论文部分内容阅读
现在,计算机网络已经成为人们最为重要的信息交互方式。随着网络的快速发展,日益复杂化的应用需求使得网络管理工作越来越困难。同时,网络拥塞、网络安全和网络故障等难题实际上也在阻碍着信息化社会的正常发展。怎样提高网络资源利用效率,保障网络安全和及时调整、升级网络设备成为最近的研究热点。近年来,随着网络流量预测技术的发展,它逐渐成为解决上述难题的一项关键技术。研究者已经提出基于网络流量预测技术在QoS(QoS,Quality ofService)机制中建立对不同业务的动态资源分配策略;此外,网络流量预测技术在网络安全、网络规划方面也能发挥重要的作用,例如设计基于网络流量预测的入侵检测系统、建立动态网络带宽分配策略等等。通过广泛地学习和研究传统时间序列分析理论、混沌时间序列分析理论、计算智能预测算法,本文对基于混沌理论和支持向量机的网络流量短期预测算法进行了深入地研究,并提出了一种预测性能更佳、适应性更强的LSVM-DTW-K算法。本文的主要贡献在于:提出了一种针对小规模数据集情形,基于混沌时间序列分析和支持向量机(SVM,Support Vector Machine)的网络流量短期预测算法LSVM-DTW-K。在之前提出的局域支持向量机(LSVM,Local Support Vector Machine)预测算法的基础上,通过分析其在模型建立时的缺陷,提出用动态时间折叠(DTW,Dynamic Time Wrapping)算法代替欧氏距离算法度量向量之间的相似度,从而获得更为准确的预测模型;进一步,提出“动态k”策略,使得预测模型中最临近相点的个数不再是固定值,而是依据优化策略仅挑选最临近相点集中“合理的”相点用做预测,使得算法适应性和预测准确度都得到提高。我们采用一段无线网络和一段有线网络的IP流量数据集分别进行了若干组实验,证实了提出的LSVM-DTW-K算法不仅在预测准确度上更胜LSVM算法一筹,而且适应性也更强。