学位论文 > 优秀研究生学位论文题录展示

网络流量预测模型系统的研究

作　者: 杨文保
导　师: 李杰
学　校: 中南大学
专　业: 计算机科学与技术
关键词: 自相关神经网络小波变换细节信号近似信号
分类号: TP393.06
类　型: 硕士论文
年　份: 2010年
下　载: 128次
引　用: 1次
阅　读: 论文下载

内容摘要

随着计算机的日益普及,网络规模越来越大,网络的管理也变地越来越重要。为了更好地对目前及未来的网络运行状态进行监控,对网络流量的分析和建模预测是十分必要的,也是目前研究的热点之一。为了适应目前网络管理的发展,本文首先设计并实现了一个网络流量预测组合模型系统,该系统主要由主进程模块、数据采集模块与流量预测模块构成。本文在流量预测模块上做了深入的研究。针对流量预测模块的实现,本文提出了一种基于小波与神经网络预测的模型。该模型使用小波变换对流量序列进行多层分解,得到各层的细节信号序列与近似信号序列。对近似信号序列使用改进后的BP神经网络预测；对细节信号序列使用ARIMA模型预测。针对BP神经网络的改进,首先就BP神经网络中输入层神经元个数与输出层神经元个数没有一个合理的取法的问题,本文提出了一种根据相关性确定神经网络中输入层与输出层神经元个数的新方法。这种方法完全根据样本与样本之间最为紧密的相关性来确定,使得对样本的学习更加有针对性与科学性。之后本文还对BP算法本身作了一系列的改进,主要加入变长学习率,根据误差的大小动态的改变学习的速率,使误差能得到很快速的收敛。但过快的收敛速度会引起系统的不稳定性所以本文加入了动量项,根据上一时刻权值的修改方向改变学习率。最后针对神经元内部提出了一种动态偏置的方法,这种方法是根据误差动态调整偏置的大小。在细节信号的ARIMA(p,d,q)预测方面,由于单支重构的细节信号具有一定的规律性,所以可以按规律提取所需要的序列部分,对他们进行分析建模。这样可以明显减少计算的复杂性。最后用真实网络流量数据拟合模型,结果表明该模型具有较高的预测效果。

全文目录

摘要  4-5
ABSTRACT  5-10
第一章绪论  10-14
  1.1 研究背景及意义  10-11
  1.2 国内外研究现状  11-12
  1.3 研究内容  12-13
  1.4 本文结构  13-14
第二章网流量特性与传统方法预测模型  14-23
  2.1 SNMP简介  14-16
    2.1.1 SNMP结构  14
    2.1.2 SNMP角色  14-15
    2.1.3 MIB概述  15-16
    2.1.4 SNMP的操作  16
  2.2 实际网络流量的特性  16-19
    2.2.1 网络流量的自相似特性  17
    2.2.2 网络流量的长相关与短相关特性  17-18
    2.2.3 单分形和多分形  18-19
  2.3 若干传统模型及其性能评价  19-22
    2.3.1 半马尔科夫模型  19-20
    2.3.2 Poisson模型  20-21
    2.3.3 ARMA模型  21-22
  2.4 本章小结  22-23
第三章预测新理论的研究与模型系统的设计  23-37
  3.1 预测模型的提出  23-24
    3.1.1 传统模型的不足  23-24
    3.1.2 新模型的提出  24
  3.2 小波理论研究  24-28
    3.2.1 小波变换  24-25
    3.2.2 多分辨率分析  25-26
    3.2.3 基于Mallat方法的信号分解与重构算法  26-28
    3.2.4 小波变换具体步骤总结  28
  3.3 神经网络理论的研究  28-31
    3.3.1 神经网络的基本概述  28-29
    3.3.2 神经网络结构模型  29-30
    3.3.3 BP神经网算法原理  30-31
  3.4 预测模型系统的设计  31-36
    3.4.1 系统的总体设计  31-32
    3.4.2 系统模块说明  32-36
  3.5 本章小结  36-37
第四章小波与神经网络组合模型的设计  37-49
  4.1 网络流数据的采集与存储  37-39
  4.2 流量的初步处理小波分析  39-41
    4.2.1 小波基与层数的选取  39-40
    4.2.2 流量的小波变换  40-41
  4.3 近似信号序列的预测模型  41-44
    4.3.1 神经网络初步模型  41-42
    4.3.2 输入与输出层神经元的设计  42-43
    4.3.3 隐藏层节点数的确定  43-44
    4.3.4 其他参数的设定与选择  44
  4.4 细节信号预测模型  44-47
    4.4.1 ARIMA模型预测步骤  44-46
    4.4.2 差分d参数的确定  46
    4.4.3 模型的识别与估计  46-47
    4.4.4 系数估计  47
  4.5 小波的合成  47-48
  4.6 本章小结  48-49
第五章网络流量预测模型实现与改进  49-64
  5.1 数据的采集与预测数据的预处理  49-51
    5.1.1 数据的采集  49
    5.1.2 小波分析对数据预处理  49-51
  5.2 近似信号预测实现  51-57
    5.2.1 BP算法的设计  51-54
    5.2.2 BP算法的改进  54-57
    5.2.3 预测值与真实值的对比  57
  5.3 细节信号预测实现  57-60
  5.4 小波合成  60
  5.5 性能分析  60-63
    5.5.1 各模型的误差分析  60-62
    5.5.2 模型的时间性能分析  62-63
  5.6 本章小结  63-64
第六章研究总结与展望  64-66
  6.1 本文总结  64
  6.2 下一步工作  64-66
参考文献  66-70
致谢  70-71
攻读学位期间主要的研究成果  71

网络流量预测模型系统的研究

内容摘要

全文目录

相似论文