結合分形神經網絡理論的網絡流量預測研究.pdf

1、網絡流量特性的分析、流量建模以及流量預測對于新一代網絡協(xié)議設計、網絡管理和提高網絡服務質量等都有重要的意義。本文也正是以網絡流量特性分析為出發(fā)點，對網絡流量預測模型算法及其應用進行了相關的研究。 論文首先對網絡流量特性進行了詳細分析，介紹并實現(xiàn)了六種網絡流量分形維度的估算方法，通過仿真實驗對比驗證了各種估算方法的精度以及周期和噪聲信號對估算方法的影響；同時論文探討了網絡流量自相似的成因和對網絡性能的影響。 其次本文歸納總

2、結了網絡流量建模預測發(fā)展過程中的傳統(tǒng)的短相關模型、自相似模型各自的優(yōu)缺點，討論了網絡流量領域最新的分析方法和理論，分析得出：針對同時具有長相關和短相關的自相似網絡業(yè)務流應當采用混合№模型才能更精細的刻畫其特性。 在詳細分析網絡流量特性的基礎上，提出基于分形濾波神經網絡的混合流量預測模型，改進神經網絡訓練算法，應用該模型對真實網絡流量的變化趨勢進行擬合和預測，實驗結果表明：分形濾波神經網絡模型能同時描述自相似流量的長相關和短相關特

3、性，并且其擬合真實流量效果比FARIMA模型、AR模型和BP網絡模型更好；Hurst參數(shù)值越大的仿真流量，其預測精度越高；分形濾波去長相關后真實網絡流量短期預測精度高于傳統(tǒng)回歸模型；分形濾波去短相關的預測模型，在多步預測中更能抓住業(yè)務流的未來變化趨勢。 最后論文將分形預測模型與網絡動態(tài)帶寬分配相結合，仿真實驗表明針對具有分形特性突發(fā)性較強的業(yè)務流，基于預測的動態(tài)網絡帶寬分配策略能有效的減少信元丟失率、傳送時延及隊列長度，大大提高