基于四阶累积量自适应特征提取网络流量预测

周向军

(广东省外语艺术职业学院 信息学院，广东 广州 510507)



基于四阶累积量自适应特征提取网络流量预测

周向军

(广东省外语艺术职业学院 信息学院，广东 广州 510507)

网络流量时间序列受到复杂背景信息干扰时，预测精度不高的问题，提出一种基于四阶累积量自适应特征提取的网络流量预测算法.构建网络流量数据传输结构模型，采用四阶累积量自适应特征提取方法，实现对流量准确预测估计.仿真结果表明，采用该算法进行流量预测，流量预测输出波束的指向性较好，对旁瓣干扰抑制效果较好，说明流量预测的抗干扰能力较强，预测精度高于传统方法．

四阶累积量；特征提取；网络流量；预测算法

0 引 言

随着计算机网络信息技术的发展，大量通信信息数据以文本、图片、音视频等形式在网络空间中进行信息传递和调度.网络终端用户在下载和上传这些通信数据中，会产生流量，流量是测量网络的带宽信息和数据饱和度的重要指标，也是网络信息传输的重要载体，通过对网络流量的准确预测和调度，能有效防止网络拥堵，实现对网络的实时监控，保障网络安全，因此，研究网络流量的准确预测算法具有重要意义，也受到人们的极大重视[1-3]．

传统方法对网络流量时间序列预测和特征分析主要有基于统计网络流量时间序列处理的网络流量时间序列预测算法、基于时频特征提取的大型网络流量预测算法、基于分数阶傅里叶变换的网络流量预测算法等[1-3].网络流量表现为一种宽平稳的冲激响应特征序列，采用上述的信号检测和分析方法具有较好的预测精度，以此为基础，相关文献进行了算法改进设计研究，取得了一定的研究成果.文献[4]提出一种基于链路信息流自相关波束形成的网络流量时间序列预测算法，通过构建测距码进行网络流量时间序列解扩，实现信道识别和流量检测，通过非线性组合滤波进行干扰抑制，提高了网络流量预测精度，但是该算法计算开销较大，对流量预测的实时性不好；文献[5]提出一种基于相关匹配检测的网络流量预测算法，进行线性调频信号模型构建，经过分数阶Fourier变换后，变成一个线性调频网络流量时间序列，结合调制分量实现流量预测，取得较高的预测精度，但该算法在受到其它特征干扰时，流量预测的准确性下降；文献[6]采用最大Lyapunov指数预测算法进行流量预测，当网络流量时间序列受到复杂背景信息干扰时，预测精度不高.本文提出一种基于四阶累积量自适应特征提取的网络流量预测算法.构建大型复杂网络的流量数据传输结构模型，进行流量时间序列模型构建，对提取的流量时间序列进行信号拟合，采用四阶累积量自适应特征提取方法进行流量时间序列的特征提取，以提取的四阶累积量特征作为后置聚焦算子，实现对流量的准确预测和估计，最后通过仿真实验进行性能测试．

1 流量数据传输结构模型构建

为了实现网络流量的准确预测，采用流量时间序列分析方法，构建网络流量时间序列，该模型可以根据状态流量时间序列状态特征进行构建，通过流量演化对象结构之间的关系来计算非分类关系集合，设网络流量的时间序列的本体O=(C，I，P，Hc，R，A0)的有向标记图表示网络流量时间序列的传输结构模型为G(O)=(V，E，LV，LE，μ，η)，其中：

(1) 两组本体片段集V=C，边集E=V×V；

(2)μ:V→LV是两个本体模型作为输入的映射函数；

(3)η:E→LE是两个异构本体从边集到概念相关集的映射，通过簇首节点将数据进行转发[7-11]．

构建网络流量数据传输结构模型示意图如图1所示．

图 1 网络流量数据传输结构模型Fig.1 Structure model of network traffic data transmission

2 预测算法改进设计与实现

2.1 四阶累积量自适应特征提取

(1)

在时频空间内对流量的耦合二阶矩进行有限集合求和，在原点的k阶导数等于随机变量x的k阶累积量ck，利用分数阶Fourier变换指数相加特性，对单个随机变量x的流量时间序列按Taylor级数展开，得到概率密度函数f(x)，其网络流量时间序列的第一特征函数定义为

(2)

将上述随机变量的高阶矩和高阶累积量进行自适应特征分解，得到ck与Ψ(ω)k阶导数之间的关系为

(3)

通过对流量时间序列特征函数进行Fourier变换，在原点取得k阶累积量的最大值.此时第一特征函数Φ(ω)也叫矩生成函数，即

(4)

其中m1=E(x)=η(η为随机变量x的均值)，则随机变量x的k阶中心矩定义为

(5)

可以看出{x(n)}第k阶是平稳的.对于零均值的随机变量x，当η=0，则有网络流量时间序列的k阶中心矩与k阶原点矩等价.当网络流量时间序列x(k)=s(k)+w(k)是准平稳随机网络流量时间序列时，累积量均只有k-1个独立单元，并满足高阶累积量存在的约束函数，则四阶累积量可估计为

(6)

(7)

其中，〈g(n)〉代表对g(n)取均值，即

(8)

将上述特征提取结果作为输入向量，进行网络流量的预测改进设计．

2.2 流量预测算法改进实现

在上述四阶累积量自适应特征提取的基础上，对提取的流量时间序列进行信号拟合[14]，以提取的四阶累积量特征作为后置聚焦算子，实现对流量的准确预测和估计，改进的预测算法实现过程描述为高阶累积量对高斯噪声不敏感，通过四阶累积量后置聚焦实现对网络流量时间序列中高斯白噪声和高斯色噪声的抑制.若网络流量时间序列中的噪声项w(n)为高斯噪声，则:

(9)

若w(n)为非高斯色噪声，提取网络流量时间序列的约束指向性特征，通过多普勒调试后输出的四阶混合累积量切片算子为

(10)

则

(11)

其中，γ代表噪声过程w(n)的峰度.定义在t域中振荡数据瞬时频率求解过程为一个线性积分运算过程，假设Fα[·]为FrFT的算子符号，得到流量时间序列Kp(t，u)为FrFT的变换核：

(12)

其中，n为整数.网络流量时间序列累积量的均方一致估计输出结果为

(13)

其中，a(θi)表示两个统计独立的随机过程之和；si(t)表示各随机过程累积量的分量特征；n(t)表示噪声.将流量多维冲击函数相空间中Xm作为中心点，进行一致性估计实现流量预测，选择其最近邻点为Xk，得到流量输出的波束域约束指向形成输出的奇异值分解L=U×S×C.其中，C是正交矩阵表示流量序列的第二特征函数,即

(14)

其中，C为奇异值，且服从高斯分布N(0，σ2)，且

(15)

利用高阶矩的定义式，可以得到网络流量时间序列的高斯随机变量x的各阶矩为

(16)

对于零均值的高斯随机过程x(n)，网络流量时间序列的各阶累积量为

(17)

当加性噪声是高斯色噪声时，通过四阶累积量自适应特征提取，完全可以削弱噪声的影响，此时输出的流量预测值如下：

(18)

(19)

其中，Rx(τ)为二阶矩阵，即自相关函数.网络流量时间序列通过4阶累积量后置算子实现一致性预测和估计，在通过离散傅里叶DFRT转换输出预测结果，得到流量预测的改进实现过程如图2所示．

图 2 网络流量预测的改进实现流程Fig.2 Improvement and implementation of network traffic prediction

3 仿真实验与结果分析

为了测试本文算法在进行大型网络流量预测中的性能，进行仿真实验.仿真实验的硬件环境配置为：Windows7系统的个人PC机，2.89GHz双核Core四处理器，1GB内存.实验中采用C++和Matlab7混合编程实现网络流量预测算法的设计.假设网络流量采集来自于大型混合链路的通信网络，设置链路容量为12Mbit/s；取流量采样过程中的噪声谱峰ρ=0.97；中心频率为16kHz；流量时间序列采样延时为12ms；网络流量采样的信息样本数为1 024；离散采样率为fs=10f0Hz=10kHz；带宽B=1 000Hz，根据上述仿真环境和参数设定，进行流量预测仿真，得到网络流量原始采样时域波形如图3所示．

以上述采样的流量样本为测试对象，选取信噪比为-30～0dB，进行流量预测，对提取的流量时间序列进行信号拟合，提取网络流量时间序列的四阶累积量自适应特征，得到提取结果如图4所示，以提取的四阶累积量特征作为后置聚焦算子，进行干扰抑制，得到干扰抑制后的输出如图5所示．

图 3 网络流量原始采样时域波形 图 4 网络流量时间序列的四阶累积量 自适应特征提取Fig.3 Time domain waveform of accumulation of network traffic Fig.4 Adaptive feature extraction of four order network traffic time series

图 5 干扰抑制后的流量特征输出 图 6 预测性能对比Fig.5 Traffic characteristic output after interference suppression Fig.6 Prediction performance comparison

由图5可知，采用本文算法进行流量预测，通过四阶累积量切片算法进行后置聚焦，提高了流量预测输出的波束指向性，对旁瓣干扰抑制效果较好，流量预测精度高，为了对比算法性能，采用本文算法和传统方法，以流量预测的精度为测试指标，采用10 000次蒙特卡洛实验，得到性能测试曲线对比，结果如图6所示.由图6可知，采用本文算法进行网络流量预测，精度高于传统算法，且抗干扰性能较强．

4 结束语

通过对网络流量的准确预测和调度能有效防止网络拥堵，实现对网络的实时监控，本文提出一种基于四阶累积量自适应特征提取的网络流量预测算法.首先分析了大型复杂网络的流量数据传输结构模型，进行流量的时间序列模型构建，对提取的流量时间序列进行信号拟合，采用四阶累积量自适应特征提取方法进行流量时间序列的特征提取，将提取的四阶累积量特征作为后置聚焦算子，实现对流量的准确预测和估计.仿真结果表明，采用该算法进行网络流量预测的精度较高，抗干扰性能较好，预测效果优于传统方法．

[1] 陆兴华，陈平华. 基于定量递归联合熵特征重构的缓冲区流量预测算法[J]. 计算机科学，2015，42(4):68-71．

LUXinghua，CHENPinghua.Trafficpredictionalgorithminbufferbasedonrecurrencequantificationunionentropyfeaturereconstruction[J].ComputerScience，2015，42(4):68-71．

[2] 芮兰兰，李钦铭. 基于组合模型的短时交通流量预测算法[J]. 电子与信息学报，2016，38(5):1227-1233．

RUILanlan，LIQinming.Shorttermtrafficflowpredictionalgorithmbasedoncombinedmodel[J].JournalofElectronics&InformationTechnology，2016，38(5):1227-1233．

[3]TCHRAKIANTT，BASUB，MAHONYM.Real-timetrafficflowforecastingusingspectralanalysis[J].IEEETransactionsonIntelligentTransportationSystems，2012，13(2):519-526．

[4]CHANKY，DILLONTS，SINGHJ，etal.Neuralnetworkbasedmodelsforshorttermtrafficflowforecastingusingahybridexponentialsmoothingandlevenbergmarquardtalgorithm[J].IEEETransactionsonIntelligentTransportationSystems，2012，13(2):644-654．

[5]BAESH，YOONKJ.Robustonlinemultiobjecttrackingwithdataassociationandtrackmanagement[J].IEEETransactionsonImageProcessing，2014，23(7):2820-2833．

[6]JIANGX，HARISHANK，THAMARASAR，etal.Integratedtrackinitializationandmaintenanceinheavyclutterusingprobabilisticdataassociation[J].SignalProcessing，2014，94：241-250．

[7]LIL，XIEW.Intuitionisticfuzzyjointprobabilisticdataassociationfilteranditsapplicationtomultitargettracking[J].SignalProcessing，2014，9(6):433-444．

[8] 王跃飞，于炯，鲁亮. 面向内存云的数据块索引方法[J]. 计算机应用，2016，36(5):1222-1227．

WANGYuefei，YUJiong，LULiang.Strategyforobjectindexbasedonramcloud[J].JournalofComputerApplications，2016，36(5):1222-1227．

[9]LIUH，DINGZG，FANPZ，etal.Precodingdesignforinterferencesuppressioninmulticellmulti-usernetworks[J].IETCommunications，2014，8(9):1534-1540．

[10]RATHEESHM，DAVIDMJ.Systemlevelperformanceofinterferencealignment[J].IEEETransactionsonWirelessCommunications，2015，14(2):1060-1070．

[11] 吴志军，李光，岳猛. 基于信号互相关的低速率拒绝服务攻击检测方法[J]. 电子学报，2014，42(9):1760-1766．

WUZhijun，LIGuang，YUEMeng.DetectinglowrateDoSattacksbasedonsignalcrosscorrelation[J].ChineseJournalofElectronics，2014，42(9):1760-1766．

[12] 余晓东，雷英杰，岳韶华，等. 基于粒子群优化的直觉模糊核聚类算法研究[J]. 通信学报，2015，12(5):20-99．

YUXiaodong，LEIYingjie，YUEShaohua，etal.ResearchonPSObasedintuitionisticfuzzykernelclusteringalgorithm[J].JournalofCommunication，2015，12(5):20-99．

[13] 孙超，杨春曦，范莎，等. 能量高效的无线传感器网络分布式分簇一致性滤波算法[J]. 信息与控制，2015，44(3):379-384．

SUNChao，YANGChunxi，FANSha，etal.Energyefficientdistributedclusteringconsensusfilteringalgorithmforwirelesssensornetworks[J].InformationandControl，2015，44(3):379-384．

[14] 贺孟. 基于FPGA的多通道流量控制研究与实现[J]. 电子设计工程，2015，12(6):165-168．

HEMeng.ResearchandimplementationofmultiplechannelflowcontrolbasedonFPGA[J].ElectronicDesignEngineering，2015，12(6):165-168．

编辑、校对：武 晖

Network traffic prediction based on four order adaptive feature extraction

ZHOU Xiangjun

(School Information Technology， Guangdong Teachers College of Foreign Language and Arts， Guangzhou 510507，China)

The network time series is interfered by complex background information,and thus the forecasting is not precise, a network traffic prediction algorithm is thus proposed based on adaptive feature fourth-order cumulant, to make the model of network traffic data transmission structure,to use method of fourth-order cumulant adaptive feature extraction,and to realize accurate prediction and consistency estimates for flow . The simulation results show that traffic prediction, traffic prediction output beam directivity is better; sidelobe interference inhibition effect is desirable traffic prediction has strong anti-jamming capability; prediction precision is higher than that of traditional methods.

four order accumulation; feature extraction; network traffic; prediction algorithm

1674-649X(2016)04-0510-06

10.13338/j.issn.1674-649x.2016.04.018

2016-03-13

广东省高等职业教育教学改革项目(20120201042)

周向军(1971—)，男，广东省汕头市人，广东省外语艺术职业学院副教授，研究方向为计算机网络、数据库、计算机多媒体.E-mail: zhouxj@gtcfla.net

周向军.基于四阶累积量自适应特征提取网络流量预测[J].西安工程大学学报，2016，30(4)：510-515.

ZHOU Xiangjun.Network traffic prediction based on four order adaptive feature extraction[J].Journal of Xi′an Polytechnic University,2016，30(4)：510-515.

TP 393

A