絡(luò)流量時間序列通過4階累積量后置算子實現(xiàn)一致性預(yù)測和估計，在通過離散傅里葉DFRT轉(zhuǎn)換輸出預(yù)測結(jié)果，得到流量預(yù)測的改進實現(xiàn)過程如圖2所示．

圖 2 網(wǎng)絡(luò)流量預(yù)測的改進實現(xiàn)流程Fig.2 Improvement and implementation of network traffic prediction

3 仿真實驗與結(jié)果分析

為了測試本文算法在進行大型網(wǎng)絡(luò)流量預(yù)測中的性能，進行仿真實驗.仿真實驗的硬件環(huán)境配置為：Windows7系統(tǒng)的個人PC機，2.89GHz雙核Core四處理器，1GB內(nèi)存.實驗中采用C++和Matlab7混合編程實現(xiàn)網(wǎng)絡(luò)流量預(yù)測算法的設(shè)計.假設(shè)網(wǎng)絡(luò)流量采集來自于大型混合鏈路的通信網(wǎng)絡(luò)，設(shè)置鏈路容量為12Mbit/s；取流量采樣過程中的噪聲譜峰ρ=0.97；中心頻率為16kHz；流量時間序列采樣延時為12ms；網(wǎng)絡(luò)流量采樣的信息樣本數(shù)為1 024；離散采樣率為fs=10f0Hz=10kHz；帶寬B=1 000Hz，根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進行流量預(yù)測仿真，得到網(wǎng)絡(luò)流量原始采樣時域波形如圖3所示．

以上述采樣的流量樣本為測試對象，選取信噪比為-30～0dB，進行流量預(yù)測，對提取的流量時間序列進行信號擬合，提取網(wǎng)絡(luò)流量時間序列的四階累積量自適應(yīng)特征，得到提取結(jié)果如圖4所示，以提取的四階累積量特征作為后置聚焦算子，進行干擾抑制，得到干擾抑制后的輸出如圖5所示．

圖 3 網(wǎng)絡(luò)流量原始采樣時域波形 圖 4 網(wǎng)絡(luò)流量時間序列的四階累積量 自適應(yīng)特征提取Fig.3 Time domain waveform of accumulation of network traffic Fig.4 Adaptive feature extraction of four order network traffic time series

圖 5 干擾抑制后的流量特征輸出 圖 6 預(yù)測性能對比Fig.5 Traffic characteristic output after interference suppression Fig.6 Prediction performance comparison

由圖5可知，采用本文算法進行流量預(yù)測，通過四階累積量切片算法進行后置聚焦，提高了流量預(yù)測輸出的波束指向性，對旁瓣干擾抑制效果較好，流量預(yù)測精度高，為了對比算法性能，采用本文算法和傳統(tǒng)方法，以流量預(yù)測的精度為測試指標(biāo)，采用10 000次蒙特卡洛實驗，得到性能測試曲線對比，結(jié)果如圖6所示.由圖6可知，采用本文算法進行網(wǎng)絡(luò)流量預(yù)測，精度高于傳統(tǒng)算法，且抗干擾性能較強．

4 結(jié)束語

通過對網(wǎng)絡(luò)流量的準(zhǔn)確預(yù)測和調(diào)度能有效防止網(wǎng)絡(luò)擁堵，實現(xiàn)對網(wǎng)絡(luò)的實時監(jiān)控，本文提出一種基于四階累積量自適應(yīng)特征提取的網(wǎng)絡(luò)流量預(yù)測算法.首先分析了大型復(fù)雜網(wǎng)絡(luò)的流量數(shù)據(jù)傳輸結(jié)構(gòu)模型，進行流量的時間序列模型構(gòu)建，對提取的流量時間序列進行信號擬合，采用四階累積量自適應(yīng)特征提取方法進行流量時間序列的特征提取，將提取的四階累積量特征作為后置聚焦算子，實現(xiàn)對流量的準(zhǔn)確預(yù)測和估計.仿真結(jié)果表明，采用該算法進行網(wǎng)絡(luò)流量預(yù)測的精度較高，抗干擾性能較好，預(yù)測效果優(yōu)于傳統(tǒng)方法．

[1] 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．

LUXinghua，CHENPinghua.Trafficpredictionalgorithminbufferbasedonrecurrencequantificationunionentropyfeaturereconstruction[J].ComputerScience，2015，42(4):68-71．

[2] 芮蘭蘭，李欽銘. 基于組合模型的短時交通流量預(yù)測算法[J]. 電子與信息學(xué)報，2016，38(5):1227-1233．

RUILanlan，LIQinming.Shorttermtrafficflowpredictionalgorithmbasedoncombinedmodel[J].JournalofElectronics&InformationTechnology，2016，38(5):1227-1233．

[3]TCHRAKIANTT，BASUB，MAHONYM.Real-timetrafficflowforecastingusingspectralanalysis[J].IEEETransactionsonIntelligentTransportationSystems，2012，13(2):519-526．

[4]CHANKY，DILLONTS，SINGHJ，etal.Neuralnetworkbasedmodelsforshorttermtrafficflowforecastingusingahybridexponentialsmoothingandlevenbergmarquardtalgorithm[J].IEEETransactionsonIntelligentTransportationSystems，2012，13(2):644-654．

[5]BAESH，YOONKJ.Robustonlinemultiobjecttrackingwithdataassociationandtrackmanagement[J].IEEETransactionsonImageProcessing，2014，23(7):2820-2833．

[6]JIANGX，HARISHANK，THAMARASAR，etal.Integratedtrackinitializationandmaintenanceinheavyclutterusingprobabilisticdataassociation[J].SignalProcessing，2014，94：241-250．

[7]LIL，XIEW.Intuitionisticfuzzyjointprobabilisticdataassociationfilteranditsapplicationtomultitargettracking[J].SignalProcessing，2014，9(6):433-444．

[8] 王躍飛，于炯，魯亮. 面向內(nèi)存云的數(shù)據(jù)塊索引方法[J]. 計算機應(yīng)用，2016，36(5):1222-1227．

WANGYuefei，YUJiong，LULiang.Strategyforobjectindexbasedonramcloud[J].JournalofComputerApplications，2016，36(5):1222-1227．

[9]LIUH，DINGZG，F(xiàn)ANPZ，etal.Precodingdesignforinterferencesuppressioninmulticellmulti-usernetworks[J].IETCommunications，2014，8(9):1534-1540．

[10]RATHEESHM，DAVIDMJ.Systemlevelperformanceofinterferencealignment[J].IEEETransactionsonWirelessCommunications，2015，14(2):1060-1070．

[11] 吳志軍，李光，岳猛. 基于信號互相關(guān)的低速率拒絕服務(wù)攻擊檢測方法[J]. 電子學(xué)報，2014，42(9):1760-1766．

WUZhijun，LIGuang，YUEMeng.DetectinglowrateDoSattacksbasedonsignalcrosscorrelation[J].ChineseJournalofElectronics，2014，42(9):1760-1766．

[12] 余曉東，雷英杰，岳韶華，等. 基于粒子群優(yōu)化的直覺模糊核聚類算法研究[J]. 通信學(xué)報，2015，12(5):20-99．

YUXiaodong，LEIYingjie，YUEShaohua，etal.ResearchonPSObasedintuitionisticfuzzykernelclusteringalgorithm[J].JournalofCommunication，2015，12(5):20-99．

[13] 孫超，楊春曦，范莎，等. 能量高效的無線傳感器網(wǎng)絡(luò)分布式分簇一致性濾波算法[J]. 信息與控制，2015，44(3):379-384．

SUNChao，YANGChunxi，F(xiàn)ANSha，etal.Energyefficientdistributedclusteringconsensusfilteringalgorithmforwirelesssensornetworks[J].InformationandControl，2015，44(3):379-384．

[14] 賀孟. 基于FPGA的多通道流量控制研究與實現(xiàn)[J]. 電子設(shè)計工程，2015，12(6):165-168．

HEMeng.ResearchandimplementationofmultiplechannelflowcontrolbasedonFPGA[J].ElectronicDesignEngineering，2015，12(6):165-168．

編輯、校對：武 暉

Network traffic prediction based on four order adaptive feature extraction

ZHOU Xiangjun

(School Information Technology， Guangdong Teachers College of Foreign Language and Arts， Guangzhou 510507，China)

The network time series is interfered by complex background information,and thus the forecasting is not precise, a network traffic prediction algorithm is thus proposed based on adaptive feature fourth-order cumulant, to make the model of network traffic data transmission structure,to use method of fourth-order cumulant adaptive feature extraction,and to realize accurate prediction and consistency estimates for flow . The simulation results show that traffic prediction, traffic prediction output beam directivity is better; sidelobe interference inhibition effect is desirable traffic prediction has strong anti-jamming capability; prediction precision is higher than that of traditional methods.

four order accumulation; feature extraction; network traffic; prediction algorithm

1674-649X(2016)04-0510-06

10.13338/j.issn.1674-649x.2016.04.018

2016-03-13

廣東省高等職業(yè)教育教學(xué)改革項目(20120201042)

周向軍(1971—)，男，廣東省汕頭市人，廣東省外語藝術(shù)職業(yè)學(xué)院副教授，研究方向為計算機網(wǎng)絡(luò)、數(shù)據(jù)庫、計算機多媒體.E-mail: zhouxj@gtcfla.net

周向軍.基于四階累積量自適應(yīng)特征提取網(wǎng)絡(luò)流量預(yù)測[J].西安工程大學(xué)學(xué)報，2016，30(4)：510-515.

ZHOU Xiangjun.Network traffic prediction based on four order adaptive feature extraction[J].Journal of Xi′an Polytechnic University,2016，30(4)：510-515.

TP 393

A