于雅芮 劉立士

摘 ?要：隨著計算機網絡體系規(guī)模的不斷擴大，降低網絡性能的影響因素也日益增多。由于網絡流量的突發(fā)性會增加對網絡性能的影響，該文針對網絡流量的自相似特性和可預測性，提出了一種自相似流量的小波神經網絡預測模型。此模型通過對已知的網絡流量數據進行訓練，得到預測流量，完成對自相似流量的可預測性的驗證，最后對預測模型的性能做出評價。與傳統(tǒng)的線性模型相比，自相似流量的小波神經網絡模型在仿真過程中表現(xiàn)出預測的精確程度高、逼近最優(yōu)值的速度快的優(yōu)點。

關鍵詞：神經網絡 ?自相似 ?流量預測

中圖分類號：TN915.06 ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1672-3791（2019）06（a）-0009-02

隨著人們對網絡性能的要求越來越高，網絡擁塞問題也逐漸被重視起來，故針對提高網絡性能的技術的應用也變得尤為重要。大量研究表明，由于網絡流量具有自相似性以及可預測性，所以利用一種自相似流量的預測模型對網絡流量進行仿真預測實驗，就可以根據仿真結果對即將到達的流量進行實時監(jiān)控，減小網絡流量的突發(fā)性對整體網絡環(huán)境的影響，這將有效提升網絡的性能。

1 ?自相似流量的特性及預測模型

自相似性在統(tǒng)計意義上可以看作是空間尺度和時間尺度都不變的特性，而網絡流量的自相似性表現(xiàn)為從整體中抽取的局部特征與整體特征相似，一部分特征與其他部分特征相似[1]。由于傳統(tǒng)線性預測模型在網絡流量的突發(fā)性方面具有一定的弊端，會造成預測結果不理想。因此，該文建立了以小波神經網絡為核心的自相似流量預測模型，從而減小網絡流量的突發(fā)性對預測流量造成的誤差。

2 ?小波神經網絡原理及預測模型

2.1 小波神經網絡原理

神經網絡的主要原理是求出輸出層的實驗仿真輸出Y與理論輸出X之間的誤差Z，再將誤差Z反向傳播，獲得每個節(jié)點的偏差，繼續(xù)調整模型參數的取值，當每個節(jié)點的偏差都滿足預設誤差要求時，即完成網絡的學習過程。

該文建立的小波神經網絡預測模型采用具有全尺度分析能力的小波函數代替神經元激活函數[2]。此模型將小波函數設定為Morlet小波函數，其表達式如公式（1）所示。

2.2 建立網絡流量預測模型

建立預測模型的基本流程如下。

第一，選擇合適的神經網絡拓撲結構并確定隱含層的節(jié)點數和小波函數的尺度參數和平移參數[3]。

第二，獲取實驗仿真數據。將ON/OFF模型產生的數據分為訓練集和測試集兩個部分。由于自相似流量的突發(fā)性，在產生數據時要進行多次仿真，最后從中選擇出較穩(wěn)定的數據。

第三，訓練模型。將訓練集的流量數據輸入模型中，根據得到的誤差不斷調整模型的各項參數，直到誤差減小到預設目標，即完成模型的訓練。

第四，將測試集的自相似流量數據包輸入到已訓練好的模型中，得到預測自相似流量，重復進行仿真，獲取誤差最小的預測仿真結果并與實際的自相似流量進行對比，分析模型預測的結果。由于平均絕對誤差函數（Mean Absolute Error，MAE）可以較好地反映預測數據包個數與實際包數的絕對誤差平均值的情況，所以該文選擇MAE來評價小波神經網絡預測模型的性能，其函數表達式如公式（2）所示。

3 ?仿真驗證與分析

該文所采用的自相似流量預測數據集由ON/OFF源到達模型產生。在Matlab仿真軟件中，按照上述模型的分析情況確定參數，并進行仿真。各項參數設置如下：產生自相似流量的信源到達過程服從Poisson分布，信源到達率參數設定為=0.5，信源時間間隔服從指數分布，到達率參數設定為μ=2，信源持續(xù)周期相互獨立且服從Pareto分布gprnd（X，K，，），其中X=0.01，K=1.5，==1，數據包發(fā)送速率R=10（個/s）。

仿真結果如圖1、圖2所示。其中，圖1為ON/OFF源到達模型產生的數據包仿真圖，圖2為利用小波神經網絡模型對ON/OFF源到達模型產生的自相似流量進行預測得到的對比圖。

如圖1和圖2所示，在時間點分別為2s、15s、60s、90s時，源到達模型產生的數據包數為：180個、160個、100個、150個。經過小波神經網絡模型預測得到的數據包數為：125個、130個、105個、150個，在2s時產生數據包個數的相對誤差為30.6%，在15s時產生數據包個數的相對誤差為18.8%，在其余時間點的相對誤差均小于以上兩點的值。該文利用平均絕對誤差函數作為誤差分析的指標，由仿真得到預測值的絕對誤差的平均值MAE=4.39，因此，此小波神經網絡模型的預測結果誤差小于預設誤差目標MAE=8，預測值誤差較小。而在時間點為80s時，出現(xiàn)較大誤差是由于在利用偏差更新神經網絡權重因子時會產生負數，導致最后收斂時的輸出為負數。綜上所述，小波神經網絡預測模型可以在網絡流量突發(fā)性存在的情況下完成網絡流量的預測。

4 ?結語

該文基于網絡流量的自相似性，建立以神經網絡為核心的自相似流量預測模型，完成仿真分析過程。為達到誤差設定值，不斷重復修改此預測模型參數，最終確定了此模型的各項參數值，實驗仿真過程在Matlab平臺上完成，仿真結果證明了自相似流量的可預測性。

參考文獻

[1] 耿傳鑫.基于自相似流量預測的AOS擁塞控制技術研究[D].沈陽理工大學，2019.

[2] 黃恩洲.基于遺傳-小波神經網絡的短時交通量預測[J].海南大學學報：自然科學版，2014，32（1）：55-59.

[3] 姚瑩.基于小波過程神經網絡的短期風速預測方法研究[D].合肥工業(yè)大學，2013.