学位论文 > 优秀研究生学位论文题录展示

网络流量分析与预测模型研究

作　者: 郝占军
导　师: 党小超
学　校: 西北师范大学
专　业: 计算机应用技术
关键词: 网络流量流量预测模型改进的Elman神经网络季节周期性混沌搜索
分类号: TP393.06
类　型: 硕士论文
年　份: 2011年
下　载: 166次
引　用: 1次
阅　读: 论文下载

内容摘要

网络流量特征研究和分析是深入理解网络内在本质、了解网络运行状况的根本方法和手段,是网络性能提升、优化网络设计和实施流量工程的重要途径。本文基于神经网络预测模型,并引入季节周期性算法、混沌算法和分解模型,建立新的网络流量预测模型。根据实际网络中测量得到的网络流量数据,进行仿真实验,结果证明,新模型和算法预测误差低,且具有普适性。针对网络流量预测,本文主要做了如下工作:(1)针对静态前馈网络和Elman网络在网络流量预测中的不足,建立了一个基于改进Elman神经网络的流量模型,并提出一种基于季节周期性学习方法,根据实际网络中测量得到的网络流量数据,对网络流量进行预测。实验结果表明,该模型具有良好的预测效果,相对于传统线性模型、BP神经网络模型及标准Elman神经网络模型具有更高的预测精度和更好的自适应性,应用于网络流量预测是可行、有效的。(2)根据实际网络中测量得到的网络流量数据,提出了一种新的改进Elman神经网络模型——SIMF Elman,在网络权值的训练过程中引入了混沌搜索机制,利用Tent映射的遍历性进行混沌变量的优化搜索,减少了数据冗余,有效的解决了局部收敛问题。实验结果表明,新的模型及算法提高了网络的训练速度及网络流量的预测精度。(3)考虑网络流量宏观行为的特点,用数学工具将网络流量时序分解成结构相对简单的子成分,来表述和预测网络流量行为的非线性规律。同时以神经网络理论为基础,提出行为预测模型,包括分解模型和神经网络模型,充分考虑了流量行为的周期性、趋势性及随机性,克服了传统时序神经网络在预测中丢失序列周期性的缺点。实验结果表明,较常规的时间序列模型和传统的神经网络模型简单,预测能力和精确度也有所提高。

全文目录

相似论文

基于小波变换和马尔可夫链的流量预测模型,TP393.06
基于PDNS的BitTorrent流量局域化算法的仿真与实现,TP393.093
菌群优化算法的研究及应用,TP301.6
含分布式发电的配电网规划研究,TM715
基于特征进程的P2P流量识别方法研究,TP393.02
基于网络异常流量的突发毁击事件检测技术研究与应用,TP393.06
校园网网络监测管理系统的研究,TP393.18
基于改进PSO算法的变压器局部放电超声定位研究,TM835
混沌粒子群算法在河流水质模型参数识别中的应用,P333
区域网络拓扑发现算法及流量监控的设计与实现,TP393.02
基于贝叶斯理论的网络流量分类研究,TP393.06
多模式网络流量生成技术研究,TP393.06
线性瞬时混合模型中的盲信号分离研究,TN911.7
基于公平机制的网络测量抽样算法研究,TP393.06
基于费用函数的高速公路网络流量调节研究,F224;U491
基于磁阻传感器和ZigBee网络的ITS车流量监控系统,TP277
基于S-RTT策略的BitTorrent文件共享模型,TP393.093
高速网络流量异常检测技术研究,TP393.08
基于流特征的P2P流量检测方法研究,TP393.06
基于混沌粒子群算法的同步发电机最优调速控制系统,TM31
气液两相流流动参数软测量方法研究,TP274