CN107026763B - 一种基于流量分解的数据通信网流量预测方法 - Google Patents

Abstract

本发明提供的方法利用Hurst参数值来表征网络流量所呈现出的自相似特性，并结合R/S序列分析法来对网络流量在大时间尺度上的统计特性进行分析，由于R/S序列分析法能够很好地刻画网络流量的分行特征和长期记忆过程，且后续使用到的FARIMA模型可以同时描述网络流量的长相关特性与短相关特性，因此本发明提供的方法能够高精度地对网络流量进行长期预测，且具有较好的收敛性，对网络性能及服务质量的提升具有深远重大的现实意义。

Description

一种基于流量分解的数据通信网流量预测方法

技术领域

本发明涉及数据通信网网络流量管理领域，更具体地，涉及一种采用小波系数感知进行流量分解的网络流量预测方法，能够精确评估网络性能，保证网络平稳运行，提高网络服务质量。

背景技术

近年来，互联网技术高速发展，人们对网络服务质量的要求日趋严格，但网络数据量爆炸式增长，大规模网络中，大数据流量的管理不佳以及对恶意数据流攻击的防范不足所导致的网络拥塞、崩溃等故障频繁发生，给网络服务质量的控制和管理带来了巨大的挑战，对网络安全及性能造成极大威胁，严重影响用户体验。通过建立合理的网络流量预测模型，对网络流量进行深入具体的分析，实现网络流量及网络运行情况的精准预测，对维护网络安全，提高网络性能，提升用户服务质量至关重要。因此，设计合理精确的网络流量预测机制，加强网络流量管理刻不容缓。

网络流量预测是指收集网络流量的历史数据，并根据所收集的数据，建立合理的网络流量预测模型，通过对网络历史流量数据的分析，实现对未来网络流量的预测，提前获知网络运行趋势，发现网络潜在危机，从而及时采取防范措施。网络流量预测机制的研究过程中，网络流量预测模型的建立严重影响着流量预测机制的准确性，一个恰当的网络流量预测模型，可以准确分析网络流量数据的统计特性，精确估计网络性能，准确预测网络流量趋势。因此，网络流量预测模型建模与预测是网络管理的重要组成部分。

目前，研究者已经对网络流量预测机制进行了深入的研究，建立了许多经典的网络流量预测模型。根据流量预测模型的不同，网络流量预测机制可分为两种：线性预测机制和非线性预测机制。对于线性流量预测机制，在假设网络中流量数据服从泊松分布的基础上，文献[1]提出的基于自回归滑动平均流量预测模型 ARMA的流量预测机制，具有较低的算法复杂度，易于实现，但以上机制由于对网络的自相似及异构性等特征描述不准确，导致预测精度不高。为此，文献[2] 在ARMA机制的基础上，提出了基于自回归求和滑动平均模型ARIMA流量预测机制，借助多次差分使网络流量序列更加平稳，更准确的分析网络流量数据的统计特征，提高了预测精度，在短期流量预测中表现出较好的准确度性能，但进行长期流量预测时效果不佳。对于非线性流量预测机制，比较经典的是基于神经网络[3-5]的流量预测机制，利用神经网络的自主学习功能，对流量序列加以训练，实现高精度的流量预测，但此类机制中，由于神经网络使用的是经验风险最小化原则，学习过程中过分依赖经验，会出现过学习，收敛速度慢等问题，严重制约了其发展。

[1]邹伯贤,刘强.基于ARMA模型的网络流量预测[J].计算机研究与发展, 2002,39(12):1645-1652..

[2]金旗,裴昌幸,朱畅华.ARIMA模型法分析网络流量[J].西安电子科技大学学报,2003,5(1):6-10.

[3]Chan K Y,Dillon T,Chang E and Singh J.Prediction of short-termtraffic variables using intelligent swarm-based neural networks[J].IEEETransactions on Control Systems Technology,2013,21(1):263-274.

[4]Chan K Y and Dillon T S.On-road sensor configuration design fortraffic flow prediction using fuzzy neural networks and Taguchi method[J].IEEE Transactions on Instrumenta-tion and Measurement,2013,62(1):50-59.

[5]Hall J and Mars P.Limitations of artificial neural networks fortraffic prediction in broadband networks[J].IET Proceedings Communications,2000,147(2): 114-118.

发明内容

本发明为解决以上现有技术算法收敛速度慢，或在进行长期网络流量预测时效果不佳的技术缺陷，提供了一种基于流量分解的数据通信网流量预测方法。

为实现以上发明目的，采用的技术方案是：

一种基于流量分解的数据通信网流量预测方法，包括以下步骤：

S1.利用R/S序列分析法对流量序列的Hurst参数值进行预测，并基于预测的Hurst参数值判定流量序列是否处于平稳状态；

S2.若基于Hurst参数值判定流量序列处于平稳状态，则对流量序列进行分数差分，并基于分数差分的结果对流量序列的预测值进行计算；若基于Hurst参数值判定流量序列处于非平稳状态，则执行步骤S3；

S3.通过离散小波变换将流量序列分解为两个信号，即基于选定的尺度函数φ₀和小波函数ψ₀，进而构建带通小波函数基ψ_j,k和低通尺度函数基φ_j,k：

其中j为缩放系数，k为平移速度，φ₀(2^-jt-k)表示小波函数ψ₀的变化过程，ψ₀(2^{- j}t-k)表示尺度函数的变化过程，t表示时域过程；

基于带通小波函数基ψ_j,k和低通尺度函数基φ_j,k对离散小波变换的近似系数 W_φ(j,k)与细节系数W_ψ(j,k)进行计算：

其中f(t)为时间序列过程，M为分解层数；

S4.构建FARIMA过程：Φ(B^-1)(1-B^-1)^dX_t＝Θ(B^-1)ε_t(1)

其中B为滞后算子，其中-1<B<1；X_t表示时间序列，ε_t为白噪声序列，其均值为0，方差为σ²；Φ(B^-1)为自回归多项式，其阶数为p，Θ(B^-1)为滑动平均多项式，其阶数为q；p表示自回归项，q表示移动平均项，d表示差分阶数；

S5.对(1)式进行简化：

其中Δ^d＝(1-B^-1)^d，Δ^d表示分数差分算子，则依据 FARIMA过程，可进一步表示如下： Γ为伽马函数，π_j为滤波器的权值系数；表示预测到的网络流量，基于X_t对Δ^d进行求解；

S6.基于分数差分算子Δ^d、近似系数W_φ(j,k)计算得到预测后的流量序列的近似部分，基于分数差分算子Δ^d、细节系数W_ψ(j,k)计算得到预测后的流量序列的细节部分，将近似部分和细节部分进行小波重构即可获得流量序列的预测值。

与现有技术相比，本发明的有益效果是：

本发明提供的方法利用Hurst参数值来表征网络流量所呈现出的自相似特性，并结合R/S序列分析法来对网络流量在大时间尺度上的统计特性进行分析，由于R/S序列分析法能够很好地刻画网络流量的分行特征和长期记忆过程，且后续使用到的FARIMA模型可以同时描述网络流量的长相关特性与短相关特性，因此本发明提供的方法能够高精度地对网络流量进行长期预测，且具有较好的收敛性，对网络性能及服务质量的提升具有深远重大的现实意义。

附图说明

图1为方法的流程示意图。

图2为网络流量的示意图。

图3(a)表示近似部分的示意图。

图3(b)表示细节部分的示意图。

图4为NTPTD和ARIMA的预测结果对比图。

图5为NTPTD和ARIMA的误差统计图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

以下结合附图和实施例对本发明做进一步的阐述。

实施例1

如图1所示，本发明提供的方法包括以下步骤：

S1.利用R/S序列分析法对流量序列的Hurst参数值进行预测，并基于预测的Hurst参数值判定流量序列是否处于平稳状态；

S2.若基于Hurst参数值判定流量序列处于平稳状态，则对流量序列进行分数差分，并基于分数差分的结果对流量序列的预测值进行计算；若基于Hurst参数值判定流量序列处于非平稳状态，则执行步骤S3；

S3.通过离散小波变换将流量序列分解为两个信号，即基于选定的尺度函数φ₀和小波函数ψ₀，进而构建带通小波函数基ψ_j,k和低通尺度函数基φ_j,k：

其中j为缩放系数，k为平移速度，φ₀(2^-jt-k)表示小波函数ψ₀的变化过程，ψ₀(2^{- j}t-k)表示尺度函数的变化过程，t表示时域过程；

基于带通小波函数基ψ_j,k和低通尺度函数基φ_j,k对离散小波变换的近似系数W_φ(j,k)与细节系数W_ψ(j,k)进行计算：

其中f(t)为时间序列过程，M为分解层数；

S4.构建FARIMA过程：Φ(B^-1)(1-B^-1)^dX_t＝Θ(B^-1)ε_t (1)

其中B为滞后算子，其中-1<B<1；X_t表示时间序列，ε_t为白噪声序列，其均值为0，方差为σ²；Φ(B^-1)为自回归多项式，其阶数为p，Θ(B^-1)为滑动平均多项式，其阶数为q；p表示自回归项，q表示移动平均项，d表示差分阶数；

S5.对(1)式进行简化：

其中Δ^d＝(1-B^-1)^d，Δ^d表示分数差分算子，则依据 FARIMA过程，可进一步表示如下： Γ为伽马函数，π_j为滤波器的权值系数；表示预测到的网络流量，基于、X_t对Δ^d进行求解；

S6.基于分数差分算子Δ^d、近似系数W_φ(j,k)计算得到预测后的流量序列的近似部分，基于分数差分算子Δ^d、细节系数W_ψ(j,k)计算得到预测后的流量序列的细节部分，将近似部分和细节部分进行小波重构即可获得流量序列的预测值。

在具体的实施过程中，所述步骤S1利用R/S序列分析法对流量序列的Hurst 参数值进行预测的具体过程如下：

S11.将某一节点θ的已生存时间划分为n个单位时间长度，令X_i表示在第i 个单位时间内到达节点θ的数据包数量，n个单位时间的X_i序列的均值以及X_i与均值的差值如下所示：

ΔX(i)＝X_i-E(X)

S12.对ΔX(i)的累加值进行求取：基于Δ_j对R/S 序列分析法中的核心参数R_n进行计算：R_n＝max(0,Δ₁,Δ₂,...Δ_n)-min(0,Δ₁,Δ₂,...Δ_n)；ΔX(i)的累加值能够表示不同的时间尺度下流量的波动情况，因此能够在一定程度上体现网络流量的分型特性；

S13.对R_n进行归一化处理，即R_n/S_n，其中S_n表示n个单位时间的X_i序列的方差；

S14.令R_n/S_n与所划分的时间段数量n符合幂律特性R_n/S_n∝n^H，两边取对数后得到下式:

其中H表示Hurst参数值，C为常数；

对式(2)进行变换，得到Hurst参数值的预测公式：

在具体的实施过程中，所述S13计算n个单位时间的X_i序列的方差的具体过程如下：

表示n个单位时间的X_i序列的平均值。

在具体的实施过程中，所述滤波器的权值系数π_j表示如下：

实施例2

本实施例通过仿真验证实施例1提供的方法的性能。本实施例1采用的数据来源于http：∥newsfeed.ntcu.net/～news/2006的流量文件。该流量文件收集了主节点路由器在5天之内不同时间段的访问流量，如图2所示。

通过R/S序列分析法，图2中时间流量序列的自相似指数为0.9065，表明网络流量具有很高的自相似性。此外，从图中可知网络的最大流量和最小流量之间存在较大的差距，表明网络流量的非平稳以及高突发特性。

本发明使用小波变换将收集得到的网络流量分解成近似部分和细节部分两部分，如图3(a)、3(b)所示。近似部分反映了网络流量的变化趋势，而细节部分表征噪声特性。

为了验证本发明所提出的NTPTD机制的有效性，本发明将其与ARIMA预测机制进行比较。同时，为了更好地评价两种机制的预测效果，本发明引入以下评价指标：均方误差(Mean Square Error,MSE)，归一化平均绝对误差(Normalized Mean Absolute Error,NMAE)，其表达式如式(19),(20)所示：

其中，X_i表示真实网络流量值，表示预测网络流量值，n为网络流量数据采样的次数。显然，MSE与NMAE越小，预测误差越小，预测性能越佳。

本发明利用所提出的NTPTD机制对持续时间为120个小时的网络流量数据进行预测，采样间隔为1小时，预测效果如图4所示。

从图中可以看出，通过NTPTD机制预测的网络流量更加趋近于真实网络流量。为了更加直观地反映NTPTD机制的优越性，本发明对NTPTD和ARIMA 的预测结果做了误差对比图和误差对比表，如图5和表1所示。

图5横坐标为误差值区间，纵坐标为统计比例。从图5可知NTPTD的误差区间为(-25.1,+25.6)，ARIMA的误差区间为(-36.9,37.9)，而且对于误差在(-10,10) 之间的统计比例，NTPTD明显高于ARIMA，提高了将近10％。

表1预测误差对比表

从表1可以看出，相比于ARIMA，本发明所提出的NTPTD机制的均方误差和归一化平均绝对误差均减少了35％以上，这表明小波分解和FARIMA模型在流量预测过程中的作用十分明显。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (4)

1.一种基于流量分解的数据通信网流量预测方法，其特征在于：包括以下步骤：

S1.利用R/S序列分析法对流量序列的Hurst参数值进行预测，并基于预测的Hurst参数值判定流量序列是否处于平稳状态；

S2.若基于Hurst参数值判定流量序列处于平稳状态，则对流量序列进行分数差分，并基于分数差分的结果对流量序列的预测值进行计算；若基于Hurst参数值判定流量序列处于非平稳状态，则执行步骤S3；

S3.通过离散小波变换将流量序列分解为两个信号，即基于选定的尺度函数φ₀和小波函数ψ₀，进而构建带通小波函数基ψ_j,k和低通尺度函数基φ_j,k：

其中j为缩放系数，k为平移速度，φ₀(2^-jt-k)表示小波函数ψ₀的变化过程，ψ₀(2^-jt-k)表示尺度函数的变化过程，t表示时域过程；

基于带通小波函数基ψ_j,k和低通尺度函数基φ_j,k对离散小波变换的近似系数W_φ(j,k)与细节系数W_ψ(j,k)进行计算：

其中f(t)为时间序列过程，M为分解层数；

S4.构建FARIMA过程：Φ(B^-1)(1-B^-1)^dX_t＝Θ(B^-1)ε_t (1)

其中B为滞后算子，其中-1<B<1；X_t表示时间序列，ε_t为白噪声序列，其均值为0，方差为σ²；Φ(B^-1)为自回归多项式，其阶数为p，Θ(B^-1)为滑动平均多项式，其阶数为q；p表示自回归项，q表示移动平均项，d表示差分阶数；

S5.对(1)式进行简化：

其中Δ^d＝(1-B^-1)^d，Δ^d表示分数差分算子，则依据FARIMA过程，可进一步表示如下： Γ为伽马函数，π_j为滤波器的权值系数；表示预测到的网络流量，基于、X_t对Δ^d进行求解；

S6.基于分数差分算子Δ^d、近似系数W_φ(j,k)计算得到预测后的流量序列的近似部分，基于分数差分算子Δ^d、细节系数W_ψ(j,k)计算得到预测后的流量序列的细节部分，将近似部分和细节部分进行小波重构即可获得流量序列的预测值。

2.根据权利要求1所述的基于流量分解的数据通信网流量预测方法，其特征在于：所述步骤S1利用R/S序列分析法对流量序列的Hurst参数值进行预测的具体过程如下：

S11.将某一节点θ的已生存时间划分为n个单位时间长度，令X_i表示在第i个单位时间内到达节点θ的数据包数量，n个单位时间的X_i序列的均值以及X_i与均值的差值如下所示：

ΔX(i)＝X_i-E(X)

S12.对ΔX(i)的累加值进行求取：基于Δ_j对R/S序列分析法中的核心参数R_n进行计算：R_n＝max(0,Δ₁,Δ₂,...Δ_n)-min(0,Δ₁,Δ₂,...Δ_n)；

S13.对R_n进行归一化处理，即R_n/S_n，其中S_n表示n个单位时间的X_i序列的方差；

S14.令R_n/S_n与所划分的时间段数量n符合幂律特性R_n/S_n∝n^H，两边取对数后得到下式:

其中H表示Hurst参数值，C为常数；

对式(2)进行变换，得到Hurst参数值的预测公式：

3.根据权利要求2所述的基于流量分解的数据通信网流量预测方法，其特征在于：所述S13计算n个单位时间的X_i序列的方差的具体过程如下：

表示n个单位时间的X_i序列的平均值。

4.根据权利要求1所述的基于流量分解的数据通信网流量预测方法，其特征在于：所述滤波器的权值系数π_j表示如下：