CN103840988B - 一种基于rbf神经网络的网络流量测量方法 - Google Patents

一种基于rbf神经网络的网络流量测量方法 Download PDF

Info

Publication number
CN103840988B
CN103840988B CN201410097087.9A CN201410097087A CN103840988B CN 103840988 B CN103840988 B CN 103840988B CN 201410097087 A CN201410097087 A CN 201410097087A CN 103840988 B CN103840988 B CN 103840988B
Authority
CN
China
Prior art keywords
rbf neural
rbf
network
network model
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201410097087.9A
Other languages
English (en)
Other versions
CN103840988A (zh
Inventor
蒋云良
王智群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huzhou University
Original Assignee
Huzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huzhou University filed Critical Huzhou University
Priority to CN201410097087.9A priority Critical patent/CN103840988B/zh
Publication of CN103840988A publication Critical patent/CN103840988A/zh
Application granted granted Critical
Publication of CN103840988B publication Critical patent/CN103840988B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Data Exchanges In Wide-Area Networks (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于RBF神经网络的网络流量测量方法，依次包括以下步骤：建立RBF神经网络模型、网络流量数据行归一化处理、RBF神经网络模型的学习算法、RBF神经网络模型的训练算法、RBF神经网络模型性能的评价。本发明通过建立了一个基于RBF神经网络的流量测量模型，给出了RBF神经网络的结构设计及基于正交最小二乘的学习算法，相对于BP流量预测模型，RBF方法预测准确度更高，能够很好地描述网络流的变化规律，具有泛化能力强、稳定性良好的特点，在网络流量预测中有较高的实用价值。

Description

一种基于RBF神经网络的网络流量测量方法
【技术领域】
本发明涉及网络流量测量方法的技术领域，特别是基于RBF神经网络的网络流量测量方法的技术领域。
【背景技术】
流量测量是网络监测、管理和控制的基础。互联网是上亿台计算机互联成的全球性网络，随着更多的网络服务的提供及用户的不断增加，网络流量变得越来越大，网络行为也变得越来越复杂。虽然相关的组网与管理技术在不断地完善，但人们对它在局部和整体范围内所体现出的行为特征依然没有一个正确和完整的认识。掌握Internet的行为是网络规划、网络管理和网络安全、新网络协议和网络应用设计等诸多研究工作的重要前提。而网络测量是分析、掌握网络行为的基础，是对网络行为进行特征化、对各项指标进行量化的最基本手段，它可以把互联网从技术层面上升到科学层面，并且能够更好地指导应用。
通过收集数据或报文踪迹，定量测量并分析网络，我们可以理解网络流量与网络特征，探讨网络行为和运行规律；通过测量建立起网络性能基线，有效地进行网络监测，合理地分配网络资源，迅速定位网络故障；了解网络端到端、整体甚至局部性能细节，为规划和设计网络提供科学依据。根据测量方式的不同，可以把网络测量分为被动测量和主动测量。被动测量是从网络中的某一点收集流量信息，如从交换机、路由器或通过一个单独的设备被动地监听网络链路上的流量来收集数据。主动测量是为了监测两指定端点之间的性能而向网络中注入流量的方法，通常被网络工程师用来诊断网络问题或者被网络用户和网络研究人员用来分析指定网络路径的流量行为。
目前有3种方法用于流量测量：一种是使用SNMP(simple network managementprotocol)统计数据来获取流量信息，但是它只能提供粗粒度的流量信息，不能满足深入分析的要求；另一种是通过采集流经链路的报文(packet)来进行流量测量，报文是网络中最小的传输单元，最初网络行为研究主要集中在数据报文层次上，它能够提供广泛的分析和应用，但由于研究相对平等地分析每个报文，从而导致对报文间关系及其更高层次信息分析的缺失；再一种是流级别的测量，针对流的网络行为研究在很多方面弥补了报文层次的不足，它既能提供详细的流量信息，又具备一定的可扩展性，因而受到了广泛的关注。
本发明提出了一种基于RBF神经网络的网络流量测量模型，RBF神经网络为局部神经网络模型，计算速度快，实时性好，相对于传统的线性流量模型具有更高的逼近能力和良好的自适应性，并可克服基于BP神经网络的流量模型训练时间长及计算复杂度高的不足。
【发明内容】
本发明的目的就是解决现有技术中的问题，提出一种基于RBF神经网络的网络流量测量方法，计算速度快，实时性好，相对于传统的线性流量模型具有更高的逼近能力和良好的自适应性，并可克服基于BP神经网络的流量模型训练时间长及计算复杂度高的不足。
为实现上述目的，本发明提出了一种基于RBF神经网络的网络流量测量方法，依次包括以下步骤：
a)建立RBF神经网络模型：RBF神经网络是单隐层前馈型神经网络，输入层节点将输入信号传递到隐层，隐层节点由具有辐射状作用的高斯核函数构成，输出层节点则由简单的线性函数构成，隐层节点中的高斯核函数对输入信号将在局部产生响应，即当输入信号靠近高斯核函数的中央范围时，隐层节点将产 生较大的输出信号，RBF神经网络的数学模型公式为：式中，nc为隐层节点个数，x为n维输入向量，ki为第i个隐节点中心；||·||为欧氏范数；wki为隐节点输出的连接权；θk为第k个输出节点的阀值；g(·)取为高斯函数，g(·)的表达式为：
b)网络流量数据行归一化处理：为了提高RBF神经网络模型的学习速度，在训练前对网络流量数据行归一化处理，处理公式为：最后对RBF神经网络模型的预测结果反归一化处理，恢复网络流量真实预测值：x＝x'(xmax-xmin)+xmin，其中x'为归一化后网络流量值，x为网络流量真实预测值，xmin和xmax表示分别表示网络流量的最小值和最大值；
c)RBF神经网络模型的学习算法：RBF网络模型的学习算法由无导师学习和有导师学习两部分组成，无导师学习是对所有样本的输入进行聚类，求得各隐节点中心ki；有导师学习是当ki确定后，采用最小二乘法训练由隐层至输出层之间的权值；
d)RBF神经网络模型的训练算法：RBF神经网络模型训练算法首先选择输入向量的子集作为RBF神经网络模型的初始权值向量，然后从一个神经元开始每迭代一步增加一个RBF神经元，并采用正交最小二乘法找出最恰当的输入向量增加RBF的权值向量，每一步计算出目标向量与RBF网络学习输出和中量间的误差平方和，当误差平方和达到设置的误差指标或达到最多神经元个数时，训练结束；
e)RBF神经网络模型性能的评价：采用均方误差MSE和平均绝对百分误差MAPE作为模型性能的评价指标，均方误差MSE和平均绝对百分误差MAPE的定义如下：,t表示网络流量实际值，表示网络流量的预测值。
作为优选，所述步骤a)中的高斯函数g(·)具有局部感受的特性，能够体现RBF网络的非线性映射能力。
作为优选，所述步骤b)中采用网络流量文库主节点路由器在指定期间每小时网络流量数据进行仿真实验，一共收集2000个数据，为了防止预测结果偶然性和不准确性，采用前1000个数据作为训练集建立RBF神经网络模型，最后300个数据作为测试集，对建立的RBF神经网络模型进行性能验证。
本发明的有益效果：本发明通过建立了一个基于RBF神经网络的流量测量模型，给出了RBF神经网络的结构设计及基于正交最小二乘的学习算法，相对于BP流量预测模型，RBF方法预测准确度更高，能够很好地描述网络流的变化规律，具有泛化能力强、稳定性良好的特点，在网络流量预测中有较高的实用价值。
【具体实施方式】
本发明一种基于RBF神经网络的网络流量测量方法，依次包括以下步骤：
a)建立RBF神经网络模型：RBF神经网络是单隐层前馈型神经网络，输入层节点将输入信号传递到隐层，隐层节点由具有辐射状作用的高斯核函数构成，输出层节点则由简单的线性函数构成，隐层节点中的高斯核函数对输入信号将在局部产生响应，即当输入信号靠近高斯核函数的中央范围时，隐层节点将产生较大的输出信号，RBF神经网络的数学模型公式为：式中，nc为隐层节点个数，x为n维输入向量，ki为第i个隐节点中心；||·||为欧氏范数；wki为隐节点输出的连接权；θk为第k个输出节点的阀值；g(·)取为高斯函数，g(·)的表达式为：
b)网络流量数据行归一化处理：为了提高RBF神经网络模型的学习速度，在训练前对网络流量数据行归一化处理，处理公式为：最后对 RBF神经网络模型的预测结果反归一化处理，恢复网络流量真实预测值：x＝x'(xmax-xmin)+xmin，其中x'为归一化后网络流量值，x为网络流量真实预测值，xmin和xmax表示分别表示网络流量的最小值和最大值；
c)RBF神经网络模型的学习算法：RBF网络模型的学习算法由无导师学习和有导师学习两部分组成，无导师学习是对所有样本的输入进行聚类，求得各隐节点中心ki；有导师学习是当ki确定后，采用最小二乘法训练由隐层至输出层之间的权值；
d)RBF神经网络模型的训练算法：RBF神经网络模型训练算法首先选择输入向量的子集作为RBF神经网络模型的初始权值向量，然后从一个神经元开始每迭代一步增加一个RBF神经元，并采用正交最小二乘法找出最恰当的输入向量增加RBF的权值向量，每一步计算出目标向量与RBF网络学习输出和中量间的误差平方和，当误差平方和达到设置的误差指标或达到最多神经元个数时，训练结束；
e)RBF神经网络模型性能的评价：采用均方误差MSE和平均绝对百分误差MAPE作为模型性能的评价指标，均方误差MSE和平均绝对百分误差MAPE的定义如下：,t表示网络流量实际值，表示网络流量的预测值。
所述步骤a)中的高斯函数g(·)具有局部感受的特性，能够体现RBF网络的非线性映射能力，所述步骤b)中采用网络流量文库主节点路由器在指定期间每小时网络流量数据进行仿真实验，一共收集2000个数据，为了防止预测结果偶然性和不准确性，采用前1000个数据作为训练集建立RBF神经网络模型，最后300个数据作为测试集，对建立的RBF神经网络模型进行性能验证。
将归一化后的训练样本分别输入到采用RBF和BP模型中进行训练，分别对模型的参数进行优化。从表1可知，对于训练集和测试集，相对于BP 方法，RBF拟合和预测误差都有所降低，这表明相对于BP方法，RBF方法能够提高网络流量预测模型的各项性能，更好的刻画现代网络流量的变化趋势，并且RBF模型更适合于长期预测。
表1网络流量预测方法的整体性能对比
建立了一个基于RBF神经网络的流量测量模型，给出了RBF神经网络的结构设计及基于正交最小二乘的学习算法。相对于BP流量预测模型，RBF方法预测准确度更高，能够很好地描述网络流的变化规律。具有泛化能力强、稳定性良好的特点，在网络流量预测中有一定的实用价值。
上述实施例是对本发明的说明，不是对本发明的限定，任何对本发明简单变换后的方案均属于本发明的保护范围。

Claims (3)

1.一种基于RBF神经网络的网络流量测量方法，其特征在于：依次包括以下步骤：
a)建立RBF神经网络模型：RBF神经网络是单隐层前馈型神经网络，输入层节点将输入信号传递到隐层，隐层节点由具有辐射状作用的高斯核函数构成，输出层节点则由简单的线性函数构成，隐层节点中的高斯核函数对输入信号将在局部产生响应，即当输入信号靠近高斯核函数的中央范围时，隐层节点将产生较大的输出信号，RBF神经网络的数学模型公式为：式中，nc为隐层节点个数，x为n维输入向量，ki为第i个隐节点中心；||·||为欧氏范数；wki为隐节点输出的连接权；θk为第k个输出节点的阀值；g(·)取为高斯函数，g(·)的表达式为：
b)网络流量数据行归一化处理：为了提高RBF神经网络模型的学习速度，在训练前对网络流量数据行归一化处理，处理公式为：最后对RBF神经网络模型的预测结果反归一化处理，恢复网络流量真实预测值：x＝x'(xmax-xmin)+xmin，其中x'为归一化后网络流量值，x为网络流量真实预测值，xmin和xmax表示分别表示网络流量的最小值和最大值；
c)RBF神经网络模型的学习算法：RBF网络模型的学习算法由无导师学习和有导师学习两部分组成，无导师学习是对所有样本的输入进行聚类，求得各隐节点中心ki；有导师学习是当ki确定后，采用最小二乘法训练由隐层至输出层之间的权值；
d)RBF神经网络模型的训练算法：RBF神经网络模型训练算法首先选择输入向量的子集作为RBF神经网络模型的初始权值向量，然后从一个神经元开始每迭代一步增加一个RBF神经元，并采用正交最小二乘法找出最恰当的输入向量增加RBF的权值向量，每一步计算出目标向量与RBF网络学习输出和中量间 的误差平方和，当误差平方和达到设置的误差指标或达到最多神经元个数时，训练结束；
e)RBF神经网络模型性能的评价：采用均方误差MSE和平均绝对百分误差MAPE作为模型性能的评价指标，均方误差MSE和平均绝对百分误差MAPE的定义如下：,yt表示网络流量实际值，表示网络流量的预测值。
2.如权利要求1所述的一种基于RBF神经网络的网络流量测量方法，其特征在于：所述步骤a)中的高斯函数g(·)具有局部感受的特性，能够体现RBF网络的非线性映射能力。
3.如权利要求1所述的一种基于RBF神经网络的网络流量测量方法，其特征在于：所述步骤b)中采用网络流量文库主节点路由器在指定期间每小时网络流量数据进行仿真实验，一共收集2000个数据，为了防止预测结果偶然性和不准确性，采用前1000个数据作为训练集建立RBF神经网络模型，最后300个数据作为测试集，对建立的RBF神经网络模型进行性能验证。
CN201410097087.9A 2014-03-17 2014-03-17 一种基于rbf神经网络的网络流量测量方法 Active CN103840988B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410097087.9A CN103840988B (zh) 2014-03-17 2014-03-17 一种基于rbf神经网络的网络流量测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410097087.9A CN103840988B (zh) 2014-03-17 2014-03-17 一种基于rbf神经网络的网络流量测量方法

Publications (2)

Publication Number Publication Date
CN103840988A CN103840988A (zh) 2014-06-04
CN103840988B true CN103840988B (zh) 2017-03-01

Family

ID=50804149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410097087.9A Active CN103840988B (zh) 2014-03-17 2014-03-17 一种基于rbf神经网络的网络流量测量方法

Country Status (1)

Country Link
CN (1) CN103840988B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105306240B (zh) * 2014-07-08 2018-06-22 先智云端数据股份有限公司 一种用于建立储存装置流量模型的方法与系统
CN106341837A (zh) * 2015-07-17 2017-01-18 中国移动通信集团广东有限公司 一种质差话务比例值预测方法及装置
CN105471631B (zh) * 2015-11-17 2018-12-18 重庆大学 基于流量趋势的网络流量预测方法
CN106789214B (zh) * 2016-12-12 2019-10-11 广东工业大学 一种基于正余双弦算法的网络态势感知方法及装置
CN108737130B (zh) * 2017-04-14 2021-04-30 国家电网有限公司 基于神经网络的网络流量预测装置及方法
CN107085646B (zh) * 2017-04-28 2020-10-09 国家电网公司 一种输电线路下地面场强测量方法
US20180359172A1 (en) * 2017-06-12 2018-12-13 Juniper Networks, Inc. Network path prediction and selection using machine learning
CN107707657B (zh) * 2017-09-30 2021-08-06 苏州涟漪信息科技有限公司 基于多传感器的安全监护系统
CN108184242A (zh) * 2017-12-27 2018-06-19 安徽省新云安网络科技有限公司 一种无线传感器网络异常数据检测方法
CN109039797B (zh) * 2018-06-11 2021-11-23 电子科技大学 基于强化学习的大流检测方法
CN109325638A (zh) * 2018-11-09 2019-02-12 电子科技大学 一种基于rbf神经网络的sdn流量预测方法
CN109981332A (zh) * 2018-12-03 2019-07-05 绥化学院 基于小波神经网络的网络流量预测方法及装置
CN110287651A (zh) * 2019-07-24 2019-09-27 浙江师范大学 一种预测供水系统中消毒副产物卤乙酸浓度的方法
CN111047476A (zh) * 2019-12-09 2020-04-21 山东大学 基于rbf神经网络的大坝结构安全监控精确预测方法及系统
CN113098916B (zh) * 2019-12-23 2023-11-14 中国移动通信集团辽宁有限公司 基于网络行为数据的信息推送方法及装置
CN111369042B (zh) * 2020-02-27 2021-09-24 山东大学 一种基于加权联邦学习的无线业务流量预测方法
CN111551593A (zh) * 2020-04-23 2020-08-18 西安工程大学 一种基于rbf-nn的绝缘子融冰含水率监测方法
CN113157663B (zh) * 2021-03-16 2023-07-11 西安电子科技大学 基于数据重建和混合预测的网络流量预测方法及装置
CN113452629B (zh) * 2021-07-15 2022-06-14 深圳市高德信通信股份有限公司 一种路由交换系统
CN114298382A (zh) * 2021-12-13 2022-04-08 燕山大学 船体运动位姿极短期实时预报方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101355504A (zh) * 2008-08-14 2009-01-28 成都市华为赛门铁克科技有限公司 一种用户行为的确定方法和装置
WO2009154484A3 (en) * 2008-06-20 2010-02-11 Business Intelligence Solutions Safe B.V. Methods, apparatus and systems for data visualization and related applications
CN102136087A (zh) * 2011-03-08 2011-07-27 湖南大学 基于多神经网络的流量矩阵估计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8626678B2 (en) * 2007-12-28 2014-01-07 Telecom Italia S.P.A. Anomaly detection for link-state routing protocols

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009154484A3 (en) * 2008-06-20 2010-02-11 Business Intelligence Solutions Safe B.V. Methods, apparatus and systems for data visualization and related applications
CN101355504A (zh) * 2008-08-14 2009-01-28 成都市华为赛门铁克科技有限公司 一种用户行为的确定方法和装置
CN102136087A (zh) * 2011-03-08 2011-07-27 湖南大学 基于多神经网络的流量矩阵估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《基于RBF神经网络的结构动力损伤识别》;饶文碧;《工程力学》;19991231;全文 *
《基于RBF神经网络的网络流量建模及预测》;王俊松;《计算机工程与应用》;20081231;全文 *

Also Published As

Publication number Publication date
CN103840988A (zh) 2014-06-04

Similar Documents

Publication Publication Date Title
CN103840988B (zh) 一种基于rbf神经网络的网络流量测量方法
CN108038300B (zh) 基于改进的隶属度函数结合神经网络的光纤状态评估方法
CN107483251B (zh) 一种基于分布式探针监测的网络业务异常侦测方法
CN110417011B (zh) 一种基于互信息与迭代随机森林的在线动态安全评估方法
CN109087277B (zh) 一种空气细颗粒物pm2.5测量方法
CN103106535B (zh) 一种基于神经网络解决协同过滤推荐数据稀疏性的方法
CN105207821B (zh) 一种面向业务的网络综合性能评估方法
CN107846326A (zh) 一种自适应的半监督网络流量分类方法、系统及设备
CN108108877A (zh) 一种基于bp神经网络的输电线路雷害风险评估方法
CN109325638A (zh) 一种基于rbf神经网络的sdn流量预测方法
CN109856515A (zh) 一种直流电缆绝缘状态判断方法及系统
CN106656357B (zh) 一种工频通信信道状态评估系统和方法
CN105868534B (zh) 一种基于多目标优化抽样的水文模型不确定性分析方法
CN106953854B (zh) 一种基于svm机器学习的暗网流量识别模型的建立方法
CN112966891A (zh) 一种河流水环境质量预测方法
CN109376933A (zh) 基于神经网络的锂离子电池负极材料能量密度预测方法
CN114553661B (zh) 一种面向无线联邦学习的移动用户设备分簇训练方法
CN111914488B (zh) 一种基于对抗神经网络的有资料地区水文参数率定方法
CN113470475B (zh) 一种基于场景模拟与物联网的实操学习考核方法与系统
CN105160496A (zh) 一种企业电力能效综合评估方法
Stefanova et al. Off-policy q-learning technique for intrusion response in network security
CN109598381A (zh) 一种基于状态频率记忆神经网络的短时交通流预测方法
CN108364098B (zh) 一种天气特征对用户签到影响的度量方法
CN111914487B (zh) 一种基于对抗神经网络的无资料地区水文参数率定方法
CN104811336A (zh) 基于智能优化的分布式网络流量预测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant