基于小波神经网络的网络流量预测研究

李欣+孙珊珊

摘 要： 主要采用小波神经网络的相关理论和方法对某小区网络的访问流量情况进行建模和预测。利用收集到的网络流量变化情况作为小波网络的训练样本，成功实现了该网络的流量预测。试验仿真结果表明，构建的小波神经网络模型可以很好地实现对网络流量的高精度预测。

关键词： 小波神经网络； 网络流量； 预测研究； 训练样本

中图分类号： TN711?34 文献标识码： A 文章编号： 1004?373X（2016）23?0098?02

Research on network traffic prediction based on wavelet neural network

LI Xin， SUN Shanshan

（College of Information Engineering， Suihua University， Suihua 152000， China）

Abstract： The relevant theory and method of wavelet neural network are used to establish and predict the network traffic situation of a certain uptown. The acquired network traffic change situation is used as the training sample of the wavelet network to realize the traffic prediction of the network. The simulation results show that the constructed wavelet neural network model has high precision to predict the network traffic.

Keywords： wavelet neural network； network traffic； prediction research； training sample

0 引 言

随着互联网规模的不断增大以及各种网络“新应用”、“新服务”的不断涌现，网络信息变得越来越庞大和多变，对网络访问流量进行精确地预测从而实现对网络运行状态的有效管理，已经逐步成为目前的一个研究热点。网络流量预测是实现网络控制、网络规划，保证网络安全以及提高网络服务质量的重要前提。

网络流量具有自相似性、长相关性和多重分形性等复杂性质，对其进行精确地预测一直以来都是一个难点。目前，常见的网络流量预测方法主要有自回归分析法、马尔科夫分析法、分形布朗运动分析法和神经网络分析法。与前面三种传统方法相比，利用神经网络对网络流量进行预测具有预测精度高、方法简单、泛化性强和稳定性好的特点，正在逐步成为网络流量预测研究中的主流方法。

文献[1]根据网络流量的变化特征，基于BP神经网络提出了一个P2P网络流量预测模型，实现了网络流量的较高精度预测。文献[2]结合小波变换和人工神经网络的优势，建立一种网络流量预测的小波神经网络模型，通过将流量时间序列进行小波分解，获得了网络的训练和验证样本，试验表明采用这种方法进行流量预测，要比直接采用神经网络对样本进行预测的精度高。文献[3]根据网络流量自身的特征，研究了BP神经网络和小波神经网络在校园流量预测中的应用，其所建立的模型，经仿真验证证明，可以较好地预测学校网络的流量变化情况，可以为校园网络的规划和管理提供一定参考。

小波神经网络是一种以BP神经网络拓扑结构为基础，把小波基函数作为隐含节点的传递函数，其拓扑结构如图1所示。它类似于BP神经网络权值修正算法，采用梯度修正法修正网络的权值和小波基函数参数，从而使小波神经网络预测输出不断逼近期望输出[4?5]。

采用小波神经网络进行网络流量预测的基本流程如图2所示。

1 网络流量预测

1.1 试验数据来源

采用网络流量监测软件对某小区的网络流量进行实时采集，得到了该小区5天内的网络流量数据，每隔15 min记录一次该时间段内的网络流量值，一共获得了480个时间点的数据。用4天共384个网络流量的数据训练小波网络，最后用训练好的小波神经网络预测第5天的网络流量。为了避免局部数值偏移造成的误差，本文采用编组的方式提高模型预测精度，用前三个时间点的网络流量来综合预测后一个时间点的网络流量情况[6?7]。

图1 小波神经网络的拓扑结构

图2 小波神经网络进行预测的流程图

1.2 构建小波神经网络模型

本文采用的小波基函数为Mexican Hat小波基函数，其表达式为：

[ψ（t）=（1-t2）e-t22ψ（ω）=2πω2e-ω22]

函数的时域和频域波形图如图3所示[7?8]。

图3 Mexican Hat函数的时域和频域特征

本文采用的小波神经网络结构为3?5?1；输入层有3个节点，表示预测时间节点前3个时间节点的网络流量；隐含层有5个节点；输入层有1个节点，为预测的网络流量。设置网络预期误差值为[1×10-2，]将训练数据输入到Matlab软件中进行训练，训练过程中小波神经网络的误差变换情况如图4所示。由图4可知，该小波神经网络经过58步运算后收敛到预定精度要求。

用训练好的小波神经网络对该小区内第五天的网络流量情况进行预测，预测结果与交通流量的实际值比较如图5所示。在图5中，加“*”曲线对应预测数据，加“[○]”曲线对应实际数据，可以看到小波神经网络可以较好地预测网络流量。

为了进一步分析仿真结果，采用绝对值误差均值（MAE）和绝对百分比误差均值（MAPE）两个指标进行评价分析，其中MAE和MAPE分别用下式计算[9]：

[MAE=1ni=1nxi-xiMAPE=1ni=1nxi-xixi×100%]

式中：[xi]表示模型的预测值；[xi]表示模型预测值的算术平均值；[n]为样本数。

小波神经网络的MAE和MAPE值如表1所示。

从表1可以看出，本文构建的小波神经网络的MAE值在3.36 GB左右，而MAPE值小于0.1，说明该预测模型可以较好地预测网络流量的变化情况，反应该小区的流量信息变化，为小区网络的规划和管理提供可靠的依据。

2 结 论

本文在网络流量的预测研究中引入了小波神经网络模型，利用收集到的某小区5天内的网络流量变化数据作为训练和测试样本对构建的小波神经网络进行训练和测试研究。试验结果表明，本文构建的小波神经网络具有较高的预测精度，可以对该小区网络的流量变化情况进行较高精度的预测。

参考文献

[1] 韩志杰，王汝传.一种新的 P2P 网络流量预测模型[J].计算机科学，2008（9）：39?14.

[2] 雷霆，余镇危.一种网络流量预测的小波神经网络模型[J].计算机应用，2006（3）：526?528.

[3] 张昕.校园网络流量分析与预测研究[D].西安：西安电子科技大学，2012.

[4] 王鸣，孙奕鸣.小波支持向量机的网络流量预测研究[J].计算机仿真，2012，29（11）：198?201.

[5] ZHANG Li， ZHOU Weida， JIAO Licheng. Wavelet support vector machine [J]. IEEE transactions on systems， man， and cybernetics， 2004， 34（1）： 34?39.

[6] 邓远.BP神经网络评价方法在交通流量评价方面的应用[J].中国交通，2011，35（5）：146?151.

[7] 李远航.网络流量预测技术的应用[J].计算机工程应用研究，2014，34（1）：131?138.

[8] 李目，何怡刚，周少武，等.一种差分进化算法优化小波神经网络及其在弱信号检测中的应用[J].计算机应用与软件，2010，27（3）：29?31.

[9] 姚奇富，李翠风，马华林，等.灰色系统理论和马尔柯夫链相结合的网络流量预测方法[J].浙江大学学报（理学版），2007，34（4）：396?400.