论文摘要
随着互联网的规模不断扩大,网上应用的不断增多以及网络流量的不断增加,互联网也出现了越来越多的问题。如何对互联网进行行之有效的管理成为了当前人们面临的新挑战。因为这个原因,越来越多的研究人员开始对网络流量进行研究,希望在对网络流量的研究中提出一些新的方法来应对上述挑战。由于网络流量具有自相似性的特点,可以对部分网络流量进行分析从而掌握整体网络流量的性质。根据网络流量的自相似性,本文对网络流量的突发性和漂移性进行了分析。并且针对该性质,本文提出了一种自适应遗传算法优化神经网络模型的流量预测方法。相比传统的流量预测算法,由于本预测算法充分考虑了网络流量的突发性和漂移性,因此在预测的准确性上有较大的改进。本文的内容分为如下几个方面:1.利用经典的R/S重标极差法,分析了网络流量的自相似性,并且根据此性质对网络流量进行了进一步的研究。通过实验说明了网络流量具有power-law特性,并且证明了power-law性质的叠加是造成网络流量突发性的一个重要原因。2.根据网络流量的突发性和漂移性,提出了一种自适应的遗传算法。该算法能够根据流量的变化自适应的调整收敛速度,实验说明该算法在性能上相较于传统遗传算法有较大的改进。3.利用改进的遗传算法优化BP神经网络模型和RBF神经网络模型,并且与利用传统方法优化的这两种神经网络模型进行对比。通过利用在真实网络流量数据上的预测实验进行比对,说明了用改进遗传算法优化的模型较传统方法来说在性能上有较大的提高。4.实现了一个网络流量预测系统。该系统可以在多个时间粒度上对网络流量进行预测,并且可以根据实际的需要选择相应的模型。网络管理人员可以根据这个系统的结果来做出合理的决策,及时应对网络中的各种突发事件。