CN104811336A - 基于智能优化的分布式网络流量预测方法 - Google Patents
基于智能优化的分布式网络流量预测方法 Download PDFInfo
- Publication number
- CN104811336A CN104811336A CN201510154160.6A CN201510154160A CN104811336A CN 104811336 A CN104811336 A CN 104811336A CN 201510154160 A CN201510154160 A CN 201510154160A CN 104811336 A CN104811336 A CN 104811336A
- Authority
- CN
- China
- Prior art keywords
- network
- flow
- fruit bat
- distributed network
- prediction
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供一种适用于分布式网络(Distributed Network)环境中的基于智能优化的分布式网络流量预测方法,预测过程中采用基于三次指数平滑的网络流量预测对分布式网络流量中心采集的流量进行预测,且由于三次指数平滑模型中的平滑指数的选取对预测效果具有重要影响,采用果蝇优化算法(FOA)对平滑指数进行优化,通过不断寻优得到预测效果最佳的平滑参数,预测效果由对应平滑参数下预测绝对均方误差表示,预测均方误差预测小则预测效果越好,该预测为一次较为准确的网络流量预测,实现了分布式网络中高效、准确的网络流量预测。应用本方可以实现分布式网络流量的高效率、小误差的流量预测。
Description
技术领域
本发明是一种适用于分布式网络(Distributed Network)环境中,采用将果蝇优化算法(FruitFly OptimizationAlgorithm,FOA)与基于三次指数平滑的网络流量预测模型结合的分布式网络流量预测方法,实现分布式网络环境中的流量的高效预测。本技术属于计算机网络领域。
背景技术
随着网络技术的迅速发展,网络上的业务和应用也越来越丰富,网络更加贴近人们的日常生活,计算机网络与传统产业的结合日渐紧密,网络用户对互联网的依赖性也越来越大。网络中用户的需求多种多样,对网络的要求产生巨大的压力。深入分析网络的运行状况可以发现,网络带宽大幅增加,但网络使用效率却没有成正比的提升,网络资源利用率低。而分布式网络的产生具有极大的意义,分布式网络是由分布在不同地点且具有多个终端的节点机互连而成。分布式网络中,各个网络独立控制,中央控制中心只需要进行整体调度。在分布式系统中,不强调集中控制的概念,具有一个以全局控制中心为基础的分层控制结构,但是每个分布式网络都具有高度的自主权。分布式网络大大降低了网络中全局控制中心的压力,使得网络具有更高的效率及安全性。
互联网技术飞速发展,网络流量行为日益复杂,这就对网络的管理提出了很高的要求,网络流量预测是网络管理的一部分,具有重要意义。网络流量预测是业务管理的关键问题,由于网络流量受到各种因素影响,具有突发性、时变性、非线性等特点,高效率的网络流量预测方法能够有效提高网络管理的效率。同时网络流量预测对于设计新一代网络协议、有效地进行网络管理、设计高性能路由器算法和评价网络安全和检测网络异常都具有重要意义。由于Internet的复杂性,基于流量测量与分析的网络性能研究仍然处于起步阶段,因此,对于网络设计与规划、流量控制、协议设计、确保服务质量、研究拥塞控制和带宽分配机制、分析与评价网络性能,进一步实施网络管理等都有着非常重要的意义。
网络流量预测就是针对目前网络快速发展、网络规模飞速扩大的环境下,对存在的网络流量产生的不确定性、不均衡性等问题,通过对网络流量的采集和流量分析,采用基于智能优化的分布式网络流量预测模型,实现对流量的高效预测,使网络管理实现可知、可控,达到工作集中化、信息化、规范化的要求。
发明内容
技术问题:本发明的目的是提供一种分布式网络环境下基于智能优化的分布式网络流量预测方法,采用将果蝇优化算法与基于三次指数平滑的网络流量预测模型结合的分布式网络流量预测方法,实现分布式网络环境中的流量预测。通过本方法可以实现分布式网络流量的高效预测。
技术方案:本发明的方法采用果蝇优化算法与基于三次指数平滑的网络流量预测模型的分布式网络流量预测方案,实现在分布式网络环境中的网络流量预测。分布式网络中,各网络流量中心事先对各个网络区域进行流量采集,采集方式采用时间窗模式对网络流量采集,提高流量采集的效率。在分布式网络各服务器端每隔一个时间间隙向集中控制服务器发送该时间间隙内采集流量,在集中控制服务器端对各流量中心采集的流量数据进行流量预测,分布式网络流量预测方法采用基于三次指数平滑的网络流量预测模型,三次指数平滑中平滑指数采用果蝇优化算法进行优化得到预测效果最佳的参数,预测效果由该平滑指数下预测绝对均方误差(MSE)表示。预测方案中预测均方误差MSE越小,对应的平滑指数效果越好,采用最佳的平滑指数能得到最优化的预测模型效果。
基于智能优化的分布式网络流量预测方法包含在以下具体步骤中:
初始场景设置:
步骤1)设置分布式网络环境参数:设置分布式网络可控流量中心数量及产生的流量;
分布式网络流量采集:
步骤2)各分布式网络环境开始进行流量采集,分布式服务器端采用时间窗机制对流量进行采集,提高流量采集的效率,分布式哈希网络由网络中受控节点探测周围在线邻居节点流量完成采集工作,软件定义网络是在控制器中统计所有经过包的信息完成流量采集工作;
步骤3)分布式网络每个网络流量中心收集到的网络流量采用基于智能优化的分布式网络流量预测方法进行流量预测;
基于智能优化的分布式网络流量预测方法:
步骤4)确定果蝇优化中种群个体数量sizepop和最大迭代次数maxgen,随机产生果蝇的初始位置;
步骤5)赋予果蝇个体利用嗅觉搜寻食物的随机方向和距离;
步骤6)估计果蝇个体与原点之间的距离Disti,计算味道浓度判定值Si,且Si=1/Disti,三次指数平滑预测模型中设置平滑指数α数值上等于Si,三次指数平滑法的数学模型为:其中m为预测期数,a、b、c为模型平滑系数;
其中at、bt、ct表示为
at=3st (1)-3st (2)+st (3)
上式中为一次、二次、三次指数平滑值,计算公式如下:
St (1)=αyt+(1-α)st-1 (1)
St (2)=αst (1)+(1-α)st-1 (2)
St (3)=αst (2)+(1-α)st-1 (3)
式中,yt是第t期实际值,α是平滑系数,0<α<1;
将三次指数预测模型得到的预测结果代入绝对均方误差MSE中的并将原始网络流量代入fi,以表示预测结果和真实数据之间的偏差,
其中,n是预测阶段总数;fi是阶段i的实际值;是阶段i的预测值;
果蝇个体的味道浓度Smelli在数值上等于MSE,并重复上述过程直到得到果蝇群体中所有个体的Smelli;
步骤7)找出此果蝇种群个体中味道浓度Smelli最小的果蝇;保留最佳味道浓度判定值Si与其果蝇个体坐标(Xi,Yi),此时果蝇群体利用视觉向该位置飞去;
步骤8)迭代寻优,重复果蝇优化过程,并找出优于前一迭代味道浓度的味道浓度计坐标值,一直到迭代结束。
有益效果:基于智能优化的分布式网络流量预测方法首先从网络实际情况考虑,考虑分布式网络的网络结构、各个流量中心产生的访问流量的数量,采用高效的流量预测模型对采集的流量进行预测。三次指数平滑预测模型是时间序列预测法,其中重要参数平滑指数通过果蝇优化方法优化得到最佳值,使得该指数下得到的预测结果与实际值误差最小,实现分布式网络的高效预测。从实际方面考虑,本方案在实际网络情况下,根据过去一段时间内的流量情况预测将来的网络流量,同时使得预测误差最小,实现分布式网络环境下的网络流量的高效预测。
附图说明
图1是果蝇群体迭代搜索食物过程。
图2是流量预测过程。
具体实施方式
网络流量具有很强的突发性,因此为了准确预测网络流量,需要建立良好的流量预测模型。时间序列预测法是一种考虑变量随时间发展变化规律并用该变量以往的统计资料建立数学模型作外推的预测方法。指数平滑法是生产预测中常用的一种方法。也用于中短期经济发展趋势预测,所有预测方法中,指数平滑是用得最多的一种。
当时间序列数据呈现非线性变化趋势时,可采用三次指数平滑模型进行预测分析,其基本原理是对原始数据经过三次指数平滑处理后,用以估计二次多项式参数,从而建立预测模型。
设时间序列为y1,y2,...,yt,用字母“S”表示指数平滑值,第t期一次指数平滑值记为St (1),二次指数平滑值记为St (2),三次指数平滑值记为St (3),指数平滑值计算公式为:
St (1)=αyt+(1-α)st-1 (1)
St (2)=αst (1)+(1-α)st-1 (2)
St (3)=αst (2)+(1-α)st-1 (3)
式中,yt是第t期实际值,α是平滑系数(0<α<1),三次指数平滑法的数学模型为:
式中:m为预测期数,a、b、c为模型平滑系数。
计算公式为:
at=3st (1)-3st (2)+st (3)
指数平滑是一个迭代计算的过程,应用三次指数平滑法进行预测时,须首先估算初始值S0 (1),它实质上应该是序列起点t=0以前所有历史数据的加权平均值。由于经过多期平滑,特别是观测期较长时,S0 (1)的影响作用就相当小,故在实践中,一般选用这样的方法处理:当时间序列期数在20个以上,初始值对观测结果的影响很小,可用第一期的观测值代替;当时间序列期数在20个以下时,初始值对观测结果有一定影响,可取前3~5个观测值的平均值代替。应用指数平滑法进行趋势预测时,还需要合理确定平滑系数a的值。当数列成较稳定的水平趋势,或者虽有波动,但长期趋势变化不大时,a宜取小值(0.1~0.3),以充分发挥历史数据的作用,当数列波动较大,长期趋势变化幅度较大时,a宜取大值(0.7~0.9),以跟踪近期数据的变化。
三次指数平滑预测模型中平滑指数对预测效果有着相当大的影响,因此采用果蝇优化算法对平滑指数进行优化,通过不断地寻优得到预测效果最优的三次指数平滑模型的平滑指数。
果蝇优化算法(FOA)是一种基于果蝇觅食行为推演出寻求全局优化的新方法。
依照果蝇搜寻食物的特性,将其归纳为以下几个必要的步骤:
(1)、确定种群个体数量(sizepop)和最大迭代次数(maxgen),随机产生果蝇的初始位置(IntX_axis,IntY_axis);
(2)、赋予果蝇个体利用嗅觉搜寻食物的随机方向和距离(Xi,Yi);
(3)、估计与原点之间的距离(Disti),计算味道浓度判定值(Si),且Si=1/Disti;
(4)将味道浓度的判定值(Si)代入味道浓度判定函数(Fitnesse function)求出该果蝇个体位置的味道浓度(Smelli);
(5)、找出此果蝇群体中味道浓度最高的果蝇(求最大值);
(6)、保留最佳味道浓度值(Si)与(Xi,Yi)坐标,此时果蝇群体利用视觉向该位置飞去;
7)、迭代寻优,重复执行2-5步,并判断当前味道浓度是否由于前一迭代味道浓度,否则执行步骤6.
采用FOA算法优化对基于三次指数平滑的预测模型中的平滑指数,通过不断寻优得到预测效果最佳的平滑指数,最终得到预测准确性最佳的预测结果。
方案首先进行初始场景设置,具体如下:
步骤1)设置分布式网络环境参数:分布式网络可控流量中心数量及产生的流量(M);
分布式网络流量采集:
步骤2)各分布式网络环境开始进行流量采集,分布式服务器端采用时间窗机制对流量进行采集,提高流量采集的效率,DHT网络由网络中受控节点探测周围在线邻居节点流量完成采集工作,SDN网络是在控制器中统计所有经过包的信息完成流量采集工作;
步骤3)分布式网络每个网络流量中心收集到的网络流量采用基于智能优化的分布式网络流量预测方法进行流量预测;
基于智能优化的分布式网络流量预测方法:
步骤4)确定果蝇优化中种群个体数量(sizepop)和最大迭代次数(maxgen),随机产生果蝇的初始位置(IntX_axis,IntY_axis);
步骤5)赋予果蝇个体利用嗅觉搜寻食物的随机方向和距离(Xi,Yi);
步骤6)估计与原点之间的距离Disti,计算味道浓度判定值Si,且Si=1/Disti。然后将Si代入三次指数平滑预测模型中的平滑指数α。根据预测模型的预测结果,得到它的Smell i,也可以叫做味道浓度判定函数(Fitnesse function)。Smell i表示为绝对均方误差MSE,来测量预测结果和真实数据之间的偏差:
其中,n是预测阶段总数;fi是阶段i的实际值;是阶段i的预测值。
步骤7)找出此果蝇种群个体中味道浓度Smelli最小的果蝇;保留最佳味道浓度值(Si)与(Xi,Yi)坐标,此时果蝇群体利用视觉向该位置飞去;
步骤8)迭代寻优,重复果蝇优化过程,并找出优于前一迭代味道浓度的味道浓度计坐标值,一直到迭代结束。
Claims (1)
1.一种基于智能优化的分布式网络流量预测方法,其特征在于该方法包含以下的具体步骤:
步骤1)设置分布式网络环境参数:设置分布式网络可控流量中心数量及产生的流量;
步骤2)各分布式网络环境开始进行流量采集,分布式服务器端采用时间窗机制对流量进行采集,提高流量采集的效率,分布式哈希网络由网络中受控节点探测周围在线邻居节点流量完成采集工作,软件定义网络是在控制器中统计所有经过包的信息完成流量采集工作;
步骤3)分布式网络每个网络流量中心收集到的网络流量采用基于智能优化的分布式网络流量预测方法进行流量预测;
步骤4)确定果蝇优化中种群个体数量sizepop和最大迭代次数maxgen,随机产生果蝇的初始位置;
步骤5)赋予果蝇个体利用嗅觉搜寻食物的随机方向和距离;
步骤6)估计果蝇个体与原点之间的距离Disti,计算味道浓度判定值Si,且Si=1/Disti,三次指数平滑预测模型中设置平滑指数α数值上等于Si,三次指数平滑法的数学模型为:其中m为预测期数,a、b、c为模型平滑系数;
其中at、bt、ct表示为
at=3st (1)-3st (2)+st (3)
上式中St (1)、St (2)、St (3)为一次、二次、三次指数平滑值,计算公式如下:
St (1)=αyt+(1-α)st-1 (1)
St (2)=αst (1)+(1-α)st-1 (2)
St (3)=αst (2)+(1-α)st-1 (3)
式中,yt是第t期实际值,α是平滑系数,0<α<1;
将三次指数预测模型得到的预测结果代入绝对均方误差MSE中的并将原始网络流量代入fi,以表示预测结果和真实数据之间的偏差,
其中,n是预测阶段总数;fi是阶段i的实际值;是阶段i的预测值;
果蝇个体的味道浓度Smelli在数值上等于MSE,并重复上述过程直到得到果蝇群体中所有个体的Smelli;
步骤7)找出此果蝇种群个体中味道浓度Smelli最小的果蝇;保留最佳味道浓度判定值Si与其果蝇个体坐标(Xi,Yi),此时果蝇群体利用视觉向该位置飞去;
步骤8)迭代寻优,重复果蝇优化过程,并找出优于前一迭代味道浓度的味道浓度计坐标值,一直到迭代结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510154160.6A CN104811336A (zh) | 2015-04-02 | 2015-04-02 | 基于智能优化的分布式网络流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510154160.6A CN104811336A (zh) | 2015-04-02 | 2015-04-02 | 基于智能优化的分布式网络流量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104811336A true CN104811336A (zh) | 2015-07-29 |
Family
ID=53695847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510154160.6A Pending CN104811336A (zh) | 2015-04-02 | 2015-04-02 | 基于智能优化的分布式网络流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104811336A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106685749A (zh) * | 2015-11-09 | 2017-05-17 | 北京国双科技有限公司 | 网络流量的检验方法和装置 |
CN110544130A (zh) * | 2019-09-05 | 2019-12-06 | 广州时代数据服务有限公司 | 流量异动监测方法、装置、计算机设备和存储介质 |
CN111327464A (zh) * | 2020-02-12 | 2020-06-23 | 安超云软件有限公司 | 虚拟路由器的确定方法以及系统 |
CN111372260A (zh) * | 2020-03-09 | 2020-07-03 | 西安交通大学 | 一种基于流量预测与果蝇优化算法的网络负载均衡方法 |
CN112398670A (zh) * | 2019-08-15 | 2021-02-23 | 中国移动通信集团浙江有限公司 | 流量预测方法、装置、计算设备及计算机存储介质 |
CN113315715A (zh) * | 2021-04-07 | 2021-08-27 | 北京邮电大学 | 基于qmix的分布式网内拥塞控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110066300A1 (en) * | 2009-09-11 | 2011-03-17 | General Electric Company | Method and system for demand response in a distribution network |
CN103353876A (zh) * | 2013-06-13 | 2013-10-16 | 南京信息工程大学 | 果蝇优化小波自适应软约束常模盲均衡方法 |
CN103475608A (zh) * | 2013-06-13 | 2013-12-25 | 南京信息工程大学 | 模拟退火与果蝇混合优化小波广义离散多模盲均衡方法 |
CN103559563A (zh) * | 2013-11-20 | 2014-02-05 | 国家电网公司 | 一种风电场短期风速预测方法 |
CN104219319A (zh) * | 2014-09-15 | 2014-12-17 | 南京邮电大学 | 一种分布式网络流量自组织调度方法 |
-
2015
- 2015-04-02 CN CN201510154160.6A patent/CN104811336A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110066300A1 (en) * | 2009-09-11 | 2011-03-17 | General Electric Company | Method and system for demand response in a distribution network |
CN103353876A (zh) * | 2013-06-13 | 2013-10-16 | 南京信息工程大学 | 果蝇优化小波自适应软约束常模盲均衡方法 |
CN103475608A (zh) * | 2013-06-13 | 2013-12-25 | 南京信息工程大学 | 模拟退火与果蝇混合优化小波广义离散多模盲均衡方法 |
CN103559563A (zh) * | 2013-11-20 | 2014-02-05 | 国家电网公司 | 一种风电场短期风速预测方法 |
CN104219319A (zh) * | 2014-09-15 | 2014-12-17 | 南京邮电大学 | 一种分布式网络流量自组织调度方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106685749A (zh) * | 2015-11-09 | 2017-05-17 | 北京国双科技有限公司 | 网络流量的检验方法和装置 |
CN106685749B (zh) * | 2015-11-09 | 2019-09-20 | 北京国双科技有限公司 | 网络流量的检验方法和装置 |
CN112398670A (zh) * | 2019-08-15 | 2021-02-23 | 中国移动通信集团浙江有限公司 | 流量预测方法、装置、计算设备及计算机存储介质 |
CN110544130A (zh) * | 2019-09-05 | 2019-12-06 | 广州时代数据服务有限公司 | 流量异动监测方法、装置、计算机设备和存储介质 |
CN111327464A (zh) * | 2020-02-12 | 2020-06-23 | 安超云软件有限公司 | 虚拟路由器的确定方法以及系统 |
CN111372260A (zh) * | 2020-03-09 | 2020-07-03 | 西安交通大学 | 一种基于流量预测与果蝇优化算法的网络负载均衡方法 |
CN113315715A (zh) * | 2021-04-07 | 2021-08-27 | 北京邮电大学 | 基于qmix的分布式网内拥塞控制方法 |
CN113315715B (zh) * | 2021-04-07 | 2024-01-05 | 北京邮电大学 | 基于qmix的分布式网内拥塞控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104811336A (zh) | 基于智能优化的分布式网络流量预测方法 | |
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
CN109272176B (zh) | 利用K-means聚类算法对台区线损率预测计算方法 | |
CN103840988B (zh) | 一种基于rbf神经网络的网络流量测量方法 | |
CN106096810B (zh) | 基于配电网运行数据与地理拓扑信息的规划方法及系统 | |
CN102402726B (zh) | 一种基于区域负荷分析的大规模配电网电力电量预测方法 | |
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 | |
CN110932274A (zh) | 一种电力系统测量与负荷参数分析辨识方法 | |
CN105512745A (zh) | 基于粒子群—bp神经网络的风电功率区间预测方法 | |
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 | |
CN104219319B (zh) | 一种分布式网络流量自组织调度方法 | |
CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
CN109787251A (zh) | 一种集群温控负荷聚合模型、系统参数辨识及反推控制方法 | |
CN105245362B (zh) | 一种sdn环境中重要节点信息采集方法 | |
CN107123265A (zh) | 一种基于并行计算的高速公路交通状态估计方法 | |
CN112101684A (zh) | 一种插电式混合动力车辆实时能量管理方法和系统 | |
CN107481523A (zh) | 一种交通流速度预测方法及系统 | |
CN109102155A (zh) | 一种超短期节点边际电价概率预测方法及系统 | |
CN104993966B (zh) | 一种电力综合业务网流量预测方法 | |
CN110213784A (zh) | 一种流量预测方法及装置 | |
CN116914751B (zh) | 一种智能配电控制系统 | |
CN115526333A (zh) | 边缘场景下动态权重的联邦学习方法 | |
CN104537233B (zh) | 一种基于核密度估计的配电网伪量测生成方法 | |
CN110119842A (zh) | 一种微电网短期负荷预测方法 | |
CN103200041A (zh) | 基于历史数据的容迟容断网络节点相遇概率预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150729 |
|
RJ01 | Rejection of invention patent application after publication |