一种网络流量的预测方法及装置制造方法及图纸

本发明专利技术公开了一种网络流量的预测方法，包括：通过小波包分解对原始网络流量时间序列信号数据进行预定层数序列分解得到子序列；根据子序列建立BP神经网络模型，并利用飞蛾纵横交叉捕焰算法自适应调整BP神经网络模型的阈值和权值；根据调整后的阈值和权值，利用BP神经网络模型对子序列进行优化，得到子序列预测值；将子序列预测值进行叠加重构得到网络流量的预测结果；该方法能捕获网络流量的变化规律，大大提升了预测网络流量时间序列的准确度和泛化能力；本发明专利技术还公开了一种网络流量的预测装置，具有上述有益效果。

【技术实现步骤摘要】

本专利技术涉及通信
，特别涉及一种网络流量的预测方法及装置。
技术介绍
网络流量预测是建立在时轴上现在与未来流量间的定量关系。因为网络流量具有自相似性和周期性的特征，所以可以根据过去的及现在已知的或非确定的网络流量历史数据集，建立一个从过去延伸到将来的网络流量预测模型，掌握网络流量动态变化趋势，为异常流量安全监控、网络资源分配规划以及优化网络协议性能提供依据。随着网络流量复杂度的增加，网络流量往往是一种非平稳的混沌时间序列，传统的自回归滑动平均(ARMA)模型、差分自回归滑动平均(ARIMA)模型以及差分自回归求和滑动平均(FARIMA)模型等线性模型已无法保证预测的精准性。因此很多学者从实现简单、学习能力强的人工神经网络出发建立更有效的非线性预测模型，刘杰等建立了具有较好预测精度和自适应性的基于时间相关的BP神经网络非线性网络流量预测模型；石云等将小波分析融合在神经网络中预测网络流量变化态势；韩小燕等提出基于小波变换的PCNN网络流量预测方法；并且马力等成功将一种紧致型小波神经网络应用在校园网流量预测中。但是，现有技术使用的人工神经网络由于采用梯度下降法来调整阈值和权值，导致算法收敛速度慢且易陷入局部最优解。同时，小波分解每次只对低频部分进行再分解，无法多层次分析现有样本数据，降低了预测精度。因此，如何提升预测网络流量时间序列的准确度和泛化能力，是本领域技术人员需要解决的技术问题。
技术实现思路
本专利技术的目的是提供一种网络流量的预测方法及装置，该方法能捕获网络流量的变化规律，大大提升了预测网络流量时间序列的准确度和泛化能力。为解决上述技术问题，本专利技术提供一种网络流量的预测方法，包括：通过小波包分解对原始网络流量时间序列信号数据进行预定层数序列分解得到子序列；根据所述子序列建立BP神经网络模型，并利用飞蛾纵横交叉捕焰算法自适应调整所述BP神经网络模型的阈值和权值；根据调整后的所述阈值和所述权值，利用所述BP神经网络模型对所述子序列进行优化，得到子序列预测值；将所述子序列预测值进行叠加重构得到网络流量的预测结果。可选的，通过小波包分解对原始网络流量时间序列信号数据进行预定层数序列分解得到子序列，包括：通过低通滤波器H和高通滤波器G，利用小波包分解公式将原始网络流量时间序列信号数据分解为n层，得到2n-1个子低频信号序列和2n-1个子高频信号序列；其中，小波包分解公式为其中，d为小波包分解频带系数，i为分解的层数，hk-2l和gk-2l为小波包分解共轭滤波器的系数，k为位置指标的时间参数，l为尺度指标的频域参数。可选的，利用飞蛾纵横交叉捕焰算法自适应调整所述BP神经网络模型的阈值和权值，包括：对初始化种群利用飞蛾纵横交叉捕焰算法进行横向混沌交叉全局搜索和纵向混沌交叉局部开发，对产生子代个体解码；判断迭代次数是否大于设定迭代阈值或者均方差误差是否小于误差阈值；若是，则将解码后的数据输出作为调整后的所述BP神经网络模型的阈值和权值。可选的，对初始化种群利用飞蛾纵横交叉捕焰算法进行横向混沌交叉全局搜索和纵向混沌交叉局部开发，对产生子代个体解码，包括：对初始化种群利用飞蛾纵横交叉捕焰算法进行横向混沌交叉全局搜索和纵向混沌交叉局部开发，得到子代个体；利用竞争机制使所述子代个体与父代个体进行竞争则有保留，并进行解码。可选的，将所述子序列预测值进行叠加重构得到网络流量的预测结果，包括：将所述子序列预测值进行叠加，利用公式得到网络流量的预测结果；其中，d为小波包重构频带系数，i是重构的层数，pl-2k和ql-2k是小波包分解共轭滤波器的系数，k为位置指标的时间参数，l为尺度指标的频域参数。本专利技术还提供一种网络流量的预测装置，包括：小波包分解模块，用于通过小波包分解对原始网络流量时间序列信号数据进行预定层数序列分解得到子序列；阈值调整模块，用于根据所述子序列建立BP神经网络模型，并利用飞蛾纵横交叉捕焰算法自适应调整所述BP神经网络模型的阈值和权值；BP神经网络计算模块，用于根据调整后的所述阈值和所述权值，利用所述BP神经网络模型对所述子序列进行优化，得到子序列预测值；结果输出模块，用于将所述子序列预测值进行叠加重构得到网络流量的预测结果。可选的，所述小波包分解模块具体为通过低通滤波器H和高通滤波器G，利用小波包分解公式将原始网络流量时间序列信号数据分解为n层，得到2n-1个子低频信号序列和2n-1个子高频信号序列的模块；其中，小波包分解公式为其中，d为小波包分解频带系数，i为分解的层数，hk-2l和gk-2l为小波包分解共轭滤波器的系数，k为位置指标的时间参数，l为尺度指标的频域参数。可选的，所述阈值调整模块包括：子代个体计算单元，用于对初始化种群利用飞蛾纵横交叉捕焰算法进行横向混沌交叉全局搜索和纵向混沌交叉局部开发，对产生子代个体解码；调整单元，用于判断迭代次数是否大于设定迭代阈值或者均方差误差是否小于误差阈值；若是，则将解码后的数据输出作为调整后的所述BP神经网络模型的阈值和权值。可选的，所述子代个体计算单元包括：子代个体计算子单元，用于对初始化种群利用飞蛾纵横交叉捕焰算法进行横向混沌交叉全局搜索和纵向混沌交叉局部开发，得到子代个体；竞争子单元，用于利用竞争机制使所述子代个体与父代个体进行竞争则有保留，并进行解码。可选的，所述结果输出模块具体为将所述子序列预测值进行叠加，利用公式得到网络流量的预测结果的模块；其中，d为小波包重构频带系数，i是重构的层数，pl-2k和ql-2k是小波包分解共轭滤波器的系数，k为位置指标的时间参数，l为尺度指标的频域参数。本专利技术所提供的一种网络流量的预测方法，包括：通过小波包分解对原始网络流量时间序列信号数据进行预定层数序列分解得到子序列；根据子序列建立BP神经网络模型，并利用飞蛾纵横交叉捕焰算法自适应调整BP神经网络模型的阈值和权值；根据调整后的阈值和权值，利用BP神经网络模型对子序列进行优化，得到子序列预测值；将子序列预测值进行叠加重构得到网络流量的预测结果；可见，该方法通过自适应调整BP神经网络模型的阈值和权值，能够解决人工神经网络由于采用梯度下降法来调整阈值和权值，导致算法收敛速度慢且易陷入局部最优解的难题，通过小波包分解，弥补了传统小波分解每次只对低频部分进行再分解，无法多层次分析现有样本数据，降低了预测精度的不足；即该方法能捕获网络流量的变化规律，大大提升了预测网络流量时间序列的准确度和泛化能力；本专利技术还提供了一种网络流量的预测装置，具有上述有益效果，在此不再赘述。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本专利技术实施例所提供的网络流量的预测方法的流程图；图2为本专利技术实施例所提供的小波分解以及小波包分解的原理对比图；图3为本专利技术实施例所提供的小波包网络流量时间序列三层分解子序列效果示意图；图4为本专利技术实施例所提供的CCMFO-BP训练优化模型示意图；图5为本专利技术实施例所提供的WPD-CCMFO-BP的预测计算模型示意图；图6为本专利技术实施例所提供本文档来自技高网...

【技术保护点】
一种网络流量的预测方法，其特征在于，包括：通过小波包分解对原始网络流量时间序列信号数据进行预定层数序列分解得到子序列；根据所述子序列建立BP神经网络模型，并利用飞蛾纵横交叉捕焰算法自适应调整所述BP神经网络模型的阈值和权值；根据调整后的所述阈值和所述权值，利用所述BP神经网络模型对所述子序列进行优化，得到子序列预测值；将所述子序列预测值进行叠加重构得到网络流量的预测结果。

【技术特征摘要】
1.一种网络流量的预测方法，其特征在于，包括：通过小波包分解对原始网络流量时间序列信号数据进行预定层数序列分解得到子序列；根据所述子序列建立BP神经网络模型，并利用飞蛾纵横交叉捕焰算法自适应调整所述BP神经网络模型的阈值和权值；根据调整后的所述阈值和所述权值，利用所述BP神经网络模型对所述子序列进行优化，得到子序列预测值；将所述子序列预测值进行叠加重构得到网络流量的预测结果。2.根据权利要求1所述的预测方法，其特征在于，通过小波包分解对原始网络流量时间序列信号数据进行预定层数序列分解得到子序列，包括：通过低通滤波器H和高通滤波器G，利用小波包分解公式将原始网络流量时间序列信号数据分解为n层，得到2n-1个子低频信号序列和2n-1个子高频信号序列；其中，小波包分解公式为其中，d为小波包分解频带系数，i为分解的层数，hk-2l和gk-2l为小波包分解共轭滤波器的系数，k为位置指标的时间参数，l为尺度指标的频域参数。3.根据权利要求2所述的预测方法，其特征在于，利用飞蛾纵横交叉捕焰算法自适应调整所述BP神经网络模型的阈值和权值，包括：对初始化种群利用飞蛾纵横交叉捕焰算法进行横向混沌交叉全局搜索和纵向混沌交叉局部开发，对产生子代个体解码；判断迭代次数是否大于设定迭代阈值或者均方差误差是否小于误差阈值；若是，则将解码后的数据输出作为调整后的所述BP神经网络模型的阈值和权值。4.根据权利要求3所述的预测方法，其特征在于，对初始化种群利用飞蛾纵横交叉捕焰算法进行横向混沌交叉全局搜索和纵向混沌交叉局部开发，对产生子代个体解码，包括：对初始化种群利用飞蛾纵横交叉捕焰算法进行横向混沌交叉全局搜索和纵向混沌交叉局部开发，得到子代个体；利用竞争机制使所述子代个体与父代个体进行竞争则有保留，并进行解码。5.根据权利要求1-4任一项所述的预测方法，其特征在于，将所述子序列预测值进行叠加重构得到网络流量的预测结果，包括：将所述子序列预测值进行叠加，利用公式得到网络流量的预测结果；其中，d为小波包重构频带系数，i是重构的层数，pl-2k和ql-2k是小波包分解共轭滤波器的系数，k为位置指标的时间...

【专利技术属性】
技术研发人员：李泽熊，吴伟民，吴汪洋，李泽锋，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44