基于回聲狀態(tài)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測研究.pdf

1、網(wǎng)絡(luò)流量是通過網(wǎng)絡(luò)所傳輸?shù)臄?shù)據(jù)量。由于網(wǎng)絡(luò)流量蘊(yùn)涵了網(wǎng)絡(luò)運(yùn)行時的關(guān)鍵信息，是管理和優(yōu)化網(wǎng)絡(luò)的重要基礎(chǔ)數(shù)據(jù)，因此對網(wǎng)絡(luò)流量的分析與預(yù)測十分重要。隨著網(wǎng)絡(luò)業(yè)務(wù)的不斷豐富，網(wǎng)絡(luò)流量也呈現(xiàn)出越來越錯綜復(fù)雜的特性。利用網(wǎng)絡(luò)流量預(yù)測模型，可以幫助人們提前感知網(wǎng)絡(luò)未來的態(tài)勢，這對于網(wǎng)絡(luò)規(guī)劃、資源配置和網(wǎng)絡(luò)安全等關(guān)鍵技術(shù)的發(fā)展具有深遠(yuǎn)的影響。如何建立一個既高效又準(zhǔn)確的模型來預(yù)測網(wǎng)絡(luò)流量已經(jīng)成為了一個具有挑戰(zhàn)性的研究熱點(diǎn)。
　　作為一種廣受關(guān)注的新

2、型遞歸人工神經(jīng)網(wǎng)絡(luò)，回聲狀態(tài)網(wǎng)絡(luò)（Echo State Network。ESN）具有計(jì)算高效且易于使用的優(yōu)勢。此外，由于ESN使用了儲備池計(jì)算框架，具備動態(tài)記憶能力，因此特別適合處理時間相關(guān)的建模問題，并且已經(jīng)被成功地應(yīng)用在各種時間序列預(yù)測工程實(shí)踐中。而歷史網(wǎng)絡(luò)流量記錄可以看作時間序列數(shù)據(jù)，對網(wǎng)絡(luò)流量的預(yù)測也可以看作一個標(biāo)準(zhǔn)的時間序列預(yù)測問題，因此可以使用 ESN模型對其進(jìn)行建模分析。但是，由于現(xiàn)代網(wǎng)絡(luò)流量具有自相似、長程相關(guān)和多重分形

3、等復(fù)雜的多尺度特性，而標(biāo)準(zhǔn)的ESN模型不能有效識別網(wǎng)絡(luò)流量中的多尺度特性，因此會導(dǎo)致預(yù)測精度上的損失。
　　本文通過改進(jìn)共生生物搜索(Symbiotic Organisms Search。SOS)算法，結(jié)合集合經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition。EEMD）算法，提出了一種基于ESN的網(wǎng)絡(luò)流量預(yù)測模型。使用集合經(jīng)驗(yàn)?zāi)B(tài)分解算法依據(jù)網(wǎng)絡(luò)流量的多尺度特性將數(shù)據(jù)進(jìn)行模態(tài)分解，分離出的高