遗传算法优化BP神经网络实现自相似流量预测

沈阳理工大学 刘英娜 沈阳开放大学 李琳琳 沈阳理工大学 刘立士

近年来计算机网络技术在飞速的进步和发展，互联网越来越受人们依赖，网络拥塞现象也越来越严重，网络拥塞会降低网络的传输性能，进而导致传输时延增多、数据的丢失、以及吞吐量减少等问题，因此，为了保证信息传输的效率和准确度，以及为信息提供更加安全的传输环境，解决网络拥塞问题是必然的。

网络流量具有自相似性，根据此特性，本文建立了遗传算法优化BP神经网络的模型来对自相似流量进行预测，以解决网络拥塞的问题，提高网络性能。但BP神经网络对于自相似流量的预测具有一定的局限性，且收敛速度随着网络训练样本数的提高而降低，针对这一问题，引入遗传算法，遗传算法具有很好的寻优能力，可对BP神经网络进行优化处理，通过对自相似流量的训练和测试来达到对其预测的目的。通过对比和分析，遗传算法进行优化后的BP神经网络流量预测模型具有更高的精确性和更强的适应性。将流量预测结果引入队列管理算法中，根据自相似流量的预测结果对网络进行合理的规划，可达到缓解网络拥塞的目的，进而使网络的传输速率提高。

1 自相似流量的特性及预测模型

自相似性指整体与其局部在结构形态上相似。网络流量的自相似性在1994年首次被提出，之后有大量学者对其进行研究。研究发现，不管网络是哪种服务类型，不管其拓扑结构如何，都可以在网络流量中检测到自相似性。根据网络流量的这个特征，本文建立一种遗传算法优化BP神经网络的模型，来对自相似流量进行流量预测，自相似流量通过ON/OFF模型产生后，保存其数据集作为数据样本，以作为流量预测的参照数据，之后利用遗传算法和BP神经网络对数据集进行训练和测试，可以达到自相似流量预测的目的，以缓解网络拥塞现象。

2 遗传算法及BP神经网络介绍

BP(Back Propagation)神经网络属于前馈神经网络，依据误差的逆向传播进行训练。其隐含层节点的输出满足公式：

输出层节点的输出满足公式：

其中，f表示非线形函数，q表示神经元的阈值。

但单一的BP神经网络预测精度不高、预测速度不快，不能很好的对网络流量进行预测。因此引入遗传算法。遗传算法主要解决优化问题，其核心思想就是“优胜劣汰”，通过一代代的繁衍，筛选掉差的个体留下好的个体。将遗传算法的选择、交叉、变异等操作与BP神经网络有机的结合起来可对网络流量进行训练，进而达到对网络流量进行精准预测的目的。

建立模型：

（1）选择具有Pareto分布的ON/OFF源叠加模型产生自相似流量，获取并保存该数据集作为数据样本。

（2）确定BP神经网络的输入节点、隐形节点、输出节点的个数以及迭代次数，对权值、节点数、阈值进行初始化设置，并对这些初始值进行编码。

（3）利用遗传算法，对上述编码所得的数值进行选择、交叉、变异训练。

（4）如果训练得到的解可以使适应度函数值达到最大，则进行下一步；否则，返回上一步。

（5）获得最佳的权值和阈值，并计算最优网络状态下的权值和阈值的误差。

（6）若误差满足预设条件则终止训练；否则返回上一步。

3 仿真与分析

首先，通过具有Pareto分布的ON/OFF叠加模型产生自相似流量的预测数据集，通过Matlab进行仿真分析。ON/OFF模型参数设置为：信源数服从Poisson分布，Lambda设为0.2；持续时间服从Pareto分布，其形状参数K= 0.2，尺度参数σ= 1.5，位置参数θ= 1发包速率R= 45(packet/s)。获取并保存产生包数的数据集作为流量预测的数据样本。输入节点为2，隐形节点为6，输出节点为2。种群数设为50，进化数设为100。训练次数5000次，收敛误差为0.00001。选取ON/OFF模型产生的前150个数据包进行训练，选取第151-250共100个数据包进行测试。分别对不加入遗传算法和遗传算法优化后的BP神经网络预测模型进行多次仿真比较，最终获得了普遍又精准的仿真结果。

仿真结果如下图所示。其中，图1为遗传算法优化BP神经网络的预测流量和实际流量图，在图中任意选取6个坐标点作为对比参照点，这6个坐标值分别为14s、18s、29s、45s、68s、91s，其对应的数据包预测值分别为152、417.4、238.2、89.55、174.4、1 8 2，其对应的实际值分别为150、420、240、90、180、1 8 0。经计算，绝对平均误差MAE=1.1924，小于预设误差值2。均方误差MSE=1.8909，标准均方误差NMSE=4.1319e-4，误差较小，符合预期效果。图2为遗传算法优化的BP神经网络进行流量预测所得的预测流量与实际流量对比图，由图可看出实际折线图与预测折线图在大体上是一致的，说明仿真试验取得了很好的结果。图3为不加入遗传算法的BP神经网络流量预测的预测值和实际值对比图，由图可看出，预测值和实际值相差较大，经计算其绝对平均误差MAE=27.9666，预测精度较低。通过对两种模型的实验结果进行对比分析，得出结论为采用遗传算法优化的BP神经网络模型在自相似流量预测上具有更高的精确性，能够更好的完成自相似流量预测。

图1 遗传算法优化BP神经网络预测流量和实际流量

图2 加入遗传算法后的预测值和实际值对比图

图3 不加入遗传算法的预测值和实际值对比图

结论：本文根据网络流量的自相似特性，利用遗传算法优化BP神经网络模型对自相似流量进行了流量预测，通过对该模型各项参数的不断尝试与修改，最终确定了参数值并进行了多次仿真与分析。仿真结果证明了遗传算法优化的BP神经网络模型对自相似流量具有良好的预测效果。将此模型引入队列管理算法中，可很好的解决网络拥塞的问题，进而提高了网络的利用效率和服务质量。