沈燁 李琳琳

摘?要：近年來，隨著網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，網(wǎng)絡(luò)傳輸業(yè)務(wù)也在不斷增加，網(wǎng)絡(luò)業(yè)務(wù)流量數(shù)據(jù)與日俱增。飛速增長的流量數(shù)據(jù)給網(wǎng)絡(luò)結(jié)構(gòu)和信息傳輸帶來深刻的影響，大量的網(wǎng)絡(luò)數(shù)據(jù)在有限的空間內(nèi)進(jìn)行傳輸，網(wǎng)絡(luò)擁塞現(xiàn)象難以避免，造成網(wǎng)絡(luò)傳輸時延增大、傳輸速率降低的后果。因此，為了更有效地進(jìn)行網(wǎng)絡(luò)管理，改善網(wǎng)絡(luò)傳輸性能，有效預(yù)測業(yè)務(wù)流量數(shù)據(jù)的變化趨勢，實(shí)行具體、全面的網(wǎng)絡(luò)管理是十分必要的。該文針對網(wǎng)絡(luò)流量表現(xiàn)出的自相似性和可預(yù)測性，提出了改進(jìn)PSO-BP算法，并建立其預(yù)測模型。結(jié)果顯示，在網(wǎng)絡(luò)流量預(yù)測領(lǐng)域內(nèi)，與常規(guī)BP網(wǎng)絡(luò)流量預(yù)測算法相比，引入改進(jìn)PSO-BP算法的神經(jīng)網(wǎng)絡(luò)預(yù)測模型表現(xiàn)出更為優(yōu)異的性能。

關(guān)鍵詞：粒子群??神經(jīng)網(wǎng)絡(luò)??自相似??流量預(yù)測

中圖分類號：TN915.06?????文獻(xiàn)標(biāo)識碼：A

The?Realization?of?Traffic?Prediction?by?Improving?Particle?Swarm?Optimization?and?Optimizing?BP?Network

SHEN?Ye1??LI?Linlin2（1.Shenyang?Ligong?University，?Shenyang，?Liaoning?Province，?110159?China;?2.Shenyang?Open?University，?Shenyang，?Liaoning?Province，?110003?China）

Abstract：?In?recent?years，?with?the?continuous?development?of?network?technology，?network?transmission?services?are?also?increasing，?and?network?traffic?data?is?increasing?day?by?day.?The?traffic?data?of?rapid?growth?has?a?profound?impact?on?the?network?structure?and?information?transmission，?a?large?amount?of?network?data?is?transmitted?in?a?limited?space，?and?network?congestion?is?unavoidable，?resulting?in?the?consequence?of?the?increase?of?network?transmission?delay?and?the?decrease?of?transmission?rate.?Therefore，?in?order?to?manage?the?network?more?effectively，?improve?the?network?transmission?performance，?and?effectively?predict?the?change?trend?of?traffic?data，?it?is?necessary?to?implement?specific?and?comprehensive?network?management.?Aiming?at?the?self-similarity?and?predictability?of?network?traffic，?this?paper?proposes?an?improved?PSO-BP?algorithm?and?establishes?its?prediction?model.?Results?show?that?in?the?field?of?network?traffic?prediction，?compared?with?the?conventional?BP?network?traffic?prediction?algorithm，?the?neural?network?prediction?model?with?the?improved?PSO-BP?algorithm?shows?better?performance.

Key?Words：?Particle?swarm;?Neural?network;?Self-similarity;?Traffic?prediction

自相似理論最初在數(shù)學(xué)領(lǐng)域內(nèi)被發(fā)現(xiàn)[1]，它體現(xiàn)了事物的本質(zhì)屬性，即事物的局部特征（如形態(tài)、結(jié)構(gòu)等）和其整體特征相似。1997年，Leland、Willnger和Wilson等人采集了不同以太網(wǎng)段上的大量的數(shù)據(jù)包，對其進(jìn)行深入研究后首次明確提出：網(wǎng)絡(luò)流量具有自相似性。此后有大量研究人員對此進(jìn)行了研究與探討，研究表明，任何業(yè)務(wù)流量都能檢測到自相似特性，無論何時何地，無論網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、業(yè)務(wù)類型和信源編碼方式如何變化。網(wǎng)絡(luò)流量具有突發(fā)性，而傳統(tǒng)線性模型在對流量突發(fā)性的處理上具有明顯不足[2]，因此該文建立了一種引入改進(jìn)PSO-BP算法的神經(jīng)網(wǎng)絡(luò)預(yù)測模型，利用疊加ON/OFF信息源產(chǎn)生自相似流量，將流量數(shù)據(jù)保存下來作為樣本，將樣本數(shù)據(jù)劃分為訓(xùn)練集和測試集兩部分，并對其進(jìn)行訓(xùn)練學(xué)習(xí)，最終得到流量預(yù)測結(jié)果。

1?自相似流量介紹

1.1?自相似的概念

自相似這一概念最早由數(shù)學(xué)家Mandelbrot提出，他在研究水文問題時發(fā)現(xiàn)海岸線的局部和整體呈現(xiàn)出相似的形態(tài)，也就是說海岸線在形態(tài)上是自相似的。因此，如果事物的局部和整體表現(xiàn)出相似的特性，就可以說它是自相似的。分形理論認(rèn)為，自相似是一種尺度變換下的不變性。事實(shí)上，大量事物都具有自相似性，網(wǎng)絡(luò)流量也不例外。

1.2?長相關(guān)過程

網(wǎng)絡(luò)流量的自相似過程呈現(xiàn)出長相關(guān)性（Long?Range?Dependence，LRD），長程相關(guān)性是自相似過程的重要性質(zhì)之一。正如自相似的概念起源于水文現(xiàn)象，許多自然現(xiàn)象也蘊(yùn)含著長相關(guān)性。分形理論的創(chuàng)始人B.?B.?Mandelbrot根據(jù)尼羅河水位的變化提出了約瑟夫效應(yīng)，它說明了過程中的長期記憶性，網(wǎng)絡(luò)流量當(dāng)前時刻的流量數(shù)據(jù)和過去時刻的數(shù)據(jù)在數(shù)值上具有相關(guān)性，也就是說，如果過去時間的流量數(shù)據(jù)包數(shù)值較大，那么當(dāng)前時間的數(shù)據(jù)包也有很大概率是一個較大的值。

1.3?自相似流量產(chǎn)生原因

事實(shí)上，Web文件的大小在網(wǎng)絡(luò)傳輸中呈現(xiàn)出重尾分布，重尾分布通俗意義上可以闡述為少量個體占據(jù)大量資源。也就是說，Web文件大小在一個很大的范圍內(nèi)，其中少量文件占據(jù)了大量空間。研究表明，大量具有重尾分布的相互獨(dú)立的信源相疊加產(chǎn)生的流量最終呈現(xiàn)出自相似性。Pareto分布是最簡單的重尾分布，因此該文采用具有Pareto分布的ON/OFF疊加源來建立自相似流量產(chǎn)生模型。

2?算法描述

2.1?BP神經(jīng)網(wǎng)絡(luò)原理和改進(jìn)粒子群算法

經(jīng)典的BP神經(jīng)網(wǎng)絡(luò)通常為三層結(jié)構(gòu)，包括正向、反向兩個傳播過程[3]。在這兩個計算過程中，根據(jù)鏈?zhǔn)椒▌t和損失函數(shù)不斷更新網(wǎng)絡(luò)各層的權(quán)值和閾值，以此形成網(wǎng)絡(luò)訓(xùn)練。

隱含層節(jié)點(diǎn)的輸出公式為

式（1），式（2）中，下標(biāo)，下標(biāo)非線性傳遞函數(shù)，為隱含層傳遞函數(shù)，為輸出層傳遞函數(shù)，為輸入神經(jīng)元個數(shù)，為隱含層神經(jīng)元個數(shù)，為輸出神經(jīng)元個數(shù)，為輸入，為輸出，、分別為各層神經(jīng)元連接權(quán)值和閾值。

王榮等人[4]，JI??F?C[5]研究者們考慮到BP神經(jīng)網(wǎng)絡(luò)初始值的選定這一問題，不恰當(dāng)?shù)娜≈禃鹁W(wǎng)絡(luò)收斂性能下降，從而導(dǎo)致流量預(yù)測結(jié)果不準(zhǔn)確，因此BP網(wǎng)絡(luò)的權(quán)值閾值需要通過粒子群算法來進(jìn)行改進(jìn)，以解決該問題帶來的不良影響。由于傳統(tǒng)的粒子群算法優(yōu)化到后期迭代效率較低，所以采用動態(tài)調(diào)整學(xué)習(xí)因子這一策略來優(yōu)化PSO算法[6]，以避免局部最優(yōu)。將學(xué)習(xí)因子設(shè)為，迭代次數(shù)設(shè)為，最大迭代次數(shù)設(shè)為，的取值范圍在之間，的取值范圍在之間，具體公式如下：

2.2?建立網(wǎng)絡(luò)流量預(yù)測模型

步驟1，得到樣本數(shù)據(jù)。將服從重尾分布的ON/OFF源疊加模型產(chǎn)生的自相似流量劃成兩個部分，分別為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。

步驟2，進(jìn)行BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)初始化設(shè)置，確定其輸入神經(jīng)元個數(shù)、輸出神經(jīng)元數(shù)、各層間的連接權(quán)值和閾值。

步驟3，建立粒子群與權(quán)值、閾值的對應(yīng)關(guān)系，進(jìn)行粒子群的初始化設(shè)置，包括初始速度和位置、學(xué)習(xí)因子等。

步驟4，計算適應(yīng)度函數(shù)值，適應(yīng)度函數(shù)為網(wǎng)絡(luò)訓(xùn)練所得到的誤差范數(shù)，范數(shù)越小說明預(yù)測結(jié)果越準(zhǔn)確。

步驟5，更新粒子的移動速度，再通過速度更新位置，判斷是否滿足終止條件，若不符合則回到步驟4進(jìn)行下一輪循環(huán)，若滿足，就進(jìn)行下一步。

步驟6，獲得粒子群最優(yōu)解，用其對BP網(wǎng)絡(luò)參數(shù)進(jìn)行賦值，并計算誤差，該文采用MAE作為評價指標(biāo)。

步驟7，若MAE符合預(yù)設(shè)條件則結(jié)束訓(xùn)練，反之回到步驟6。

3?仿真分析及結(jié)論

3.1?仿真驗證與分析

該文采用的自相似流量數(shù)據(jù)集由具有Parote分布的ON/OFF疊加信源在Matlab平臺仿真產(chǎn)生。流量產(chǎn)生模型參數(shù)設(shè)置為：處于活躍期的信源到達(dá)數(shù)服從泊松分布，為到達(dá)率，設(shè)為0.4；其持續(xù)發(fā)包時間服從Pareto分布，在Matlab中表述為：，其中，K為形狀參數(shù)，設(shè)為0.1，為尺度參數(shù)，設(shè)為1.2，為位置參數(shù)，設(shè)為1；R=30，即每秒發(fā)送30個數(shù)據(jù)包。對仿真流量數(shù)據(jù)進(jìn)行分類，選取前350組數(shù)據(jù)作為訓(xùn)練樣本，每組訓(xùn)練數(shù)據(jù)需要當(dāng)前時刻之前的7個時刻的歷史流量數(shù)據(jù)來作為樣本數(shù)據(jù)，以預(yù)測當(dāng)前時刻的流量數(shù)據(jù)，因此輸入節(jié)點(diǎn)數(shù)為7，隱含層節(jié)點(diǎn)數(shù)15，輸出節(jié)點(diǎn)數(shù)為1，將剩下的100組數(shù)據(jù)包作為測試樣本。改進(jìn)粒子群算法參數(shù)設(shè)置為：種群數(shù)設(shè)為10，最大迭代次數(shù)設(shè)為10。訓(xùn)練次數(shù)設(shè)為1?000，允許誤差設(shè)為0.001。同時對傳統(tǒng)BP網(wǎng)絡(luò)進(jìn)行預(yù)測仿真，以便于和改進(jìn)粒子群算法優(yōu)化后的BP網(wǎng)絡(luò)預(yù)測仿真進(jìn)行對比，并不斷重復(fù)仿真對比實(shí)驗以得到普遍結(jié)果。

圖1為流量測試樣本期望值仿真結(jié)果圖，圖2為改進(jìn)PSO-BP算法優(yōu)化后的網(wǎng)絡(luò)預(yù)測流量值仿真結(jié)果圖。如圖1所示和如圖2所示，選取6個坐標(biāo)點(diǎn)進(jìn)行對比，在時間點(diǎn)分別為13?s、28?s、37?s、55?s、72?s、98?s，其對應(yīng)的數(shù)據(jù)包預(yù)測值分別為541、868.3、690.1、839.3、870.4、749.8，相對應(yīng)的實(shí)際流量值即期望值分別為540、870、690、840、870、750。該文的預(yù)設(shè)誤差為2，計算可得，該模型的絕對平均誤差MAE=1.217?9，比預(yù)設(shè)誤差要小。圖3為優(yōu)化后的BP網(wǎng)絡(luò)模型的預(yù)測值與期望值對比圖，從圖中可以看到該模型期望值與預(yù)測值曲線走向基本一致，誤差值在0周圍有微小浮動，可見仿真結(jié)果較好，預(yù)測精度較高。圖4為傳統(tǒng)BP網(wǎng)絡(luò)模型的預(yù)測值和期望值對比圖，從圖中可以看到預(yù)測值和期望值重合度不高，誤差上下波動較大，計算可得其絕對平均誤差MAE=44.047?4，預(yù)測結(jié)果不夠好。綜上所述，在自相似流量預(yù)測領(lǐng)域，改進(jìn)粒子群算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測精確度更高。

3.2?結(jié)論

基于對網(wǎng)絡(luò)流量自相似特性的研究，該文針對傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測的不足，提出了改進(jìn)PSO-BP算法并建立其預(yù)測模型，并將兩者在Matlab平臺進(jìn)行了仿真對比分析。仿真結(jié)果表明，該預(yù)測模型能夠產(chǎn)生更為精準(zhǔn)的預(yù)測結(jié)果，為有效預(yù)測網(wǎng)絡(luò)流量的變化趨勢，提前掌握網(wǎng)絡(luò)運(yùn)行狀態(tài)，實(shí)現(xiàn)全面有效的網(wǎng)絡(luò)管理和實(shí)時監(jiān)控帶來積極影響。

參考文獻(xiàn)

欒干.自相似流量隊列分析及其仿真工具設(shè)計[D].北京：北京郵電大學(xué)，2020.

康夢軒，宋俊平，范鵬飛，等.基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量預(yù)測研究綜述[J].計算機(jī)工程與應(yīng)用，2021，57（10）：1-9.

ZHANG?Z?G，YIN?J?C，WANG?N?N，et?al.Vessel?Traffic?Flow?Analysis?and?Prediction?by?an?Improved?PSO-BP?Mechanism?Based?on?AIS?Data[J].Evolving?Systems，2019，10（3）：397-407.?.

王榮，白尚旺，黨偉超，等.粒子群退火算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[J].計算機(jī)系統(tǒng)應(yīng)用，2020，29（1）：244-249.[5]?JI?F?C.Application?of?Particle?Swarm?Optimization?and?Improved?PSO-BP?Algorithm?in?Computer?Forecasting?Model[C]//Journal?of?Physics：Conference?Series.IOP?Publishing，2021，2033（1）：012099.