粒子群算法優(yōu)化支持向量機的網絡流量混沌預測

劉昆

關鍵詞： 粒子群算法優(yōu)化; 支持向量機; 網絡流量; 混沌預測; 平均絕對誤差; 蟻群算法

中圖分類號： TN711?34; TP393 ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2019）02?0120?04

Chaotic prediction of network traffic based on particle swarm algorithm

optimization and support vector machine

LIU Kun

（Xuhai College， China University of Mining & Technology， Xuzhou 221008， China）

Abstract： In allusion to the large average prediction absolute errors existing in traditional network traffic prediction methods， a network traffic chaotic prediction method based on particle swarm algorithm optimization and support vector machine （SVM） is proposed. The particle swarm algorithm is used to optimize the SVM method. The optimized SVM method is used to conduct chaotic prediction of network traffic. The prediction results show that the average prediction absolute error value of the improved prediction method is respectively 65.3% and 34.3% lower than that of the FCM?LSSVM network traffic prediction method and Morlet?SVR and ARIMA combined prediction method， which indicates that the improved prediction method has a certain advantage.

Keywords： particle swarm algorithm optimization; support vector machine; network traffic; chaotic prediction; average absolute error; ant colony algorithm

網絡性能解析與網絡規(guī)劃設計的根本即為網絡流量模型的構建。網絡流量模型的準確與否對設計高性能網絡協(xié)議、高性能的網絡設備、高效網絡拓撲結構、流量預測與網絡規(guī)劃、擁塞控制與負載均衡等都具有關鍵作用[1]。信息技術快速發(fā)展，對于網絡的使用普遍增加，為人們的工作及生活帶來了眾多便利以及各方面的雙重享受[2]。同時，隨著政府機關和企事業(yè)單位信息化程度的加深，網絡信息的傳輸、處理及儲存的性能好壞在很大程度上對核心競爭力造成了影響。然而黑客技術的發(fā)展與網絡技術發(fā)展速度相近，使得網絡安全事件頻繁出現，導致網絡安全問題突出，而對網絡流量的預測是預防網絡安全的關鍵技術[3]。對此，提出基于粒子群算法優(yōu)化支持向量機的網絡流量混沌預測方法，并進行實驗分析。實驗結果表明，采用改進預測方法的平均絕對誤差較低，具有一定的優(yōu)勢。

1 ?基礎分析

1.1 ?粒子群算法原理

粒子群優(yōu)化算法即為對覓食鳥群進行尋優(yōu)處理的一種算法，其中每一只“鳥”表示一個粒子，鳥群所尋找的“食物”就是所求的最優(yōu)解[4]。

采用粒子群優(yōu)化算法對一群隨機粒子進行初始化處理，粒子i的位置表示為D維向量[xi=x1，x2，…，xn]，粒子運行速度為[vi=v1，v2，…，vn]。每一個粒子所在區(qū)域即為一個預定解。把[xi]轉入到目標函數中，計算得到其適應值，依據適應值的大小對其優(yōu)劣進行區(qū)分[5]。在每一次迭代中，粒子通過搜尋兩個解對自己所在區(qū)域和速度進行優(yōu)化：一個是粒子自身所在最佳區(qū)域，記作Pbest;另一個是整體粒子群目前為止搜尋的最優(yōu)解，即為Gbest。粒子群優(yōu)化算法具體流程圖如圖1所示。

1.2 ?支持向量機算法

采用支持向量機對網絡流量進行預測時，存在回歸領域過大，預測不準的問題，即支持向量機回歸。對此在非線性環(huán)境下，采用支持向量機函數進行擬合處理，擬合時要采用線性回歸函數[fx=ω?x+b]擬合[xi，yi]，[i=1，2，…，n]，[xi∈Rn]當作輸入量，[yi∈R]為輸出量，即需要確定[ω]和[b]。在采用支持向量機進行網絡流量預測時，其懲罰函數是影響預測結果的重要因素，也是支持向量機中一個重要的概念?，F有的方法經常需要在優(yōu)化模型前對該函數進行選定，對不同的優(yōu)化問題選取不同的損失函數，因此即使是同一個優(yōu)化問題的損失函數也會形成不一樣的模型[6?7]。算法泛化能力的大小，會影響對網絡流量的預測準確率。對此在支持向量機復雜程度及錯分樣本間選取一個平均值作為懲罰因子，增強該算法的泛化程度。當流經網絡輸入層時，若懲罰因子過小，則超出樣本的懲罰度較小，樣本訓練誤差較大，泛化能力較低[8?9]，錯誤預測率較高;反之，若懲罰因子太大，則算法的學習精度較低，泛化能力不高。因此，要選取最適合優(yōu)化模型的懲罰因子，才可保證網絡流量預測的穩(wěn)定性及高效性[10]。支持向量機的結構示意圖如圖2所示。

由圖2可知，在支持向量機的運行過程中，需要選取核函數把非線性的輸入值映射到高維特征空間中，且核函數要滿足其定理特征。

2 ?網絡流量混沌預測分析

2.1 ?粒子群優(yōu)化支持向量機算法

粒子群優(yōu)化支持向量機的具體流程圖如圖3所示。

標準粒子群優(yōu)化算法詳細步驟：

1） 初始化粒子群，設定各類參數，確定群體規(guī)模、維度迭代次數和粒子速度區(qū)域搜索空間的上下界限，隨機形成每個粒子所在區(qū)域和速度，設目前位置是每個粒子的初始位置[11]，從中選取出全局最優(yōu)極值，并標記其最優(yōu)值序號及位置。

2） 評價每個粒子，并根據定義的適應度函數，計算每個粒子的適應值。

3） 個體極值更新。在此步驟中，將每個粒子的適應值與個體極值的最優(yōu)值進行對比，若適應值較高，則把當前粒子位置當作最優(yōu)位置，對個體極值進行更新。

4） 如果每個粒子個體最優(yōu)值中最佳位置是目前全局的極值，那么把個體極值規(guī)定成最優(yōu)位置，更新全局極值與粒子序號。

5） 更新粒子狀態(tài)。分別對粒子的位置和速度進行更新。當目前粒子速度大于最大值時，選取最大速度值，當前粒子速度小于最小速度值時，選取最小值。

6） 檢驗是否可以終止。如滿足終止條件，則輸出解;反之，返回步驟2）繼續(xù)進行尋優(yōu)。

終止條件可通過實際問題進行設定，目前常選擇最大迭代次數來確定最佳位置的最小閾值，也可通過搜索粒子群的最佳位置來確定最小適應閾值。

2.2 ?網絡流量混沌預測

由于網絡流量預測方法引入附加參數較多，采用算法過程中需要加入大量的隨機操作，使得預測方法無法依據算法的優(yōu)化水平對解空間的變化做出對應調整，缺乏動態(tài)性。對此采用上述提出的粒子群算法優(yōu)化支持向量機法，結合混沌理論對網絡流量進行預測。經過把搜索進程相應的混沌軌跡進行遍歷，可預防搜索過程中出現局部最優(yōu)的現象，同時，保持算法的全部尋優(yōu)能力，依據最優(yōu)解空間與算法目前的運行次數，動態(tài)地收縮搜索區(qū)域，提高網絡流量混沌預測精度，其預測流程如下：

1） 通過對權值及閾值等參數進行編碼處理，建立粒子與參數之間的映射聯系;

2） 采用粒子群優(yōu)化支持向量機方法確定粒子迭代次數及最優(yōu)粒子位置;

3） 采用線性遞減策略確定慣性權重;

4） 調整選取學習因子，求出網絡流量的混沌時間序列，確定迭代次數及收縮因子界限;

5） 根據以上設置結果，確定適應度函數，計算混沌變量，并對最新解進行評價;

6） 調整最優(yōu)參數，得到較優(yōu)的參數，將多個值輸入到網絡，輸出值即為該點網絡流量預測值。

3 ?實驗結果分析

3.1 ?實驗軟硬件環(huán)境設計

實驗過程總采用Intel奔騰雙核CPU，4.00 GB內存，500 GB硬盤的計算機，其操作系統(tǒng)使用Microsoft Windows 8 旗艦版。使用Matlab R2017b在Version 7.11.0.584 32 bit（WIN 32）下進行實驗分析。

3.2 ?實驗性能指標

實驗過程中采用平均絕對誤差MAE為評價指標來評價實驗的預測結果，在實驗中，平均絕對誤差MAE的值越小，則預測精度就越高。

[MAE=1ni=1nxi-x′i]

式中：[xi]為實際值;[x′i]為預測值;[n]為樣本數。

3.3 ?平均絕對誤差驗證

在驗證過程中，采用改進預測方法與FCM?LSSVM網絡流量預測方法、Morlet?SVR和ARIMA組合預測方法為對比進行實驗分析，實驗結果如圖4所示。

由圖4可知，采用FCM?LSSVM網絡流量預測方法時，其隨著預測時間的增加而發(fā)生上下劇烈浮動的現象，且平均絕對誤差值多次達到100%，只有少數情況下其平均絕對誤差值達到了0，整體平均絕對誤差值約為78%。采用Morlet?SVR和ARIMA組合預測方法時，其平均絕對誤差值雖然出現多次波動，但波動幅度較小，且整體平均絕對誤差值約為47%。采用改進預測方法時，其預測過程中出現的平均絕對誤差較小，約為12.7%，且較為穩(wěn)定，相比FCM?LSSVM網絡流量預測方法及Morlet?SVR和ARIMA組合預測方法分別降低了65.3%，34.3%，具有一定的優(yōu)勢。

4 ?結 ?論

傳統(tǒng)方法在進行網絡流量預測時，存在預測平均絕對誤差較大的問題，為此提出基于粒子群算法優(yōu)化支持向量機的網絡流量混沌預測方法。該方法分別分析已有粒子群算法與支持向量機方法，并采用粒子群算法對支持向量機方法進行優(yōu)化，進而實現網絡流量的混沌預測。預測結果表明，改進預測方法的平均絕對誤差值遠遠低于FCM?LSSVM網絡流量預測方法、Morlet?SVR和ARIMA組合預測方法，具有一定的優(yōu)勢。

參考文獻

[1] 林智華，高文，吳春明，等.基于離散粒子群算法的數據中心網絡流量調度研究[J].電子學報，2016，44（9）：2197?2202.

LIN Zhihua， GAO Wen， WU Chunming， et al. Data center network flow scheduling based on DPSO algorithm [J]. Acta Electronica Sinica， 2016， 44（9）： 2197?2202.

[2] 耿越.基于混沌粒子群神經網絡的瓦斯?jié)舛阮A測[J].中國煤炭，2017，43（3）：124?129.

GENG Yue. Chaotic PSO?RBFNN in coal mine gas concentration prediction [J]. China coal， 2017， 43（3）： 124?129.

[3] 張宏立，李瑞國，范文慧，等.基于量子粒子群的全參數連分式混沌時間序列預測[J].控制與決策，2016，31（1）：52?58.

ZHANG Hongli， LI Ruiguo， FAN Wenhui， et al. Chaotic time series prediction of full?parameters continued fraction based on quantum particle swarm optimization algorithm [J]. Control and decision， 2016， 31（1）： 52?58.

[4] 楊景明，陳偉明，車海軍，等.基于粒子群算法優(yōu)化支持向量機的鋁熱連軋機軋制力預報[J].計量學報，2016，37（1）：71?74.

YANG Jingming， CHEN Weiming， CHE Haijun， et al. Rolling force prediction based on support vectors machine with particle swam optimization [J]. Acta Metrologica Sinica， 2016， 37（1）： 71?74.

[5] 張進，丁勝，李波.改進的基于粒子群優(yōu)化的支持向量機特征選擇和參數聯合優(yōu)化算法[J].計算機應用，2016，36（5）：1330?1335.

ZHANG Jin， DING Sheng， LI Bo. Improved particle swarm optimization algorithm for support vector machine feature selection and optimization of parameters [J]. Journal of computer applications， 2016， 36（5）： 1330?1335.

[6] 王振武，孫佳駿，尹成峰.改進粒子群算法優(yōu)化的支持向量機及其應用[J].哈爾濱工程大學學報，2016，37（12）：1728?1733.

WANG Zhenwu， SUN Jiajun， YIN Chengfeng. A support vector machine based on an improved particle swarm optimization algorithm and its application [J]. Journal of Harbin Engineering University， 2016， 37（12）： 1728?1733.

[7] 方一鳴，鄭賀軍，劉樂，等.基于模擬退火粒子群算法優(yōu)化支持向量機參數的連鑄漏鋼預報[J].中國機械工程，2017，28（12）：1462?1467.

FANG Yiming， ZHENG Hejun， LIU Le， et al. Breakout prediction for continuous casting based on SA?PSO to optimize parameters of SVM [J]. China mechanical engineering， 2017， 28（12）： 1462?1467.

[8] 汪華斌，盧自立，邱杰漢，等.基于粒子群算法優(yōu)化支持向量機的巖爆預測研究[J].地下空間與工程學報，2017，13（2）：364?369.

WANG Huabin， LU Zili， QIU Jiehan， et al. Prediction of rock burst by improved particle swam optimization?based support vector machine [J]. Chinese journal of underground space and engineering， 2017， 13（2）： 364?369.

[9] 殷榮網.基于FCM?LSSVM網絡流量預測模型[J].計算機工程與應用，2016，52（1）：105?109.

YIN Rongwang. Network traffic predicting model based on FCM?LSSVM [J]. Computer engineering and applications， 2016， 52（1）： 105?109.

[10] 趙建龍，曲樺，趙季紅，等.基于Morlet?SVR和ARIMA組合模型的網絡流量預測[J].北京郵電大學學報，2016，39（2）：53?57.

ZHAO Jianlong， QU Hua， ZHAO Jihong， et al. A comprehensive forecasting model for network traffic based on Morlet?SVR and ARIMA [J]. Journal of Beijing University of Posts and Telecommunications， 2016， 39（2）： 53?57.

[11] 譚躍，譚冠政，鄧曙光.基于遺傳交叉和多混沌策略改進的粒子群優(yōu)化算法[J].計算機應用研究，2016，33（12）：3643?3647.

TAN Yue， TAN Guanzheng， DENG Shuguang. Improved particle swarm optimization algorithm based on genetic crossover and multi?chaotic strategies [J]. Application research of computers， 2016， 33（12）： 3643?3647.