CN115225516B - 基于改进abc-vmd的lssvm网络流量预测方法 - Google Patents
基于改进abc-vmd的lssvm网络流量预测方法 Download PDFInfo
- Publication number
- CN115225516B CN115225516B CN202210840879.5A CN202210840879A CN115225516B CN 115225516 B CN115225516 B CN 115225516B CN 202210840879 A CN202210840879 A CN 202210840879A CN 115225516 B CN115225516 B CN 115225516B
- Authority
- CN
- China
- Prior art keywords
- representing
- prediction
- parameter
- adopting
- function
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 40
- 238000012843 least square support vector machine Methods 0.000 claims abstract description 20
- 241000257303 Hymenoptera Species 0.000 claims description 30
- 235000012907 honey Nutrition 0.000 claims description 17
- 238000001228 spectrum Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 7
- 230000008901 benefit Effects 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 239000004243 E-number Substances 0.000 claims description 3
- 235000013305 food Nutrition 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 41
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001744 unit root test Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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"
-
- G06Q50/40—
-
- 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
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
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LSSVM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LSSVM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：
第二模型：
第三模型：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：初始化参数以及/>并令n＝0；其中/>表示模态分量集合，表示模态中心频率，/>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：
其中，表示更新后的频谱，ω表示中心频率，/>表示瞬时频率，/>表示模态函数ui的频率，/>表示λ的频谱，α表示惩罚因子，ωk表示中心频率，/>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：
其中，ω表示中心频率，表示λ的频谱，/>表示瞬时频率，/>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：
其中，表示更新后的频谱，/>表示模态函数uk的频率，/>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：
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LSSVM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φ'k(t)≥0。
相位φk(t)为一个非递减函数，即φ'k(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，然后在其后乘以得到uk(t)的中心带调制到相应的基带：
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：
其中，uk表示模态分量，ωk表示中心频率，K表示分解层数，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：
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：
其中，分别表示/>f(ω)，λ(ω)的傅里叶变换；是当前剩余量/>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：
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：
第二模型：
第三模型：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：
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：
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：初始化参数以及/>并令n＝0；其中/>表示模态分量集合，表示模态中心频率，/>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：
其中，ω表示中心频率，表示λ的频谱，/>表示瞬时频率，/>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：
其中，表示更新后的频谱，/>表示模态函数uk的频率，/>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：
其中，权向量w∈Rn,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：
约束条件为：
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：
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：
将上述所求最优化条件转变为矩阵，即为：
其中，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：
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：
其中，ωi为各分量中心频率，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 (3)
1.一种基于改进ABC-VMD的LSSVM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；
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；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；适应度函数为：
其中，pi为各分量平稳性检验结果统计量的概率值；
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；
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：初始化参数以及/>并令n＝0；其中/>表示模态分量集合，/>表示模态中心频率，/>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；对参数uk和ωk进行更新的公式为：
其中，表示更新后的频谱，ω表示中心频率，/>表示瞬时频率，/>表示模态函数ui的频率，/>表示λ的频谱，α表示惩罚因子，ωk表示中心频率，/>表示更新后的中心频率；
步骤3：根据更新后的参数uk和ωk对参数λ进行更新；对参数λ进行更新的公式为：
其中，ω表示中心频率，表示λ的频谱，/>表示瞬时频率，/>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，该结果包括k个模态分量及其中心频率；否则返回步骤2；
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；预测函数为：
其中，(α1,…，αN)是权重向量，K(x,xi)是内核函数，b是偏置；
步骤4：根据预测函数得到预测结果。
2.根据权利要求1所述的一种基于改进ABC-VMD的LSSVM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：
第二模型：
第三模型：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。
3.根据权利要求1所述的一种基于改进ABC-VMD的LSSVM网络流量预测方法，其特征在于，计算判别精度的公式为：
其中，表示更新后的频谱，/>表示模态函数uk的频率，/>表示L2范数。
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 CN115225516A (zh) | 2022-10-21 |
| CN115225516B true 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) |
Families Citing this family (3)
| 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 |
| 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 |
Citations (4)
| 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 |
-
2022
- 2022-07-18 CN CN202210840879.5A patent/CN115225516B/zh active Active
Patent Citations (4)
| 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 (1)
| Title |
|---|
| 基于模态分解和神经网络的网络流量混合预测模型研究;杜爽;《硕士电子期刊》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115225516A (zh) | 2022-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
| CN115225516B (zh) | 基于改进abc-vmd的lssvm网络流量预测方法 | |
| Yoon et al. | Semi-supervised learning with deep generative models for asset failure prediction | |
| US8645304B2 (en) | Change point detection in causal modeling | |
| 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 | |
| US10387768B2 (en) | Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment | |
| CN111832825B (zh) | 融合长短期记忆网络和极限学习机的风电预测方法及系统 | |
| CN110705255B (zh) | 检测语句之间的关联关系的方法和装置 | |
| CN110909810A (zh) | 基于数据挖掘和变分模态分解的可再生能源短期预测方法 | |
| CN112699960A (zh) | 基于深度学习的半监督分类方法、设备及存储介质 | |
| McComb | Toward the rapid design of engineered systems through deep neural networks | |
| CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
| Oliinyk et al. | Synthesis of neuro-fuzzy networks on the basis of association rules | |
| Zu et al. | A simple gated recurrent network for detection of power quality disturbances | |
| He et al. | Single channel blind source separation under deep recurrent neural network | |
| 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 | |
| CN116706907B (zh) | 基于模糊推理的光伏发电预测方法和相关设备 | |
| CN110288002B (zh) | 一种基于稀疏正交神经网络的图像分类方法 | |
| CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和系统 | |
| Mirzaeifard et al. | Dynamic graph topology learning with non-convex penalties | |
| Bin et al. | Simple and effective fault diagnosis method of power lithium-ion battery based on GWA-DBN | |
| Li et al. | Towards Practical Physics-Informed ML Design and Evaluation for Power Grid | |
| CN112231933B (zh) | 一种面向雷达电磁干扰效应分析的特征选择方法 | |
| US20230122207A1 (en) | Domain Generalization via Batch Normalization Statistics | |
| Panigrahi et al. | Removal and interpolation of missing values using wavelet neural network for heterogeneous data sets |
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 |