CN115225516A - 一种基于改进abc-vmd的最小二乘支持向量机网络流量预测方法 - Google Patents

一种基于改进abc-vmd的最小二乘支持向量机网络流量预测方法 Download PDF

Info

Publication number
CN115225516A
CN115225516A CN202210840879.5A CN202210840879A CN115225516A CN 115225516 A CN115225516 A CN 115225516A CN 202210840879 A CN202210840879 A CN 202210840879A CN 115225516 A CN115225516 A CN 115225516A
Authority
CN
China
Prior art keywords
network flow
prediction
representing
stationary
parameter
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.)
Granted
Application number
CN202210840879.5A
Other languages
English (en)
Other versions
CN115225516B (zh
Inventor
李帅永
张旭云涛
张超
代正栩
曾建新
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202210840879.5A priority Critical patent/CN115225516B/zh
Publication of CN115225516A publication Critical patent/CN115225516A/zh
Application granted granted Critical
Publication of CN115225516B publication Critical patent/CN115225516B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Biomedical Technology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Optimization (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于网络流量预测领域，具体涉及一种基于改进ABC‑VMD的最小二乘支持向量机网络流量预测方法，该方法包括：获取非平稳SDN网络流量数据；采用优化的变分模态分解法将非平稳SDN网络流量数据进行转换分解，得到平稳时间序列分量；采用最小二乘支持向量机对每个平稳时间序列分量进行预测，得到每个分量的预测数据；将每个分量预测数据进行重构，得到网络流量预测结果；本发明采用人工蜂群算法对变分模态分解法中的参数进行优化，采用优化后的变分模态分解法对非平稳SDN网络流量数据进行转换分解，得到了平稳时间序列分量；采用参数最小二乘支持向量机对每个平稳时间序列分量进行预测，使得预测的结果更精确。

Description

一种基于改进ABC-VMD的最小二乘支持向量机网络流量预测 方法
技术领域
本发明属于网络流量预测领域，具体涉及一种基于改进ABC-VMD的最小二乘支持向量机网络流量预测方法。
背景技术
随着互联网技术的不断发展，各种网络资源飞速膨胀，其中趋势最为明显的便是网络流量。为实现对网络流量的灵活控制，使网络控制变得更加智能与便捷，软件定义网络(SDN)应运而生。由于传统的网络层次结构已无法适应日益扩大的网络规模，封闭的网络设备里面包含各项复杂协议，科研或维护人员无法轻易对其进行更改，甚至部署新的协议。因此，SDN利用分层的思想，将数据与控制相分离，将网络中交换设备的控制逻辑集中到一个计算设备上，极具可编程特性，有效提高了网络运营和日常维护的灵活性。对网络流量进行预测是研究SDN网络的重要领域之一。网络维护人员通过对网络中数据流的行为进行动态分析，提取其统计特征，并进行合理预测，以达到提前制定应对方案，对异常流量进行安全监控，合理分配网络资源，保证网络正常运行的目的。
机器学习作为一种数据驱动的研究方法，以其高度拟合及非线性估计能力的优势，逐渐被引入到时序的预测分析中。Yu等利用人工神经网络(ANN)和支持向量机(SVM)两种方法分别进行交通事故持续时间预测，通过均方根误差(RMSE)等指标对比了两种机器学习模型在预测中各自所存在的优势；最小二乘支持向量机(LSSVM)是在二次损失函数下SVM的一种扩展形式，只对线性方程进行求解且求解效率极高；Gao等将云模型和差分进化算法结合并引入LSSVM的参数优化中，利用云模型的全局信息进一步指导搜索，实验结果表明，该模型比RBFNN、LSSVM-GA等模型的预测效果更好。由于网络流量数据实质上属于时间序列范畴，同样具有非线性、非平稳性等特征，而这些不确定性特征往往会对预测分析带来巨大的困难。鉴于时间序列预测依赖于其数据序列的平稳性，故需要采取适当方法将时间序列平稳化。Dai等利用经验模态分解(EMD)将流量序列进行不同频率的拆分，使原始序列转化为一系列平稳数据序列分量，再结合组合预测模型对各分量进行预测并重构，在各项误差指标上均优于未分解时序模型。以上现有技术对于时间序列的分析均默认分解分量为平稳序列，但是在不考虑设置最优参数的情况下，部分分量的平稳性没达到理想范畴，使得预测的结果的准确性差。
发明内容
为解决以上现有技术存在的问题，本发明提出了一种基于改进ABC-VMD的最小二乘支持向量机网络流量预测方法，该方法包括：获取非平稳SDN网络流量数据；采用优化的变分模态分解法将非平稳SDN网络流量数据进行转换分解，得到平稳时间序列分量；采用最小二乘支持向量机对每个平稳时间序列分量进行预测，得到每个分量的预测数据；将每个分量预测数据进行重构，得到网络流量预测结果；根据网络流量预测结果对该网络进行流量控制。
优选的，采用优化的变分模态分解法将非平稳SDN网络流量数据进行转换分解包括：采用改进的人工蜂群算法对变分模态分解法中的参数进行优化，采用参数优化后的变分模态分解法对非平稳SDN网络流量数据进行分解，得到平稳时间序列分量。
进一步的，采用改进的人工蜂群算法对变分模态分解法中的参数进行优化的过程包括：
步骤1：初始化人工蜂群算法的参数，该参数包括：蜂群的蜜蜂总数Nc、引领蜂数量Ne、跟随蜂数量No、算法解的个数Ns、最大迭代次数M以及食物源参数组合(K,σ)；
步骤2：采用ADF检验输入数据的平稳性；
步骤3：根据平稳性验证结果构建适应度函数；
步骤4：引领蜂寻找蜜源，搜索新解，并计算每个解的适应度值，如果新的适应度值更大，则更新替换旧解；
步骤5：当引领蜂更新完蜜源后，按照蜜源的效益度大小计算跟随概率，跟随蜂依据跟随概率选择采蜜蜂进行跟随并进行领域搜索；
步骤6：若解的更新失败次数超过最大搜索次数，则不能继续被优化，跟随蜂放弃此解，此时跟随蜂转换为侦察蜂，开始搜索新蜜源；
步骤7：如果达到最大迭代次数，则训练结束，输出最优参数组合(K,α)；否则，返回步骤4。
进一步的，ADF检测模块包括第一模型、第二模型以及第三模型，采用ADF检验输入数据的平稳性包括依次采用第三模型、第二模型以及第一模型对输入数据的平稳性进行检测，其检测的表达式为：
第一模型：
Figure BDA0003750995580000031
第二模型：
Figure BDA0003750995580000032
第三模型：
Figure BDA0003750995580000033
其中，Δyt表示时间序列yt的一阶差分，β表示待估计参数，yt-1表示时间序列，θi表示滞后变量中的待估计参数，m表示样本容量，Δyt-i表示Δyt的滞后变量，ut表示残差项，α表示常数项，γ表示趋势项，t表示时间变量。
检验时从第三模型开始，然后第二模型和第一模型。如果拒绝原假设，则序列不存在单位根，表示序列为平稳序列，则可以停止检验；否则继续进行检验，直到通过模型1检验完为止。
优选的，采用参数优化后的变分模态分解法对非平稳SDN网络流量数据进行分解的过程包括：
步骤1：初始化参数
Figure BDA0003750995580000034
以及
Figure BDA0003750995580000035
并令n＝0；其中
Figure BDA0003750995580000036
表示模态分量集合，
Figure BDA0003750995580000037
表示模态中心频率，
Figure BDA0003750995580000038
表示拉格朗日乘子，n表示分量个数；
步骤2：将序列号n加1，并对参数uk和ωk进行更新；
步骤3：根据更新后的参数uk和ωk对参数λ进行更新；
步骤4：计算判别精度，若判别精度大于0，则停止迭代，并输出结果，该结构包括k个模态分量及其中心频率；否则返回步骤2。
进一步的，对参数uk和ωk进行更新的公式为：
Figure BDA0003750995580000041
Figure BDA0003750995580000042
其中，
Figure BDA0003750995580000043
表示更新后的频谱，ω表示中心频率，
Figure BDA0003750995580000044
表示瞬时频率，
Figure BDA0003750995580000045
表示模态函数ui的频率，
Figure BDA0003750995580000046
表示λ的频谱，α表示惩罚因子，ωk表示中心频率，
Figure BDA0003750995580000047
表示更新后的中心频率。
进一步的，对参数λ进行更新的公式为：
Figure BDA0003750995580000048
其中，ω表示中心频率，
Figure BDA0003750995580000049
表示λ的频谱，
Figure BDA00037509955800000410
表示瞬时频率，
Figure BDA00037509955800000411
表示更新后的频谱，k表示分解层数。
优选的，计算判别精度的公式为：
Figure BDA00037509955800000412
其中，
Figure BDA00037509955800000413
表示更新后的频谱，
Figure BDA00037509955800000414
表示模态函数uk的频率，
Figure BDA00037509955800000415
表示L2范数。
优选的，采用优化的最小二乘支持向量机对每个平稳时间序列分量进行预测的过程包括：
步骤1：获取一组SDN网络流量样本集合，根据获取的样本集合构建线性回归函数；
步骤2：根据线性回归函数将回归问题转化为求解函数的最小问题；
步骤3：采用拉格朗日函数对最小问题进行优化，得到预测函数；
步骤4：根据预测函数得到预测结果。
进一步的，预测函数为：
Figure BDA0003750995580000051
其中，(α1,…，αN)是权重向量，K(x,xi)是内核函数，b是偏置。
本发明的有益效果：
本发明采用人工蜂群算法对变分模态分解法中的参数进行优化，采用优化后的变分模态分解法对非平稳SD网络流量数据进行转换分解，得到了平稳时间序列分量；采用参数最小二乘支持向量机对每个平稳时间序列分量进行预测，使得预测的结果更精确。
附图说明
图1为本发明的整体流程图；
图2为本发明的ABC优化VMD分解流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提出一种基于人工蜂群算法优化变分模态分解参数并结合最小二乘支持向量机预测模型的SDN网络流量短时预测方法。该方法包括：首先获取非平稳SDN网络流量数据，采用变分模态分解方法将非平稳SDN网络流量数据转化为平稳时间序列分量；然后引入ADF检验，也就是单位根检验，通过假设检验结果判断分解分量的平稳性；整理检验结果，找出其统计量概率值的最大值，并以该结果构造人工蜂群算法的适应度函数；通过人工蜂群算法优化变分模态分解的分解层数K和惩罚因子α,迭代输出最优参数组合；最后利用最小二乘支持向量机对各序列分量进行预测并重构，得到最终预测结果。
一种基于改进ABC-VMD的最小二乘支持向量机网络流量预测方法的具体实施方式，如图1所示，该方法包括：获取非平稳SDN网络流量数据；采用优化的变分模态分解法将非平稳SDN网络流量数据进行转换分解，得到平稳时间序列分量；采用最小二乘支持向量机对每个平稳时间序列分量进行预测，得到每个分量的预测数据；将每个分量预测数据进行重构，得到网络流量预测结果；根据网络流量预测结果对该网络进行流量控制。
采用优化的变分模态分解法将非平稳SDN网络流量数据进行转换分解包括：采用人工蜂群算法对变分模态分解法中的参数进行优化，采用参数优化后的变分模态分解法对非平稳SDN网络流量数据进行分解，得到平稳时间序列分量。具体的，首先利用变分模态分解将初始SDN网络流量序列分解为平稳时间序列分量。VMD的核心思想为构建和求解变分问题。。在该算法中，本征模态函数(IMF)定义为一个有带宽限制的调幅-调频函数，VMD算法的功能便是通过构造并求解约束变分问题，将原始信号分解为指定个数的IMF分量。假设输入的初始SDN网络流量序列f由k个本征模态函数(IMF)组成：
uk(t)＝Ak(t)cos[φk(t)]
其中，Ak(t)表示包络函数，φk(t)表示一个非递减函数，即φk'(t)≥0。
相位φk(t)为一个非递减函数，即φk'(t)≥0，Ak(t)表示包络函数。假设每个IMF中心频率为ωk，当约束条件为各模式之和等于输入信号f时，VMD的具体构造步骤如下：
首先进行希尔伯特变换以获得uk(t)，并计算单边谱，然后在其后乘以
Figure BDA0003750995580000061
得到uk(t)的中心带调制到相应的基带：
Figure BDA0003750995580000062
其中，δ(t)表示单位脉冲函数。
然后计算上述解调信号梯度的L2范数，估计每个模态信号的带宽，得到约束变分问题：
Figure BDA0003750995580000071
其中，uk表示模态分量，ωk表示中心频率，K表示分解层数，
Figure BDA0003750995580000079
表示偏导运算，uk表示模态分量，f表示原始流量序列。
为了求解上述约束变分问题的最优解，引入了拉格朗日乘子λ(t)和二次惩罚因子α将约束问题转化为无约束变分问题。在保证信号重构精度的情况下，拉格朗日乘法算子λ(t)保持严格的约束。扩展的拉格朗日表达式为：
Figure BDA0003750995580000072
最后，采用乘法器交替方向算法解决上述问题，并不断更新元件及其频率。最后得到了无约束模型的鞍点，即原问题的最优解。从频域中获取分量的公式为：
Figure BDA0003750995580000073
其中，
Figure BDA0003750995580000074
分别表示
Figure BDA0003750995580000075
f(ω)，λ(ω)的傅里叶变换；
Figure BDA0003750995580000076
是当前剩余量
Figure BDA0003750995580000077
通过维纳滤波器的结果。
在该算法中，根据每个分量功率谱的重心重新估计中心频率，对ω更新的公式为：
Figure BDA0003750995580000078
采用优化的变分模态分解法将非平稳SDN网络流量数据进行转换分解包括：采用人工蜂群算法对变分模态分解法中的参数进行优化，采用参数优化后的变分模态分解法对非平稳SDN网络流量数据进行分解，得到平稳时间序列分量。
如图2所示，采用改进自适应函数的人工蜂群算法对变分模态分解法中的参数进行优化的过程包括：
步骤1：初始化人工蜂群算法的参数，该参数包括：蜂群的蜜蜂总数Nc、引领蜂数量Ne、跟随蜂数量No、算法解的个数Ns、最大迭代次数M以及食物源参数组合(K,σ)；
步骤2：采用ADF检验输入数据的平稳性；考虑到分解分量的平稳性，引入单位根检验中的ADF检验对其进行平稳性衡量。ADF检测模块包括第一模型、第二模型以及第三模型，采用ADF检验输入数据的平稳性的过程中依次采用第三模型、第二模型以及第一模型对输入数据的平稳性进行检测，其检测的表达式为：
第一模型：
Figure BDA0003750995580000081
第二模型：
Figure BDA0003750995580000082
第三模型：
Figure BDA0003750995580000083
其中，Δyt表示时间序列yt的一阶差分，β表示待估计参数，yt-1表示时间序列，θi表示滞后变量中的待估计参数，m表示样本容量，Δyt-i表示Δyt的滞后变量，ut表示残差项，α表示常数项，γ表示趋势项，t表示时间变量。
检验时从模型3开始，然后模型2，最后模型1。如果拒绝原假设，则序列不存在单位根，表示序列为平稳序列，则可以停止检验；否则继续进行检验，直到通过模型1检验完为止。
对于上述公式中的分量序列yt的单位根检验，零假设和备假设分别是：
H0:β＝1,(yt非平稳)；
H1:β＜1,(yt平稳)
检验原则为：
DF≥临界值，则接受H0，说明yt非平稳；
DF＜临界值，则拒绝H0，说明yt是平稳的。
其中DF为统计量的概率值，临界值一般设定为0.05。
根据各分量经单位根检验后得到的结果构造ABC适应度函数，令各分量平稳性检验结果统计量的概率值为pi，i＝1,...,k。
步骤3：根据平稳性验证结果构建适应度函数；构造适应度函数f(x)如下所示：
Figure BDA0003750995580000091
首先每一次迭代是为寻得各分量统计概率值pi的最大值，然后迭代最终目标就是为获得每次迭代寻得的该最大值集合中的的最小值，以获得平稳性最优的序列分量。
步骤4：引领蜂寻找蜜源，搜索新解，并计算每个解的适应度值，如果新的适应度值更大，则更新替换旧解；邻域搜索公式为：
vij＝xij+rij(xij-xkj)
其中，xij表示第i个蜜源的第j维坐标，rij∈[-1,1]是一个随机选择的数，xkj表示第k个蜜源的第j维坐标。
步骤5：：当引领蜂更新完蜜源后，按照蜜源的效益度大小计算跟随概率，跟随蜂依据跟随概率选择采蜜蜂进行跟随并进行领域搜索；跟随概率函数为：
Figure BDA0003750995580000092
其中，f(Xi)表示第i个蜜源的适应度值，Xi表示第i个蜜源。
步骤6：若解的更新失败次数超过最大搜索次数，则不能继续被优化，跟随蜂放弃此解，此时跟随蜂转换为侦察蜂，开始搜索新蜜源；蜜源更新公式为：
xij＝xmin(j)+rand(0,1)(xmax(j)-xmin(j))
其中，xmin(j)和xmax(j)分别表示第j维的最小值和最大值，rand(0,1)表示区间(0，1)上的随机数。
步骤7：如果达到最大迭代次数，则训练结束，输出最优参数组合(K,α)；否则，返回步骤4。
采用参数优化后的变分模态分解法对非平稳SDN网络流量数据进行分解的过程包括：
步骤1：初始化参数
Figure BDA0003750995580000101
以及
Figure BDA0003750995580000102
并令n＝0；其中
Figure BDA0003750995580000103
表示模态分量集合，
Figure BDA0003750995580000104
表示模态中心频率，
Figure BDA0003750995580000105
表示拉格朗日乘子，n表示分量个数；
步骤2：将序列号n加1，并对参数uk和ωk进行更新；
步骤3：根据更新后的参数uk和ωk对参数λ进行更新；λ的更新公式为：
Figure BDA0003750995580000106
其中，ω表示中心频率，
Figure BDA0003750995580000107
表示λ的频谱，
Figure BDA0003750995580000108
表示瞬时频率，
Figure BDA0003750995580000109
表示更新后的频谱，k表示分解层数。
步骤4：计算判别精度，若判别精度大于0，则停止迭代，并输出结果，该结构包括k个模态分量及其中心频率；否则返回步骤2。计算判别精度的公式为：
Figure BDA00037509955800001010
其中，
Figure BDA00037509955800001011
表示更新后的频谱，
Figure BDA00037509955800001012
表示模态函数uk的频率，
Figure BDA00037509955800001013
表示L2范数。
采用优化的最小二乘支持向量机对每个平稳时间序列分量进行预测的过程包括：
步骤1：获取一组SDN网络流量样本集合，根据获取的样本集合构建线性回归函数；
步骤2：根据线性回归函数将回归问题转化为求解函数的最小问题；
步骤3：采用拉格朗日函数对最小问题进行优化，得到预测函数；
步骤4：根据预测函数得到预测结果。
具体的，引入一组SDN网络流量样本集合
Figure BDA00037509955800001014
其中xi为输入向量(初始网络流量时间序列)，yi为其类标签，m为样本容量，Rn表示n维实数集，R表示实数集。根据获取的样本集合构建线性回归函数，改函数的表达式为：
Figure BDA0003750995580000111
其中，权向量w∈Rn,b∈R,
Figure BDA0003750995580000112
将输入数据映射到高维特征空间中。
LSSVM的回归问题转化为求解以下公式的最小问题：
Figure BDA0003750995580000113
约束条件为：
Figure BDA0003750995580000114
其中，ei为第i个估计值和真实值之间的误差，γ为正则化系数。
根据对偶原理，将LSSVM的优化问题转化为拉格朗日方程：
Figure BDA0003750995580000115
对w,b,e,α求偏导，可以得到该拉格朗日函数的最优化条件为：
Figure BDA0003750995580000116
将上述所求最优化条件转变为矩阵，即为：
Figure BDA0003750995580000117
其中，
Figure BDA0003750995580000118
Ωkj＝K(xk,xj),k、j＝1,……,m为核函数矩阵；γ为正则化系数；α＝[α1；...；αm]；Y＝[y1；...ym]。
最终得到LSSVM的预测函数为：
Figure BDA0003750995580000121
其中，(α1,…，αN)是权重向量，K(x,xi)是内核函数，b是偏置。
数据重构的具体实施方式包括利用LSSVM对各分量进行预测分析后，需要对各分量预测值进行数据重构，整合以后输出最后的SDN网络流量预测结果。重构信号的表达式为：
Figure BDA0003750995580000122
其中，ωi为各分量中心频率，
Figure BDA0003750995580000123
表示模态分量函数，k表示分解层数。重构结果fpre即初始SDN网络流量时间序列的最终预测结果。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于改进ABC-VMD的最小二乘支持向量机网络流量预测方法，其特征在于，包括：获取非平稳SDN网络流量数据；采用优化的变分模态分解法将非平稳SDN网络流量数据进行转换分解，得到平稳时间序列分量；采用最小二乘支持向量机对每个平稳时间序列分量进行预测，得到每个分量的预测数据；将每个分量预测数据进行重构，得到网络流量预测结果；根据网络流量预测结果对该网络进行流量控制。
2.根据权利要求1所述的一种基于改进ABC-VMD的最小二乘支持向量机网络流量预测方法，其特征在于，采用优化的变分模态分解法将非平稳SDN网络流量数据进行转换分解包括：采用改进的人工蜂群算法对变分模态分解法中的参数进行优化，采用参数优化后的变分模态分解法对非平稳SDN网络流量数据进行分解，得到平稳时间序列分量。
3.根据权利要求2所述的一种基于改进ABC-VMD的最小二乘支持向量机网络流量预测方法，其特征在于，采用改进的人工蜂群算法对变分模态分解法中的参数进行优化的过程包括：
步骤1：初始化人工蜂群算法的参数，该参数包括：蜂群的蜜蜂总数Nc、引领蜂数量Ne、跟随蜂数量No、算法解的个数Ns、最大迭代次数M以及食物源参数组合(K,σ)；
步骤2：采用ADF检验输入数据的平稳性；
步骤3：根据平稳性验证结果构建适应度函数；
步骤4：引领蜂寻找蜜源，搜索新解，并计算每个解的适应度值，如果新的适应度值更大，则更新替换旧解；
步骤5：：当引领蜂更新完蜜源后，按照蜜源的效益度大小计算跟随概率，跟随蜂依据跟随概率选择采蜜蜂进行跟随并进行领域搜索；
步骤6：若解的更新失败次数超过最大搜索次数，则不能继续被优化，跟随蜂放弃此解，此时跟随蜂转换为侦察蜂，开始搜索新蜜源；
步骤7：如果达到最大迭代次数，则训练结束，输出最优参数组合(K,α)；
否则，返回步骤4。
4.根据权利要求3所述的一种基于改进ABC-VMD的最小二乘支持向量机网络流量预测方法，其特征在于，ADF检测模块包括第一模型、第二模型以及第三模型，采用ADF检验输入数据的平稳性包括依次采用第三模型、第二模型以及第一模型对输入数据的平稳性进行检测，其检测的表达式为：
第一模型：
Figure FDA0003750995570000021
第二模型：
Figure FDA0003750995570000022
第三模型：
Figure FDA0003750995570000023
其中，Δyt表示时间序列yt的一阶差分，β表示待估计参数，yt-1表示时间序列，θi表示滞后变量中的待估计参数，m表示样本容量，Δyt-i表示Δyt的滞后变量，ut表示残差项，α表示常数项，γ表示趋势项，t表示时间变量。
5.根据权利要求2所述的一种基于改进ABC-VMD的最小二乘支持向量机网络流量预测方法，其特征在于，采用参数优化后的变分模态分解法对非平稳SDN网络流量数据进行分解的过程包括：
步骤1：初始化参数
Figure FDA0003750995570000024
以及
Figure FDA0003750995570000025
并令n＝0；其中
Figure FDA0003750995570000026
表示模态分量集合，
Figure FDA0003750995570000027
表示模态中心频率，
Figure FDA0003750995570000028
表示拉格朗日乘子，n表示分量个数；
步骤2：将序列号n加1，并对参数uk和ωk进行更新；
步骤3：根据更新后的参数uk和ωk对参数λ进行更新；
步骤4：计算判别精度，若判别精度大于0，则停止迭代，并输出结果，该结构包括k个模态分量及其中心频率；否则返回步骤2。
6.根据权利要求5所述的一种基于改进ABC-VMD的最小二乘支持向量机网络流量预测方法，其特征在于，对参数uk和ωk进行更新的公式为：
Figure FDA0003750995570000031
Figure FDA0003750995570000032
其中，
Figure FDA0003750995570000033
表示更新后的频谱，ω表示中心频率，
Figure FDA0003750995570000034
表示瞬时频率，
Figure FDA0003750995570000035
表示模态函数ui的频率，
Figure FDA0003750995570000036
表示λ的频谱，α表示惩罚因子，ωk表示中心频率，
Figure FDA0003750995570000037
表示更新后的中心频率。
7.根据权利要求4所述的一种基于改进ABC-VMD的最小二乘支持向量机网络流量预测方法，其特征在于，对参数λ进行更新的公式为：
Figure FDA0003750995570000038
其中，ω表示中心频率，
Figure FDA0003750995570000039
表示λ的频谱，
Figure FDA00037509955700000310
表示瞬时频率，
Figure FDA00037509955700000311
表示更新后的频谱，k表示分解层数。
8.根据权利要求4所述的一种基于改进ABC-VMD的最小二乘支持向量机网络流量预测方法，其特征在于，计算判别精度的公式为：
Figure FDA00037509955700000312
其中，
Figure FDA00037509955700000313
表示更新后的频谱，
Figure FDA00037509955700000314
表示模态函数uk的频率，
Figure FDA00037509955700000315
表示L2范数。
9.根据权利要求1所述的一种基于改进ABC-VMD的最小二乘支持向量机网络流量预测方法，其特征在于，采用优化的最小二乘支持向量机对每个平稳时间序列分量进行预测的过程包括：
步骤1：获取一组SDN网络流量样本集合，根据获取的样本集合构建线性回归函数；
步骤2：根据线性回归函数将回归问题转化为求解函数的最小问题；
步骤3：采用拉格朗日函数对最小问题进行优化，得到预测函数；
步骤4：根据预测函数得到预测结果。
10.根据权利要求9所述的一种基于改进ABC-VMD的最小二乘支持向量机网络流量预测方法，其特征在于，预测函数为：
Figure FDA0003750995570000041
其中，(α1,…，αN)是权重向量，K(x,xi)是内核函数，b是偏置。
CN202210840879.5A 2022-07-18 2022-07-18 基于改进abc-vmd的lssvm网络流量预测方法 Active CN115225516B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210840879.5A CN115225516B (zh) 2022-07-18 2022-07-18 基于改进abc-vmd的lssvm网络流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210840879.5A CN115225516B (zh) 2022-07-18 2022-07-18 基于改进abc-vmd的lssvm网络流量预测方法

Publications (2)

Publication Number Publication Date
CN115225516A true CN115225516A (zh) 2022-10-21
CN115225516B CN115225516B (zh) 2023-09-12

Family

ID=83612745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210840879.5A Active CN115225516B (zh) 2022-07-18 2022-07-18 基于改进abc-vmd的lssvm网络流量预测方法

Country Status (1)

Country Link
CN (1) CN115225516B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115810426A (zh) * 2022-12-21 2023-03-17 河南科技大学第一附属医院 用于食管鳞状细胞癌预后的工具、系统及应用
CN116192665A (zh) * 2022-12-27 2023-05-30 中移动信息技术有限公司 数据处理方法、装置、计算机设备及存储介质
CN116595589A (zh) * 2023-07-17 2023-08-15 中国科学院数学与系统科学研究院 基于秘密共享机制的分布式支持向量机训练方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102456109A (zh) * 2011-08-01 2012-05-16 中国人民解放军国防科学技术大学 一种用于木马事件预测的最小二乘支持向量机的训练方法及预测方法
CN111277434A (zh) * 2020-01-16 2020-06-12 北京工业大学 一种基于vmd和lstm的网络流量多步预测方法
EP3839917A1 (en) * 2019-12-18 2021-06-23 Telefónica Iot & Big Data Tech, S.A. Method, system and computer programs for traffic estimation using passive network data
CN113240193A (zh) * 2021-06-03 2021-08-10 安徽理工大学 一种基于变分模态分解和人工蜂群优化的短期电力负荷预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102456109A (zh) * 2011-08-01 2012-05-16 中国人民解放军国防科学技术大学 一种用于木马事件预测的最小二乘支持向量机的训练方法及预测方法
EP3839917A1 (en) * 2019-12-18 2021-06-23 Telefónica Iot & Big Data Tech, S.A. Method, system and computer programs for traffic estimation using passive network data
CN111277434A (zh) * 2020-01-16 2020-06-12 北京工业大学 一种基于vmd和lstm的网络流量多步预测方法
CN113240193A (zh) * 2021-06-03 2021-08-10 安徽理工大学 一种基于变分模态分解和人工蜂群优化的短期电力负荷预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RANRAN LI: "Multi-step least squares support vector machine modeling approach for forecasting short-term electricity demand with application", 《SPRINGER》 *
杜爽: "基于模态分解和神经网络的网络流量混合预测模型研究", 《硕士电子期刊》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115810426A (zh) * 2022-12-21 2023-03-17 河南科技大学第一附属医院 用于食管鳞状细胞癌预后的工具、系统及应用
CN116192665A (zh) * 2022-12-27 2023-05-30 中移动信息技术有限公司 数据处理方法、装置、计算机设备及存储介质
CN116595589A (zh) * 2023-07-17 2023-08-15 中国科学院数学与系统科学研究院 基于秘密共享机制的分布式支持向量机训练方法及系统
CN116595589B (zh) * 2023-07-17 2023-10-10 中国科学院数学与系统科学研究院 基于秘密共享机制的分布式支持向量机训练方法及系统

Also Published As

Publication number Publication date
CN115225516B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN105391083B (zh) 基于变分模态分解和相关向量机的风功率区间短期预测方法
US11409347B2 (en) Method, system and storage medium for predicting power load probability density based on deep learning
CN110610280B (zh) 一种电力负荷短期预测方法、模型、装置及系统
Wang et al. Multilevel wavelet decomposition network for interpretable time series analysis
Yang et al. Remaining useful life prediction based on denoising technique and deep neural network for lithium-ion capacitors
Yoon et al. Semi-supervised learning with deep generative models for asset failure prediction
CN115225516A (zh) 一种基于改进abc-vmd的最小二乘支持向量机网络流量预测方法
Dalto et al. Deep neural networks for ultra-short-term wind forecasting
CN110309603B (zh) 一种基于风速特性的短期风速预测方法及系统
CN111193256A (zh) 基于变分模态分解和门控循环单元的电力负荷预测方法
CN109886464B (zh) 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法
CN114297036B (zh) 数据处理方法、装置、电子设备及可读存储介质
CN111062512B (zh) 一种风电功率预测方法
CN111160626B (zh) 一种基于分解融合的电力负荷时间序列控制方法
Han et al. An efficient algorithm for atomic decomposition of power quality disturbance signals using convolutional neural network
Zhang et al. Effectively modeling time series with simple discrete state spaces
CN112307963A (zh) 一种基于振动信号的换流变压器运行状态识别方法
Zhao et al. A short-term hybrid wind power prediction model based on singular spectrum analysis and temporal convolutional networks
Zu et al. A simple gated recurrent network for detection of power quality disturbances
Khetarpal et al. Power quality disturbances detection and classification based on deep convolution auto-encoder networks
CN116245033A (zh) 人工智能驱动的电力系统分析方法及智能软件平台
CN110852522A (zh) 一种短期电力负荷预测方法及系统
CN114500335A (zh) 基于模糊c均值和混合核最小二乘支持向量机的sdn网络流程控制方法
Lodhi et al. Learning product graphs underlying smooth graph signals
CN112991088A (zh) 一种基于vmd-anfis-arima的月度电力需求预测方法

Legal Events

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