基于包络特征的网络流量预测阈值调控算法

对网络流量序列的准确预测的基础是进行流量判决门限阈值的合理调控,为了提高网络流量预测的精度,进行阈值调控优化设计。传统方法采用流量序列调频估计的方法进行阈值调控,算法不能准确估计流量序列的包络特征,预测精度不好。提出一种基于包络特征的网络流量预测阈值调控算法。通过不同类型的网络设备进行流量采集终端联网构建,采用自相关特征奇异分解对流量序列进行线性特征叠加运算,构建网络流量预测的时间序列模型。采用统计学数学方法对流量序列的延迟时间互信息进行阈值调控自适应建模,提取流量序列的包络特征。实现对网络流量预测的阈值调控,提高预测精度。仿真实验表明,该算法能实现对流量预测阈值的自适应调控,预测精度较传统方法提高37%,性能优越于传统算法。     

广域子空间异常网络流量预测概率置信度优化

为了提高对网络异常流量监测模型的置信度和准确性,降低虚警概率,防止漏报。需要对异常网络流量预测概率置信度区间进行优化设计。提出一种基于预测流量数据主特征建模与广域子空间重构的异常网络流量预测算法,提高预测概率置信度。把主特征建模投影到广域子空间中,获取网络异常流量数量的对偶子梯度预测结果,其表现为一组尺度,分析网络预测流量的概率置信度的伸缩变化,选用极大似然法对网络流量的预测概率置信度进行特征建模,得到概率置信度区间。提高预测置信度和精度。实验结果表明,该算法能有效提高异常网络流量的预测精度,通过在广域子空间中特征建模,保证了预测的概率置信度,减少预测误差,性能优越。     

改进的Wolf一步预测的网络异常流量检测

在网络预测算法中传统的预测几乎都没有考虑流量的自相似性和高斯性,仅仅利用最大Lyapunov指数进行计算机网络流量的混沌性检验,对网络流量的预测也仅仅是以计算得到的最大Lyapunov指数为前提,算法精度受限。提出一种改进的Wolf一步预测算法,对网络流量通过自相似的FGN(FGN,fractional gaussian noise)过程处理,得到替代原网络流量的新的序列,新的替代流量序列具有自相似性,从而进行预测。仿真结果准确检验了网络流量的混沌性,预测结果表明,改进的预测算法在略有缩短最大预报时间下,精度却高很多,预测的误差小于3%的点比例比原传统算法提高了20%以上。     

一种基于多标记学习的网络流量预测算法

通过对网络流量的准确预测提高对网络的调控和监测水平,避免网络拥堵,确保网络畅通。传统的网络流量预测算法采用粒子群算法,在处理大规模的流量数据时,容易导致信息发散和易陷入局部极值点,流量预测准确度不高。提出一种基于多标记学习混合差分粒子群进化的网络流量预测算法。构建多分簇的无线网络流量数据传输模型,对网络流量进行时间序列分析,采用粒子群优化算法分别比较网络信息流中的频率波动是否相同,对相同的进行合并,基于自回归移动平均算法,进行粒子群信息链特征优选准则设计,采用多标记学习混合差分粒子群进化算法,把网络流量数据嵌入到内核空间的超球体中,进行离线阶段的网络流量预测优化。仿真结果表明,该算法对网络流量预测的精度较高,误差减少,具有较好的应用价值。     

基于随机阵列向量模型的流量预测算法研究

设计网络流量预测数学模型,实现对网络流量的准确预测和评估。传统的流量预测算法采用包络特征子空间聚类的流量序列分析方法,对随机大数据网络流的聚类和预测效果不好。提出一种随机阵列向量模型的流量预测算法。首先进行了网络流量预测的时间序列模型构建,采用平均互信息算法和伪最近邻点法求解最优化网络流量序列重组空间异构参数,得到一个高密度流量数据分形区域,创建流量序列的概率分布曲线,在随机阵列相空间中形成新的映射采用统计学数学方法对流量序列的随机分布特征进行分布式计算,随机阵列向量模型构建方法进行流量预测算法改进。仿真结果表明,采用该算法进行流量预测,能有效提高预测精度,具有较好的流量特征分析能力,性能优越。     

基于滑动窗口模型空间重组的网络流量检测

为克服传统时间序列分析方法对小数据信息数据和非平稳序列检测不稳定的限制,引入滑动窗口模型思想,提出了滑动时间窗口模型的网络流量序列重组空间异构的检测方法。通过计算仿真得到不同时间窗阈值下的网络流量序列递归图,检验出网络总出口流量的确定性。通过提取递归图中异常特征点的定量递归特征的方法实现对流量异常的检测和评估。仿真实验表明,提取的流量序列定量递归特征具有较强的稳定性和自相似性,算法能有效检测出网络流量序列的隐藏异常波,尤其适合于小数据量时间序列和非平稳数据的检测和分析。     

基于LSTM的电力通信流量预测

随着电网逐步智能化,电力通信网承载的业务系统不断扩大升级,传统的网络流量模型己无法很好的拟合现有的网络流量,建立基于海量数据的电力通信网络流量预测模型具有重要意义。针对电力通信网网络业务流量所呈现的随机性和波动性特点,提出了一种基于长短时记忆(LSTM)和支持向量回归(SVR)的新型混合预测模型以提高短期网络流量预测的准确性。该模型首先采用变分模态分解(VMD)提取流量序列的固有模态,降低噪声的随机性影响,然后采用LSTM分别对各本征模态进行拟合,充分挖掘流量序列在时间上的分布特征,最后考虑流量影响因素,采用SVR拟合残差余量,并将所有子预测模型进行叠加整合。该模型使用实际数据为研究对象进行仿真预测,结果表明,该模型可有效提高模型的预测精度。     

基于鱼群信息链特征优选的域间流量监测

对内容中心网络的域间流量监测是未来互联网架构和网络安全监护的重要内容,通过域间流量监测,防止网络拥堵和不稳,提供网络性能,同时缩减网络冗余流量。传统方法中,对域间流量的预测采用双谱分析的方法进行特征提取,实现对局域网流量的预测,算法受到短时缓冲流量的非线性特征的影响,性能不好。提出一种基于鱼群信息链特征优选的域间流量预测算法,进行网络流量信号模型分析,构建流量监护数据样本驱动空间,进行鱼群信息链特征优选系统模型与数据预处理,得到域间流量为一阶空间权矩阵,域间网络流量信息数据表示为一个方阵,实现基于鱼群信息链特征优选的域间流量预测算法的改进。实验得出,采用该算法,在较低的信噪比下,仍然具有较高的预测精度,域间流量估计误差较低,性能较优。     

基于粒子群重采样的网络流量解卷积测度提取

网络并发式流量特征具有信号时间可预测性,通过对网络流量的解卷积测度特征提取,提高对网络流量的预测性能。传统法方法采用粒子群优化算法实现对网络流量的特征测度盲解卷积分析,对原始信号的统计信息提取效果不好。提出一种基于粒子群退化重采样的网络流量解卷积测度提取算法,构建并发式网络流量序列采集模型,设计粒子退化重采样技术,将每个粒子的当前适应度值与其自身的个体最优值进行比较,如果优于个体最优值,得到粒子当前最优位置。仿真实验表明,采用该算法,收敛速度很快,在粒子群进化50代以内就可以实现成功收敛,对流量序列的测度特征提取结果准确,预测精度较高,展示了算法的优越性能。     

一种网络流量预测模型的研究

云计算等概念的出现导致网络规模需求不断增大,网络流量不断增多,如何能够更好地预测网络流量成为了网络研究的热点,本文在网络流量预测中分析了小波-BP神经网络的不足,采用改进的下降梯度法优化BP神经网络,另外通过采用实体编码,适应度函数选择,权重系数提高粒子群算法优化小波-BP神经网络。仿真实验说明本文算法能够有效的提高了网络流量的预测精度,该算法具有广泛的运用前景。     

基于尺度耦合特性分析的侦听网络流量扩张模型

在能量受限的侦听网络中,需要大量的信息交换,由于瓶颈节点的能量消耗无法满足侦听网络的流量需求,需要进行流量扩张模型构建。传统方法采用对偶子梯度法实现对侦听网络的流量扩张,方法只能考虑一种流量和节点的组合,适应性能不好。提出一种基于小波变换尺度耦合特性分析的侦听网络流量扩张模型,对侦听网络流量时间序列进行采集与分析,通过小波尺度耦合分析,对路由接收的调度任务指令数量做出有效预测,从而为调度模型的建立提供准确的数据基础。分析流量序列的瞬时频率线性变化规律,得到带宽频间谐振模型,通过小波尺度耦合特性约束,提高了流量的流通量,实现流量扩张。仿真结果表明,算法能有效提高侦听网络的数据流吞吐量,网络流量通道得到有效扩张,提高了侦听网络的安全性和通信效率,展示了较好的应用性能。     

交通流量VNNTF神经网络模型及其预测研究

研究了VNNTF神经网络交通流量混沌时间序列预测的问题。首先,通过混沌理论提取了交通流量时间序列的混沌特征,并在此基础上建立了VNNTF神经网络交通流量时间序列模型;接着,阐述了VNNTF神经网络学习算法原理．设计了交通流量Voltem神经网络的学习算法快速学习算法：最后利用交通流量混沌时间序列对VNNTF网络模型、Voherra预测滤波器和BP神经网络进行了单步预测,并对预测结果的仿真图和真实值与预测值的方均根进行了比较,结果表明基于混沌学习算法的VNNTF神经网络的预测性能明显优于Volterra预测滤波器和BP神经网络。     

基于时间序列的网络流量分析与预测

随着计算机网络的迅速发展,目前的网络规模越来越庞大和复杂,相应面临对网络有效管理的要求就越来越高。本文通过对CERNET(ChinaEducationandResearchNetwork)上某个端口的网络流量数据的统计分析,给出了一种用时间序列的方法对流量数据进行模拟仿真,从而达到对网络流量的控制和预测以便提高对网络服务的质量。     

基于模糊PID控制的网络异常流量监控设计

在大型网络系统中,会因为网络拥堵或者病毒入侵产生网络异常流量,通过对网络异常流量的监控系统设计保障网络的安全稳定。传统的网络异常流量监控系统采用BP神经网络控制算法,由于BP神经网络的结构单一性,对异常流量中干扰性较强的数据难以有效检测发现,提出一种基于改进的模糊PID控制的网络流量异常监控系统设计方法,在流量传输模型和时间序列分析模型构建的基础上,提取异常流量序列的定量递归熵特征,采用模糊PID神经网络控制方法进行流量监控系统设计,把监控到的异常流量通过链路信道回馈给输出层。仿真结果表明,采用该方法进行网络异常流量监控,能准确检测出异常的频谱特征,从而在时域上进行追溯定位,实现流量异常点的准确检测,对异常流量的准确检测概率比传统方法高。     

基于滤波误差阈值的风速预测研究

风速时间序列的预测对风能的可持续发展至关重要,研究出准确的风速预测算法可以提高电网的安全性,改善环境效益。根据卡尔曼滤波和广义回归神经网络(GRNN)的特点,提出一种新的混合风速预测模型以及滤波误差阈值(FET)预测的方法,可以实现长期的风速预测,具有较高的精度和可靠性。     

多分簇网络流量的小波尺度粒子群变步长检测

多分簇网络是蜂窝通信和移动数据传输的混合产物,多分簇网络流量具有时变耦合特性,传统方法采用功率谱局部特征分析方法进行流量的特征检测,效果不好。提出一种基于小波尺度耦合和粒子群优化分析的多分簇网络变步长检测算法,采用粒子群优化算法进行多分簇网络流量的特征提取和编码分析,采用小波尺度耦合方法变步长检测,引入小波变换,进行流量序列的尺度耦合分析,采用自适应变步长方法去除流量特征的虚假分量。仿真结果表明,采用算法进行网络流量的检测,能有效识别不同尺度下的网络流量特征,在流量预测中,通过变步长自适应控制,使得收敛速度很快,流量准确预测精概率为1,检测性能较好。     

采用广域子空间分解降维的网络流量准确预测

网络数据流量的准确预测是评判和选择最佳Web服务的一种重要标准。传统的网络数据流广域子空间流量预测方法没有进行分解降维处理,预测误差较大,无法对大跨度的网络流量进行准确预测。提出一种基于广域子空间分解降维的网络数据流量准确预测方法,把网络流量数据流构建广域子空间进行预处理,在广域子空间中对数据进行分解分析,把提取的高维特征涵摄在广域子空间中,进行广域子空间分解降维,然后将广域分析的结果与子空间降维分析的结果进行有效的数据融合,实现对整个网络流量分析数据的准确预测。仿真测试表明,采用基于广域子空间分解降维的方法进行网络数据流量预测,可以精确预测网络流量渐变过程,结果准确,且计算开销明显降低。     

基于高斯密度谱估计的局域中心网络流量预测

局域中心网络流量具有高斯宽带信号特征,传统的窄带信号处理方法难以实现有效准确的流量预测。提出一种基于高斯密度谱估计的局域中心网络流量准确预测算法。构建流量预测模型,进行流量时间预测的信号采集和特征提取,对采集的信号特征进行高斯密度谱特征估计,对高斯密度特征旋转角度扫描,求网络流量信号的频率轴上投影尺度,判断峰值是否超过门限实现流量预测。仿真结果表明,采用该算法进行流量预测,高斯密度谱的聚集性较好,精度较高,性能优越。     

神经网络在浮选生产指标预测模型中的应用研究

本文基于Jordan神经网络构造了多因素输入和精矿品位动态时间序列反馈的浮选生产指标预测模型,运用BP算法和TD法相结合的网络学习算法,应用结果表明,该模型预测命中率和预测精度较高、误差小,且具有较强的抗干扰能力和稳定性,具有一定的实用价值,应用是成功的.     

基于RBF网络的混沌时序的变形分析和预测

RBF网络是一个三层的前馈型神经网络,它隐含层的转换函数是局部响应的非线性函数,所以它能够以任何精度逼近任意连续函数,这为复杂的变形系统的解释和模型化提供了可能,因而利用RBF网络对混沌时序的分析和预测是变形分析的一种新的途径.本文首先介绍RBF网络,对其变形监测数据的混沌现象进行分析和对RBF网络的混沌时间序列作出分析、预测,最后,总结出运用RBF网络对变形分析和预测对数据拟合模型的精度和预测能力都有很大的提高作用.