自相似流量的小波神经网络预测模型研究

于雅芮 刘立士

摘  要：随着计算机网络体系规模的不断扩大，降低网络性能的影响因素也日益增多。由于网络流量的突发性会增加对网络性能的影响，该文针对网络流量的自相似特性和可预测性，提出了一种自相似流量的小波神经网络预测模型。此模型通过对已知的网络流量数据进行训练，得到预测流量，完成对自相似流量的可预测性的验证，最后对预测模型的性能做出评价。与传统的线性模型相比，自相似流量的小波神经网络模型在仿真过程中表现出预测的精确程度高、逼近最优值的速度快的优点。

关键词：神经网络  自相似  流量预测

中图分类号：TN915.06                            文献标识码：A                        文章编号：1672-3791（2019）06（a）-0009-02

随着人们对网络性能的要求越来越高，网络拥塞问题也逐渐被重视起来，故针对提高网络性能的技术的应用也变得尤为重要。大量研究表明，由于网络流量具有自相似性以及可预测性，所以利用一种自相似流量的预测模型对网络流量进行仿真预测实验，就可以根据仿真结果对即将到达的流量进行实时监控，减小网络流量的突发性对整体网络环境的影响，这将有效提升网络的性能。

1  自相似流量的特性及预测模型

自相似性在统计意义上可以看作是空间尺度和時间尺度都不变的特性，而网络流量的自相似性表现为从整体中抽取的局部特征与整体特征相似，一部分特征与其他部分特征相似[1]。由于传统线性预测模型在网络流量的突发性方面具有一定的弊端，会造成预测结果不理想。因此，该文建立了以小波神经网络为核心的自相似流量预测模型，从而减小网络流量的突发性对预测流量造成的误差。

2  小波神经网络原理及预测模型

2.1 小波神经网络原理

神经网络的主要原理是求出输出层的实验仿真输出Y与理论输出X之间的误差Z，再将误差Z反向传播，获得每个节点的偏差，继续调整模型参数的取值，当每个节点的偏差都满足预设误差要求时，即完成网络的学习过程。

该文建立的小波神经网络预测模型采用具有全尺度分析能力的小波函数代替神经元激活函数[2]。此模型将小波函数设定为Morlet小波函数，其表达式如公式（1）所示。

2.2 建立网络流量预测模型

建立预测模型的基本流程如下。

第一，选择合适的神经网络拓扑结构并确定隐含层的节点数和小波函数的尺度参数和平移参数[3]。

第二，获取实验仿真数据。将ON/OFF模型产生的数据分为训练集和测试集两个部分。由于自相似流量的突发性，在产生数据时要进行多次仿真，最后从中选择出较稳定的数据。

第三，训练模型。将训练集的流量数据输入模型中，根据得到的误差不断调整模型的各项参数，直到误差减小到预设目标，即完成模型的训练。

第四，将测试集的自相似流量数据包输入到已训练好的模型中，得到预测自相似流量，重复进行仿真，获取误差最小的预测仿真结果并与实际的自相似流量进行对比，分析模型预测的结果。由于平均绝对误差函数（Mean Absolute Error，MAE）可以较好地反映预测数据包个数与实际包数的绝对误差平均值的情况，所以该文选择MAE来评价小波神经网络预测模型的性能，其函数表达式如公式（2）所示。

3  仿真验证与分析

该文所采用的自相似流量预测数据集由ON/OFF源到达模型产生。在Matlab仿真软件中，按照上述模型的分析情况确定参数，并进行仿真。各项参数设置如下：产生自相似流量的信源到达过程服从Poisson分布，信源到达率参数设定为=0.5，信源时间间隔服从指数分布，到达率参数设定为μ=2，信源持续周期相互独立且服从Pareto分布gprnd（X，K，，），其中X=0.01，K=1.5，==1，数据包发送速率R=10（个/s）。

仿真结果如图1、图2所示。其中，图1为ON/OFF源到达模型产生的数据包仿真图，图2为利用小波神经网络模型对ON/OFF源到达模型产生的自相似流量进行预测得到的对比图。

如图1和图2所示，在时间点分别为2s、15s、60s、90s时，源到达模型产生的数据包数为：180个、160个、100个、150个。经过小波神经网络模型预测得到的数据包数为：125个、130个、105个、150个，在2s时产生数据包个数的相对误差为30.6%，在15s时产生数据包个数的相对误差为18.8%，在其余时间点的相对误差均小于以上两点的值。该文利用平均绝对误差函数作为误差分析的指标，由仿真得到预测值的绝对误差的平均值MAE=4.39，因此，此小波神经网络模型的预测结果误差小于预设误差目标MAE=8，预测值误差较小。而在时间点为80s时，出现较大误差是由于在利用偏差更新神经网络权重因子时会产生负数，导致最后收敛时的输出为负数。综上所述，小波神经网络预测模型可以在网络流量突发性存在的情况下完成网络流量的预测。

4  结语

该文基于网络流量的自相似性，建立以神经网络为核心的自相似流量预测模型，完成仿真分析过程。为达到误差设定值，不断重复修改此预测模型参数，最终确定了此模型的各项参数值，实验仿真过程在Matlab平台上完成，仿真结果证明了自相似流量的可预测性。

参考文献

[1] 耿传鑫.基于自相似流量预测的AOS拥塞控制技术研究[D].沈阳理工大学，2019.

[2] 黄恩洲.基于遗传-小波神经网络的短时交通量预测[J].海南大学学报：自然科学版，2014，32（1）：55-59.

[3] 姚莹.基于小波过程神经网络的短期风速预测方法研究[D].合肥工业大学，2013.