网络流量的混沌特性研究及网络流量预测算法研究

网络流量的混沌特性研究及网络流量预测算法研究

论文摘要

随着Internet及其应用的迅速发展,网络规模日益增大,网络应用日益复杂,由于互联网是一个高度复杂的非线性系统,为了实现可靠的数据传输及合理的网络资源分配,就需要深刻了解网络的控制机制和复杂的行为特性。而网络流量预测是流量工程、拥塞控制和网络管理的核心问题。所以要进行准确的网络流量预测首先必须了解网络流量的特性。网络流量的非线性变化部分有混沌特性的存在这一观点已被证明。现有的网络流量研究方法只是单一采用线性或者非线性的方法进行处理,而忽略了对混沌特性的研究。本文针对网络流量的混沌特性,介绍网络流量的相空间重构方法和参数确认的方法,并通过简单的试验验证理论的可用性。同时将小波变换和非线性动力学方法相结合研究网络流量的混沌特性,并改进相空间重构方法。将混沌吸引子投影于小波滤波器向量所张的空间中,并充分利用了小波变换的去噪优点,将小波变换与相空间重构结合,构建出一个新的重构模型,并用试验证明其优越性。将小波神经网络混沌时间序列预测方法引入到网络流量预测中,给网络数据流的预测方法都提供了行之有效的新方法。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  • 1.1 课题研究的背景
  • 1.2 研究现状
  • 1.3 研究的意义
  • 1.4 研究方法与技术路线
  • 第二章 时间序列分析简介
  • 2.1 时间序列分析简介
  • 2.1.1 时间序列分析
  • 2.1.2 时间序列预测
  • 2.2 混沌时间序列分析
  • 2.2.1 混沌吸引子的特征量
  • 2.2.2 混沌时间序列的判别方法
  • 2.3 本章小结
  • 第三章 网络流量的特性
  • 3.1 自相似性
  • 3.1.1 自相似性的概念
  • 3.1.2 自相似过程的参数估计方法
  • 3.1.3 自相似性对网络性能的影响
  • 3.2 长相关特性
  • 3.2.1 长相关流量的概念
  • 3.2.2 长相关(LRD)序列
  • 3.2.3 长相关序列估计算法
  • 3.3 混沌特性
  • 3.3.1 模型的建立
  • 3.3.2 分析的原理
  • 3.3.3 Hurst 参数的估计
  • 3.3.4 系统复杂程度
  • 3.3.5 网络流量的Lyapunov 指数
  • 3.3.6 网络数据长相关性的去除
  • 3.3.7 去长相关的网络流量系统动力学特性分析
  • 3.4 本章小结
  • 第四章 网络流量的相空间重构方法
  • 4.1 引言
  • 4.2 相空间重构理论
  • 4.2.1 相空间重构和Takens 定理
  • 4.2.2 小波变换改进相空间重构模型
  • 4.2.3 小波变换重构理论的比较试验
  • 4.3 网络流量混沌时间序列最佳延迟时间τ的确定方法
  • 4.3.1 自相关函数法
  • 4.3.2 互信息量法
  • 4.3.3 平均位移法
  • 4.3.4 改进自相关法
  • 4.3.5 分析实验
  • 4.4 网络流量混沌时间序列吸引子及其维数
  • 4.4.1 饱和关联维数(G-P)法
  • 4.4.2 虚假最近临点法方法
  • 4.4.3 Cao 氏方法
  • 4.4.4 奇异值分解
  • 4.4.5 分析试验
  • 4.5 网络流量混沌时间序列的最大 Lyapunov 指数
  • 4.5.1 Wolf 方法
  • 4.5.2 Jacobian 方法
  • 4.5.3 小数据量方法
  • 4.6 本章小结
  • 第五章 网络流量混沌时间序列的预测
  • 5.1 引言
  • 5.2 全局预测法
  • 5.3 局域法
  • 5.3.1 零阶局域预测
  • 5.3.2 加权零阶局域预测
  • 5.3.3 局域非线性预测法
  • 5.4 自适应预测模型
  • 5.4.1 Volterra 级数自适应预测模型
  • 5.4.2 Volterra 级数自适应预测试验
  • 5.5 基于神经网络的时间序列预测方法
  • 5.5.1 小波神经网络
  • 5.5.2 小波函数简介
  • 5.5.3 小波神经网络及学习算法
  • 5.6 网络流量预测的比较试验
  • 5.7 本章小结
  • 第六章 结束语
  • 致谢
  • 参考文献
  • 附录:作者在攻读硕士学位期间发表的论文
  • 相关论文文献

    • [1].基于神经网络模型的网络流量预测综述[J]. 无线电通信技术 2020(02)
    • [2].基于聚类分析算法和优化支持向量机的无线网络流量预测[J]. 计算机科学 2020(08)
    • [3].基于神经网络的校园网络流量预测[J]. 长江工程职业技术学院学报 2020(03)
    • [4].基于微分方程的船舶网络流量预测模型[J]. 舰船科学技术 2020(18)
    • [5].改进微分进化和小波神经网络的网络流量预测[J]. 计算机工程与设计 2019(12)
    • [6].基于组合模型的网络流量预测[J]. 微型电脑应用 2018(08)
    • [7].改进支持向量机的网络流量预测[J]. 计算机系统应用 2017(03)
    • [8].和声搜索算法优化支持向量机的网络流量预测[J]. 微型电脑应用 2017(01)
    • [9].一种网络流量预测模型的研究[J]. 科技通报 2017(07)
    • [10].网络流量预测算法仿真分析[J]. 计算机仿真 2016(09)
    • [11].相空间重构和正则极限学习机的网络流量预测[J]. 激光杂志 2015(01)
    • [12].基于小波变换和极限学习机的网络流量预测模型[J]. 微型电脑应用 2020(01)
    • [13].小波系数感知的网络流量预测机制[J]. 太赫兹科学与电子信息学报 2019(01)
    • [14].基于相空间重构双参数联合估计的网络流量预测[J]. 计算机与数字工程 2014(09)
    • [15].一种改进的网络流量预测模型研究[J]. 计算机技术与发展 2013(04)
    • [16].组合神经网络的网络流量预测研究[J]. 微电子学与计算机 2012(03)
    • [17].基于加权支持向量回归的网络流量预测[J]. 计算机工程与应用 2012(21)
    • [18].基于最大熵算法网络流量预测模型研究[J]. 计算机仿真 2011(10)
    • [19].改进的神经网络在网络流量预测中的应用研究[J]. 计算机仿真 2011(09)
    • [20].基于自适应过滤法和马尔柯夫链的网络流量预测方法[J]. 计算机应用与软件 2009(12)
    • [21].基于分组采样组播网络流量预测研究[J]. 微计算机信息 2008(33)
    • [22].基于极端学习机的网络流量预测模型[J]. 微型电脑应用 2018(04)
    • [23].基于小波神经网络的网络流量预测研究[J]. 现代电子技术 2016(23)
    • [24].基于直觉模糊综合评判的网络流量预测方法[J]. 微型电脑应用 2017(05)
    • [25].基于增量优化极端学习机的网络流量预测模型[J]. 信息技术 2015(12)
    • [26].一种基于多标记学习的网络流量预测算法[J]. 科技通报 2016(04)
    • [27].遗传算法优化延迟时间和嵌入维的网络流量预测[J]. 计算机工程与应用 2014(12)
    • [28].遗传优化神经网络的网络流量预测[J]. 微电子学与计算机 2013(03)
    • [29].网络流量预测的建模与仿真研究[J]. 计算机仿真 2011(12)
    • [30].基于混沌理论和神经网络的网络流量预测[J]. 微计算机信息 2010(03)

    标签:;  ;  ;  ;  ;  ;  

    网络流量的混沌特性研究及网络流量预测算法研究
    下载Doc文档

    猜你喜欢