基于遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)模型研究.pdf

1、隨著網(wǎng)絡(luò)規(guī)模的日益龐大和復(fù)雜，網(wǎng)絡(luò)帶寬急劇增加，基于網(wǎng)絡(luò)的互聯(lián)網(wǎng)服務(wù)呈現(xiàn)多樣化的發(fā)展，這使得互聯(lián)網(wǎng)的運(yùn)行機(jī)制和行為特征錯(cuò)綜復(fù)雜，因此，加強(qiáng)網(wǎng)絡(luò)管理，對(duì)網(wǎng)絡(luò)QoS進(jìn)行實(shí)時(shí)的控制和管理成為一個(gè)函待解決的問題。然而，實(shí)現(xiàn)網(wǎng)絡(luò)QoS控制需要及時(shí)了解和預(yù)測(cè)網(wǎng)絡(luò)的運(yùn)行狀況，以便對(duì)網(wǎng)絡(luò)的運(yùn)行進(jìn)行控制，這就需要進(jìn)行網(wǎng)絡(luò)流量預(yù)測(cè)。網(wǎng)絡(luò)流量的精確預(yù)測(cè)對(duì)于提高網(wǎng)絡(luò)的服務(wù)效率和質(zhì)量及網(wǎng)絡(luò)安全有著非常重要的意義。
　　本文針對(duì)網(wǎng)絡(luò)流量預(yù)測(cè)模型進(jìn)行了相關(guān)研究

2、。論文首先介紹了網(wǎng)絡(luò)流量的相關(guān)特征及對(duì)當(dāng)前網(wǎng)絡(luò)流量預(yù)測(cè)模型進(jìn)行了簡(jiǎn)單闡述。然后分別對(duì)小波變換理論、BP神經(jīng)網(wǎng)絡(luò)和遺傳算法理論進(jìn)行了介紹。小波變換理論和BP神經(jīng)網(wǎng)絡(luò)構(gòu)成了小波神經(jīng)網(wǎng)絡(luò)，在分析小波神經(jīng)網(wǎng)絡(luò)和遺傳算法理論的基礎(chǔ)上，針對(duì)小波神經(jīng)網(wǎng)絡(luò)存在收斂速度慢和易陷入局部最優(yōu)等缺點(diǎn)，將遺傳算法引入小波神經(jīng)網(wǎng)絡(luò)。采用具有良好全局搜索能力的遺傳算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，建立了基于遺傳算法和小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)模型。該模型采用小波分解技

3、術(shù)把網(wǎng)絡(luò)流量數(shù)據(jù)時(shí)間序列分解為小波系數(shù)和尺度系數(shù)，即低頻系數(shù)和高頻系數(shù)，將不同頻率部分的系數(shù)分別單支重構(gòu)為低頻流量分量和高頻流量分量，然后用遺傳算法優(yōu)化過的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后進(jìn)行預(yù)測(cè)，得到不同頻率部分的預(yù)測(cè)分量，最后，將它們的合成作為對(duì)原始網(wǎng)絡(luò)流量的預(yù)測(cè)結(jié)果，同時(shí)與現(xiàn)有的小波神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)性能進(jìn)行比較分析。
　　在上述理論分析的基礎(chǔ)上，對(duì)選定的網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行仿真預(yù)測(cè)實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明本文提出的新的預(yù)測(cè)模型能夠提高小波神經(jīng)網(wǎng)絡(luò)