粒子群算法优化支持向量机的网络流量混沌预测

刘昆

关键词： 粒子群算法优化; 支持向量机; 网络流量; 混沌预测; 平均绝对误差; 蚁群算法

中图分类号： TN711?34; TP393                  文献标识码： A                    文章编号： 1004?373X（2019）02?0120?04

Chaotic prediction of network traffic based on particle swarm algorithm

optimization and support vector machine

LIU Kun

（Xuhai College， China University of Mining & Technology， Xuzhou 221008， China）

Abstract： In allusion to the large average prediction absolute errors existing in traditional network traffic prediction methods， a network traffic chaotic prediction method based on particle swarm algorithm optimization and support vector machine （SVM） is proposed. The particle swarm algorithm is used to optimize the SVM method. The optimized SVM method is used to conduct chaotic prediction of network traffic. The prediction results show that the average prediction absolute error value of the improved prediction method is respectively 65.3% and 34.3% lower than that of the FCM?LSSVM network traffic prediction method and Morlet?SVR and ARIMA combined prediction method， which indicates that the improved prediction method has a certain advantage.

Keywords： particle swarm algorithm optimization; support vector machine; network traffic; chaotic prediction; average absolute error; ant colony algorithm

网络性能解析与网络规划设计的根本即为网络流量模型的构建。网络流量模型的准确与否对设计高性能网络协议、高性能的网络设备、高效网络拓扑结构、流量预测与网络规划、拥塞控制与负载均衡等都具有关键作用[1]。信息技术快速发展，对于网络的使用普遍增加，为人们的工作及生活带来了众多便利以及各方面的双重享受[2]。同时，随着政府机关和企事业单位信息化程度的加深，网络信息的传输、处理及储存的性能好坏在很大程度上对核心竞争力造成了影响。然而黑客技术的发展与网络技术发展速度相近，使得网络安全事件频繁出现，导致网络安全问题突出，而对网络流量的预测是预防网络安全的关键技术[3]。对此，提出基于粒子群算法优化支持向量机的网络流量混沌预测方法，并进行实验分析。实验结果表明，采用改进预测方法的平均绝对误差较低，具有一定的优势。

1  基础分析

1.1  粒子群算法原理

粒子群优化算法即为对觅食鸟群进行寻优处理的一種算法，其中每一只“鸟”表示一个粒子，鸟群所寻找的“食物”就是所求的最优解[4]。

采用粒子群优化算法对一群随机粒子进行初始化处理，粒子i的位置表示为D维向量[xi=x1，x2，…，xn]，粒子运行速度为[vi=v1，v2，…，vn]。每一个粒子所在区域即为一个预定解。把[xi]转入到目标函数中，计算得到其适应值，依据适应值的大小对其优劣进行区分[5]。在每一次迭代中，粒子通过搜寻两个解对自己所在区域和速度进行优化：一个是粒子自身所在最佳区域，记作Pbest;另一个是整体粒子群目前为止搜寻的最优解，即为Gbest。粒子群优化算法具体流程图如图1所示。

1.2  支持向量机算法

采用支持向量机对网络流量进行预测时，存在回归领域过大，预测不准的问题，即支持向量机回归。对此在非线性环境下，采用支持向量机函数进行拟合处理，拟合时要采用线性回归函数[fx=ω?x+b]拟合[xi，yi]，[i=1，2，…，n]，[xi∈Rn]当作输入量，[yi∈R]为输出量，即需要确定[ω]和[b]。在采用支持向量机进行网络流量预测时，其惩罚函数是影响预测结果的重要因素，也是支持向量机中一个重要的概念。现有的方法经常需要在优化模型前对该函数进行选定，对不同的优化问题选取不同的损失函数，因此即使是同一个优化问题的损失函数也会形成不一样的模型[6?7]。算法泛化能力的大小，会影响对网络流量的预测准确率。对此在支持向量机复杂程度及错分样本间选取一个平均值作为惩罚因子，增强该算法的泛化程度。当流经网络输入层时，若惩罚因子过小，则超出样本的惩罚度较小，样本训练误差较大，泛化能力较低[8?9]，错误预测率较高;反之，若惩罚因子太大，则算法的学习精度较低，泛化能力不高。因此，要选取最适合优化模型的惩罚因子，才可保证网络流量预测的稳定性及高效性[10]。支持向量机的结构示意图如图2所示。

由图2可知，在支持向量机的运行过程中，需要选取核函数把非线性的输入值映射到高维特征空间中，且核函数要满足其定理特征。

2  网络流量混沌预测分析

2.1  粒子群优化支持向量机算法

粒子群优化支持向量机的具体流程图如图3所示。

标准粒子群优化算法详细步骤：

1） 初始化粒子群，设定各类参数，确定群体规模、维度迭代次数和粒子速度区域搜索空间的上下界限，随机形成每个粒子所在区域和速度，设目前位置是每个粒子的初始位置[11]，从中选取出全局最优极值，并标记其最优值序号及位置。

2） 评价每个粒子，并根据定义的适应度函数，计算每个粒子的适应值。

3） 个体极值更新。在此步骤中，将每个粒子的适应值与个体极值的最优值进行对比，若适应值较高，则把当前粒子位置当作最优位置，对个体极值进行更新。

4） 如果每个粒子个体最优值中最佳位置是目前全局的极值，那么把个体极值规定成最优位置，更新全局极值与粒子序号。

5） 更新粒子状态。分别对粒子的位置和速度进行更新。当目前粒子速度大于最大值时，选取最大速度值，当前粒子速度小于最小速度值时，选取最小值。

6） 检验是否可以终止。如满足终止条件，则输出解;反之，返回步骤2）继续进行寻优。

终止条件可通过实际问题进行设定，目前常选择最大迭代次数来确定最佳位置的最小阈值，也可通过搜索粒子群的最佳位置来确定最小适应阈值。

2.2  网络流量混沌预测

由于网络流量预测方法引入附加参数较多，采用算法过程中需要加入大量的随机操作，使得预测方法无法依据算法的优化水平对解空间的变化做出对应调整，缺乏动态性。对此采用上述提出的粒子群算法优化支持向量机法，结合混沌理论对网络流量进行预测。经过把搜索进程相应的混沌轨迹进行遍历，可预防搜索过程中出现局部最优的现象，同时，保持算法的全部寻优能力，依据最优解空间与算法目前的运行次数，动态地收缩搜索区域，提高网络流量混沌预测精度，其预测流程如下：

1） 通过对权值及阈值等参数进行编码处理，建立粒子与参数之间的映射联系;

2） 采用粒子群优化支持向量机方法确定粒子迭代次数及最优粒子位置;

3） 采用线性递减策略确定惯性权重;

4） 调整选取学习因子，求出网络流量的混沌时间序列，确定迭代次数及收缩因子界限;

5） 根据以上设置结果，确定适应度函数，计算混沌变量，并对最新解进行评价;

6） 调整最优参数，得到较优的参数，将多个值输入到网络，输出值即为该点网络流量预测值。

3  实验结果分析

3.1  实验软硬件环境设计

实验过程总采用Intel奔腾双核CPU，4.00 GB内存，500 GB硬盘的计算机，其操作系统使用Microsoft Windows 8 旗舰版。使用Matlab R2017b在Version 7.11.0.584 32 bit（WIN 32）下进行实验分析。

3.2  实验性能指标

实验过程中采用平均绝对误差MAE为评价指标來评价实验的预测结果，在实验中，平均绝对误差MAE的值越小，则预测精度就越高。

[MAE=1ni=1nxi-x′i]

式中：[xi]为实际值;[x′i]为预测值;[n]为样本数。

3.3  平均绝对误差验证

在验证过程中，采用改进预测方法与FCM?LSSVM网络流量预测方法、Morlet?SVR和ARIMA组合预测方法为对比进行实验分析，实验结果如图4所示。

由图4可知，采用FCM?LSSVM网络流量预测方法时，其随着预测时间的增加而发生上下剧烈浮动的现象，且平均绝对误差值多次达到100%，只有少数情况下其平均绝对误差值达到了0，整体平均绝对误差值约为78%。采用Morlet?SVR和ARIMA组合预测方法时，其平均绝对误差值虽然出现多次波动，但波动幅度较小，且整体平均绝对误差值约为47%。采用改进预测方法时，其预测过程中出现的平均绝对误差较小，约为12.7%，且较为稳定，相比FCM?LSSVM网络流量预测方法及Morlet?SVR和ARIMA组合预测方法分别降低了65.3%，34.3%，具有一定的优势。

4  结  论

传统方法在进行网络流量预测时，存在预测平均绝对误差较大的问题，为此提出基于粒子群算法优化支持向量机的网络流量混沌预测方法。该方法分别分析已有粒子群算法与支持向量机方法，并采用粒子群算法对支持向量机方法进行优化，进而实现网络流量的混沌预测。预测结果表明，改进预测方法的平均绝对误差值远远低于FCM?LSSVM网络流量预测方法、Morlet?SVR和ARIMA组合预测方法，具有一定的优势。

参考文献

[1] 林智华，高文，吴春明，等.基于离散粒子群算法的数据中心网络流量调度研究[J].电子学报，2016，44（9）：2197?2202.

LIN Zhihua， GAO Wen， WU Chunming， et al. Data center network flow scheduling based on DPSO algorithm [J]. Acta Electronica Sinica， 2016， 44（9）： 2197?2202.

[2] 耿越.基于混沌粒子群神经网络的瓦斯浓度预测[J].中国煤炭，2017，43（3）：124?129.

GENG Yue. Chaotic PSO?RBFNN in coal mine gas concentration prediction [J]. China coal， 2017， 43（3）： 124?129.

[3] 张宏立，李瑞国，范文慧，等.基于量子粒子群的全参数连分式混沌时间序列预测[J].控制与决策，2016，31（1）：52?58.

ZHANG Hongli， LI Ruiguo， FAN Wenhui， et al. Chaotic time series prediction of full?parameters continued fraction based on quantum particle swarm optimization algorithm [J]. Control and decision， 2016， 31（1）： 52?58.

[4] 杨景明，陈伟明，车海军，等.基于粒子群算法优化支持向量机的铝热连轧机轧制力预报[J].计量学报，2016，37（1）：71?74.

YANG Jingming， CHEN Weiming， CHE Haijun， et al. Rolling force prediction based on support vectors machine with particle swam optimization [J]. Acta Metrologica Sinica， 2016， 37（1）： 71?74.

[5] 张进，丁胜，李波.改进的基于粒子群优化的支持向量机特征选择和参数联合优化算法[J].计算机应用，2016，36（5）：1330?1335.

ZHANG Jin， DING Sheng， LI Bo. Improved particle swarm optimization algorithm for support vector machine feature selection and optimization of parameters [J]. Journal of computer applications， 2016， 36（5）： 1330?1335.

[6] 王振武，孙佳骏，尹成峰.改进粒子群算法优化的支持向量机及其应用[J].哈尔滨工程大学学报，2016，37（12）：1728?1733.

WANG Zhenwu， SUN Jiajun， YIN Chengfeng. A support vector machine based on an improved particle swarm optimization algorithm and its application [J]. Journal of Harbin Engineering University， 2016， 37（12）： 1728?1733.

[7] 方一鸣，郑贺军，刘乐，等.基于模拟退火粒子群算法优化支持向量机参数的连铸漏钢预报[J].中国机械工程，2017，28（12）：1462?1467.

FANG Yiming， ZHENG Hejun， LIU Le， et al. Breakout prediction for continuous casting based on SA?PSO to optimize parameters of SVM [J]. China mechanical engineering， 2017， 28（12）： 1462?1467.

[8] 汪华斌，卢自立，邱杰汉，等.基于粒子群算法优化支持向量机的岩爆预测研究[J].地下空间与工程学报，2017，13（2）：364?369.

WANG Huabin， LU Zili， QIU Jiehan， et al. Prediction of rock burst by improved particle swam optimization?based support vector machine [J]. Chinese journal of underground space and engineering， 2017， 13（2）： 364?369.

[9] 殷荣网.基于FCM?LSSVM网络流量预测模型[J].计算机工程与应用，2016，52（1）：105?109.

YIN Rongwang. Network traffic predicting model based on FCM?LSSVM [J]. Computer engineering and applications， 2016， 52（1）： 105?109.

[10] 赵建龙，曲桦，赵季红，等.基于Morlet?SVR和ARIMA组合模型的网络流量预测[J].北京邮电大学学报，2016，39（2）：53?57.

ZHAO Jianlong， QU Hua， ZHAO Jihong， et al. A comprehensive forecasting model for network traffic based on Morlet?SVR and ARIMA [J]. Journal of Beijing University of Posts and Telecommunications， 2016， 39（2）： 53?57.

[11] 谭跃，谭冠政，邓曙光.基于遗传交叉和多混沌策略改进的粒子群优化算法[J].计算机应用研究，2016，33（12）：3643?3647.

TAN Yue， TAN Guanzheng， DENG Shuguang. Improved particle swarm optimization algorithm based on genetic crossover and multi?chaotic strategies [J]. Application research of computers， 2016， 33（12）： 3643?3647.