基于支持向量机的网络参数模型研究

王启明++郑均辉

摘 要： 使用模糊层次分析法对支持向量机的两个参数进行寻优，并用寻找到的最优参数训练支持向量机，建立网络参数模型。首先使用模糊层次分析法对支持向量机两个参数进行寻优，然后用寻找到的最优参数训练支持向量机，最后建立预测模型，预测网络流量。实验结果表明，该方法不但可以较好地跟踪网络流量变化趋势，使网络流量的预测值与实际值非常接近，而且预测误差变化范围波动小，是一种有效且预测精度高的网络参数模型。

关键词： 网络参数模型； 支持向量机； 灰色模型； 参数优化

中图分类号： TN309?34； TN915.06 文献标识码： A 文章编号： 1004?373X（2015）12?0023?02

0 引 言

网络流量的预测与建模对于大规模网络资源管理、规划设计、用户行为等方面具有重要意义。传统网络流量预测方法主要基于线性建模，预测误差较大，很难准确反映网络流量复杂变化特点[1?2]。众多实验证明，网络流量存在如下特点如非平稳性、混沌性、时变性等，是一个具有高度的不确定性的复杂系统，需要采用非线性混沌理论对网络流量预测进行建模。目前基于非线性理论的典型模型包括神经网络预测模型、小波预测模型、灰色模型、支持向量机（Support Vector Machine，SVM）预测模型等[3?4]。

SVM是一种针对高维数、小样本的机器学习方法，泛化性能优异，被公认为是较好的非线性预测方法。大量研究表明SVM预测效果优于其他非线性模型，这主要得益于预测模型泛化能力强，避免了“维数灾难”，并且能够寻找到全局最优解，因此得到了广泛的应用[5]。但是SVM预测性能与网络流量的训练样本关系密切，并且当前确定训练样本的输出和输入矩阵采取的方法主要是人为判断，选取训练样本缺乏理论指导，容易产生过拟合现象[6]。

当前已有一些研究人员针对SVM预测模型的缺点进行了改进研究。研究主要包括对预测模型SVM参数选择的优化和对SVM预测模型自身的改进两个方面；其中SVM模型中参数的选择对预测效果起着非常关键的作用[7]。目前SVM参数选择主要采用智能优化算法，例如遗传算法（Genetic Algorithm，GA）、人工鱼群算法（Artificial Fish Algorithm，AFA）、粒子群优化（Particle Swarm Optimization，PSO）算法。例如，王瑞雪研究了一种通过GAFA（全局人工鱼群算法）优化SVR模型的网络流量预测方法，但是AFA优化的SVR预网络流量预测方法，结果不稳定[8]。曾伟等研究了采用粒子群优化算法优化SVM预测模型，研究表明提高了SVM模型的预测精度，但预测的稳定性依然不高，并且容易陷入局部极值[9]。Lu Wei Jia等采用遗传算法优化SVM预测模型，由于遗传算法的固有缺点，效果也不尽理想[10]。针对当前网络流量非线性时变、混沌等特点，本文研究对SVM预测模型进行改进，使用模糊层次分析法对SVM进行参数寻优，并用寻找到的最优参数训练SVM，建立预测模型。

3 结 语

本文对SVM预测模型进行改进，使用模糊层次分析法对SVM的两个参数进行寻优，并用寻找到的最优参数训练SVM，建立预测模型，预测网络流量。实验表明，该方法是一种预测精度高、有效的网络流量预测方法。

参考文献

[1] XU Shuo?na， ZENG Bi?qing. Network traffic prediction model based on auto?regressive moving average [J]. Journal of Networks， 2014， 9（3）： 653?659.

[2] QIU J， XIA J B， WU J X. Research and development of network traffic prediction model [J]. Computer Engineering and Design， 2012， 33（3）： 865?869.

[3] XIONG Nan， LIU Bai?feng. Online network traffic prediction Based on adaptive particle swarm optimization LSSVM [J]. Journal of computer applications and software， 2013， 30 （9） ： 21?24.

[4] FANG J， ZHOU Q， WU X， et al. Network traffic prediction model based on Catfish?PSO?SVM [J]. Journal of Networks， 2013， 8（11）： 110?114.

[5] JIALLG Jun， PAPAVASSILIOU Symeon. Enhancing network traffic prediction and anomaly detection via statistical network traffic separation and combination strategies [J]. Computer Communications， 2006， 29（10）： 1627?1638.

[6] CHANG Bao?bong， TSAI Hsiu Fen. Improving network traffic analysis by foreseeing data?packet?flow with hybrid fuzzy based model prediction [J]. Expert Systems with Applications 2009， 36（3）： 6960?6965.

[7] JIANG Ming， WU Chun?ming， HU Da?min. Comparative study on time series of network traffic prediction model [J]. Journal of Electronics， 2009， 5 （11） ： 2353?2359.

[8] WANG Rui?xue， LIU yuan. GAFSA network traffic prediction model to optimize the SVR study [J]. Computer Application Research， 2013， 30 （3） ： 856?860.

[9] ZENG Wei. Many children population PSO to optimize the SVM network traffic prediction [J]. Journal of Beijing Jiaotong University： Natural Science Edition， 2013， 37 （5） ： 62?66.

[10] LU， Wei?Jia. Parameters of network traffic prediction model jointly optimized by genetic algorithm [J]. Journal of Networks， 2014， 9（3）： 695?702.

[11] XU Bo， GUAN Qing， CHEN Ke. Multi?agent coalition formation based on quantum?behaved particle swarm optimization [J]. Journal of Information & Computational Science， 2010， 7（5）： 1059?1064.

[12] QIN H S， WEI Y， ZENG S H. Parameter optimization for SVM classification based on NGA [J]. Lecture Notes in Electrical Engineering， 2013， 216（1）： 579?586.

[13] WANG Shuang?ying WU Chao， ZUO Hong?yan. Small and medium?sized coal mine production safety fuzzy hierarchy evaluation model and its application [J]. Journal of Central South University （Natural Science Edition）， 2010， 41（5）： 111?116.