CN113300884B - 一种基于gwo-svr的分步网络流量预测方法 - Google Patents

Abstract

本发明公开了一种基于GWO‑SVR的分步网络流量预测方法，其提出了两种基于GWO灰狼优化算法和SVR支持向量回归的预测方法：单步预测方法(SGWO‑SVR)和两步预测方法(TGWO‑SVR)；这两种方法均利用灰狼优化算法优化SVR算法中的三个参数C、ε、γ，再分别通过单步、两步预测方法建立SVR预测模型，实现对未来网络流量的预测。实验结果表明，与SVR、GA‑SVR、DE‑SVR相比，本发明提出的SGWO‑SVR和TGWO‑SVR预测方法具有较高的预测精度。

Description

一种基于GWO-SVR的分步网络流量预测方法

技术领域

本发明涉及网络管理技术领域，具体涉及一种基于GWO-SVR的分步网络流量预测方法。

背景技术

随着云计算、大数据、物联网等新一代信息技术的发展，网络规模和应用日渐复杂，网络吞吐量也日益增大。网络流量预测能有效地对网络进行管理及维护，避免网络拥塞，提高网络性能。例如在数据中心网络中，对网络流量进行准确预测不仅可以优化流量调度，科学分配网络带宽，还可以减小数据中心网络的能耗。

现有的网络流量预测方法主要有两类，即线性预测方法和非线性预测方法。线性预测方法包括自回归方法(Autoregressive model,AR)，移动平均方法(moving averagemodel,MA)，自回归移动平均方法(Auto-Regressive and MovingAverage Model,ARMA)，和差分整合移动平均自回归方法(Autoregressive Integrated Moving Average model,ARIMA)。但这些线性预测方法都无法很好的解决现在日益复杂的网络流量预测问题。而非线性预测方法主要包含神经网络预测、灰度预测、支持向量回归预测等，这些非线性预测方法均能较好的对网络流量进行预测。但是神经网络虽然可以逼近任何非线性函数，使其预测精度有一定的提高，但易出现过拟合现象、泛化能力较差，同时也会导致建立模型和计算时复杂度增加。面对复杂的网络流量特征，如何构建合适、准确的网络流量预测方法是目前亟待解决的问题。

发明内容

本发明旨在提供一种基于GWO-SVR的分步网络流量预测方法，通常，根据预测时间段将预测算法分类为长期预测和短期预测。长期预测方法需要大规模的数据集，预测周期是以季度或者年为单位。对其预测较为困难、预测精度较低。相反，短期预测需要的数据集规模较小，大多是以时、分、秒为单位。在对其预测时易于构建模型，且在预测精度上也有所提升。针对网络流量特点，以及对网络的实时监管，流量调度，对相应设备进行节能等方面，本发明将构建短期网络流量预测模型。

针对上述存在的问题，本发明所采用的技术方案如下：

一种基于GWO-SVR的分步网络流量预测方法，其特征在于，包括以下步骤：

1)获取历史数据

获取待预测历史流量数据集S，且集合S中的每个元素S_i＝{t_i，b_i，b_i+1}，b_i为在t_i时刻网络流量带宽，b_i+1为下一时刻的流量带宽；

2)建立流量预测模型

第一种模型建立方法：基于步骤1中的历史流量数据集S，通过单步流量预测方法建立单步流量预测模型；或，

第二种模型建立方法：以第一种建立方法所建立的单步流量预测模型基础，结合两步流量预测方法建立两步流量预测模型；

3)输出结果

根据单步流量预测模型或两步流量预测模型输出下一时刻的网络流量预测结果b_i+1。

本发明的有益效果是：

本发明与传统SVR方法、GA-SVR(利用遗传算法优化SVR参数)和DE-SVR(利用差分进化算法优化SVR参数)方法相比，本发明所建立的模型在平均绝对百分比误差(MeanAbsolute Percentage Error,MAPE)和均方根误差(Root Mean Squared Error,RMSE)等性能衡量指标上均具有优势，实验结果表明，本方法具有更好的预测精度和效率。

附图说明

图1为SGWO-SVR预测模型流程图；

图2为TGWO-SVR预测方法流程图；

图3为实施例中所用的实际网络流量；

图4(a)-(e)为实施例中的各种预测方法比较结果图；

具体实施方式

为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。

1、支持向量回归

支持向量机(Support Vector Machine,SVM)是一种高效进行求解分类和回归的机器学习算法。当SVM应用于回归问题时，SVM则变成了支持向量回归(Support VectorRegression,SVR)。

使用支持向量回归做相关预测时，对于给定训练集D＝{(x₁，y₁)，(x₂，y₂)，…，(x_m，y_m)}，y_i；∈R，SVR的回归函数为：

f(x)＝w^Tφ(x)+b (1)，

其中，w表示权向量，b为偏置向量，φ(x)表示将x映射到高维特征空间后的特征向量。

在引入松弛变量

ξ_i后，SVR问题可转化为如下最小优化问题：

s.t.

f(x_i)-y_i≤ε+ξ_i

其中，C＞0是常数，为惩罚系数，

ξ_i为松弛变量；ε为不敏感损失系数。

为了加快求解速度，将上述最小化问题转化为凸优化问题，引入拉格朗日乘子得到(2)式的对偶形式，即：

式(3)中，α_i、

α_j、

均为拉格朗日乘子，K(x_i，x_j)为核函数，本发明采用径向基(RBF)核函数，其表达式为：

其中，γ为核函数的参数。求解公式(3)，可以得到如公式(5)所示的SVM回归模型：

2、灰狼算法

灰狼优化(Grey Wolf Optimization,GWO)算法是由Mirjalili等人在2014年提出的一种基于群体的启发式优化算法。该算法模仿了自然界中灰狼的社会等级和狩猎机制，属于一种有导向的随机性启发式算法。灰狼优化算法具有较强的收敛性能、全局寻优能力强，近年来已被运用到了各个领域当中。

灰狼是一种以群居生活为主的动物，他们之间有着严格的社会等级制度。灰狼种群的社会等级分为四层，自上而下分别是头狼α，主候选狼β，次候选狼δ和普通狼ω。下层狼群须服从于上层狼群。灰狼的社会等级是通过该狼在狼群中适应度大小进行划分的。且针对不同问题须定义不同的适应度函数。

在灰狼优化算法中，首先要构建灰狼的社会等级制度模型。依据灰狼在种群中的适应度大小，将种群中适应度最优的、次优的和第三优的解分别对应α狼、β狼、δ狼，其余的被成为ω狼。其中ω狼则根据α狼、β狼、δ狼的指挥对猎物进行搜索、包围和攻击，以此来完成狩猎过程。具体的灰狼狩猎过程如下：

(1)包围。灰狼(候选解)搜索猎物时会逐渐包围猎物。每个灰狼通过不断地更新位置来接近猎物(最优解)；

(2)捕猎。为了模拟狼群的捕猎行为，假设α狼、β狼、δ狼对于猎物有更好的识别能力。因此在每次迭代中都保留适应度最好的三匹狼的位置信息，做为α狼、β狼、δ狼的位置。其他狼根据这三匹最优狼的位置信息来进行位置更新；

(3)攻击。当猎物停止移动时，灰狼就会攻击它。该过程由收敛系数向量A(A∈[-a，a])决定。在狩猎初期时，当|A|>1时，狼群开始分散搜索猎物；随着搜索的深入，当|A|≤1时，狼群开始聚集，并对猎物发动攻击。

3、基于GWO-SVR的预测方法

针对现今复杂的网络流量模式，提出两种基于GWO-SVR的网络流量预测方法，即单步流量预测方法SGWO-SVR和两步流量预测方法TGWO-SVR。已知历史数据集合S，其元素S_i＝{t_i，b_i，b_i+1}包含三个属性值，即在t_i时刻网络的流量带宽b_i，以及在下一时刻的流量带宽b_i+1。采用SGWO-SVR和TGWO-SVR方法分别建立预测模型，预测出下一时刻t_i+1的网络流量带宽b_i+1。

(1)单步流量预测方法SGWO-SVR

灰狼优化算法使用的符号定义如表1所示：

表1 GWO符号说明

利用SVR算法建立预测模型时，预测精度主要受惩罚因子C、不敏感因子ε和RBF核函数中的核参数γ的影响。本文选取灰狼算法(GWO)优化SVR的这三个参数。SGWO-SVR方法的流程图如附图1所示。从图1中可以看出，该方法包括以下步骤：

S1：输入数据集S，并将数据集划分为训练集Tr和训练集Ts；

S2：初始化GWO算法参数：初始化灰狼种群数量N，解空间维度D，候选解空间，迭代终止条件以及系数a，且每个灰狼个体的位置对应SVR参数(C，ε，γ)的一个候选解；

S3：将候选解作为SVR的参数值，利用训练集Tr训练预测模型；

S4：计算灰狼个体的适应度函数值：将每个灰狼个体的适应度函数定义为预测结果的相对误差总和，其计算公式为：

其中，G为需要预测的数据量，

为第g条数据的预测值，y_g为其真实值；

S5：将适应度最优的、次优的和第三优的灰狼个体位置分别定义为α狼、β狼、δ狼的位置，即X_α、X_β、X_δ；

S6：根据如下公式对狼群进行移动，更新灰狼的位置。

其中，式(7)表示α狼、β狼、δ狼与其他灰狼之间的距离向量；式(8)表示灰狼种群分别在α、β、δ狼的指导下进行的位置更新，通过式(9)合成灰狼种群的最终位置；

S7：随着a值从2到0的线性递减，通过公式(10)-(11)更新A和B的值；

A＝2a·r₁-a (10)，

B＝2r₂ (II)；

S8：判断是否满足迭代终止条件，若满足，则进行S8；否则，则返回S3；

S9：输出α狼的位置坐标，即SVR参数(C，ε，γ)的最优值；得到单步流量预测模型。

(2)两步流量预测方法TGWO-SVR

依据TGWO-SVR方法建立预测模型的流程图如附图2所示。该方法的预测步骤包括：

S1：将原始数据集S_i＝{(t_i，b_i，b_i+1)i＝1，...，n}，划分为两个训练集Tr₁、Tr₂和一个测试集Ts；

S2：输入Tr₁利用SGWO-SVR方法对SVR进行训练，得到初级模型；

S3：将b′_i与Tr₂中数据融合，得Tr₂′＝{(t_i,b′_i,b_i+1)，j＝148，…，259}；

S4：将Tr₂′输入，再次利用SGWO-SVR方法对SVR预测模型进行优化，得到最终模型TGWO-SVR；

S5：利用测试集Ts测试TGWO-SVR模型的性能。

实施例：

为了验证本发明中提出的预测方法有效性，通过仿真实验进行验证。

1、实验平台

本发明仿真实验采用Intel Core i7-4770处理器，8GB内存，操作系统MicrosoftWindows 10。利用python3.7调用SK-learn库实现预测方法。

2、实验数据

本发明所用的流量数据来自日本MAWI工作组，从2018年3月1日0:0:0至2008年4月1日0:0:0每隔两小时获取到的流量时间序列，共计371条数据，如附图3所示，图3中的横坐标为时间轴，纵坐标代表带宽，曲线上的点表示某一时刻的带宽值。将数据集按7:3分为训练集Tr和测试集Ts；再将Tr按6:4分为Tr₁和Tr₂。

由于SVR对[0,1]上的数据最为敏感，故对训练数据集进行归一化处理，归一化处理的公式为：

其中，x_i、x_i′分别为原始数据值和归一化后的值；x_max、x_min分别为x的最大值和最小值。

为评估本文提出SGWO-SVR和TGWO-SVR模型的预测准确度，与SVR、GA-SVR、DE-SVR进行比较，其中GA-SVR、DE-SVR分别是利用遗传算法(GA)和差分进化算法(DE)优化SVR后建立的对比模型。实验参数设置如表2所示：

表2实验参数设置

3、评价指标

本发明采用平均绝对百分比误差MAPE和均方根误差RMSE等性能衡量指标来评价模型的准确度。其定义如下：

其中，

表示第i条数据的流量的预测值，y_i为实际值。

并且，由MAPE和RMSE的定义可知，两者均为数值越小，预测效果越好。

4、实验结果及分析

所有预测模型的结果均在上述环境中运行10次取平均值得到。其实验结果如附图4以及表3所示。其中，附图4展示了5种方法的流量预测值和真实值，其图4(a)-(e)分别为SVR、GA-SVR、DE-SVR、SGWO-SVR和TGWO-SVR方法的预测结果。附图4中横坐标为时间轴，纵坐标为流量带宽；圆点所在曲线表示预测流量，五角星所在曲线表示为真实流量。

由附图4(d)和图4(e)可知，本发明提出的SGWO-SVR方法和TGWO-SVR方法的预测结果更接近于实际流量，从图4(a)中可以看出，使用传统SVR算法的预测结果与实际值产生了很大的误差，不足以通过历史流量精准的预测出实际流量；从图4(b)和图4(c)可以看出使用遗传算法和差分进化算法对SVR参数优化后所建立的模型，其预测精度则有明显提升，但预测精度仍不及本发明中所提到的的SGWO-SVR方法和TGWO-SVR方法。

为了对这5种预测方法进行量化比较，分别对这5种预测方法重复实验10次，并对其MAPE、RMSE以及耗时分别求均值，得到不同模型预测指标如表3所示。

表3不同模型的综合评价指标

由表3可知，对于MAPE来说，TGWO-SVR方法的值最小，说明该方法均优于其他4种方法；SGWO-SVR方法仅次于TGWO-SVR方法，也优于其他3种方法；而利用传统的SVR方法的预测效果是最差的。对于RMSE来说，TGWO-SVR方法的值也是最小的，预测效果最好，使用SVR方法直接预测的RMSE的值最大，其预测效果最差。

对于表3中所列出的不同模型的运行时间来说，5种模型在运行当中所耗费的时长各有差异。单一SVR模型，由于其算法单一且计算简单，所以运行时间最小，但其预测精度最差；对于GA-SVR和DE-SVR模型来说，收敛速度较慢，导致整体运行时间过长；对于使用SGWO-SVR方法和TGWO-SVR方法来说，运行时间仅次于使用传统SVR预测的运行时间，但远优于使用GA-SVR和DE-SVR方法预测的运行时间。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (2)

1.一种基于GWO-SVR的分步网络流量预测方法，其特征在于，包括以下步骤：

1)获取历史数据

获取待预测历史流量数据集S，且集合S中的每个元素S_i＝{t_i,b_i,b_i+1}，b_i为在t_i时刻网络流量带宽，b_i+1为下一时刻的流量带宽；

2)建立流量预测模型

第一种模型建立方法：基于SVR算法构建SVR流量预测模型，再将步骤1中的历史流量数据集S输入到SVR流量预测模型中，通过单步流量预测方法建立单步流量预测模型；

所述通过单步流量预测方法的操作步骤包括：

S21：将输入的历史流量数据集S划分为训练集Tr和测试集Ts；

S22：初始化灰狼种群数量N，解空间维度D，候选解空间和最大迭代次数以及收敛因子a，且每个灰狼个体的位置对应SVR参数(C，ε，γ)的一个候选解；

S23：将所述候选解作为SVR流量预测模型的参数，利用训练集Tr来训练SVR流量预测模型；

S24：计算每个灰狼个体的适应度函数值，得到每个灰狼的适应度；

S25：将得到的适应度最优的、次优的和第三优的灰狼个体位置分别定义为α狼、β狼、δ狼的位置，即X_α、X_β、X_δ；

S26：对狼群进行移动，更新灰狼位置，且灰狼进行移动的公式为：

其中，式(7)表示α狼、β狼、δ狼与其他灰狼之间的距离向量；式(8)表示灰狼种群分别在α、β、δ狼的指导下进行的位置更新，通过式(9)合成灰狼种群的最终位置，B₁、B₂、B₃表示当前时刻的协调系数向量，A₁、A₂、A₃表示当前时刻的收敛系数向量；

S27：随着收敛因子a的值从2到0的线性递减，根据更新公式来更新收敛系数向量A和协调系数向量B的值，所述更新公式为：

A＝2a·r₁-a (10)，

B＝2r₂ (11)；

其中，r₁、r₂表示随机向量；

S28：判断是否满足迭代终止条件，若满足，则转入S29；否则，则返回S24；

S29：输出α狼的位置坐标，即得到SVR参数(C，ε，γ)的最优值，完成SVR流量预测模型的优化，最终得到单步流量预测模型；

第二种模型建立方法：以第一种建立方法所建立的单步流量预测模型基础，结合两步流量预测方法建立两步流量预测模型；

3)输出结果

根据单步流量预测模型或两步流量预测模型输出下一时刻的网络流量预测结果b_i+1。

2.根据权利要求1所述的一种基于GWO-SVR的分步网络流量预测方法，其特征在于，所述第二种模型的建立步骤包括：

S31：输入历史流量数据集S，将S划分为训练集Tr₁、Tr₂和测试集Ts；

S32：利用第一种模型建立方法中所述的单步流量预测方法对训练集Tr₁进行训练，得到初级预测模型，利用该初级预测模型进行流量预测得到初步流量预测结果b′_i；

S33：将b′_i与Tr₂中的数据进行融合，得到Tr₂′＝{(t_i,b′_i,b_i+1)；

S34：构建SVR预测模型，再以Tr₂′为输入流量数据集，再次利用单步流量预测方法对所述SVR预测模型进行优化，最终得到两步流量预测模型。

Images