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

本发明专利技术属于网络流量预测领域，具体涉及一种基于改进ABC

【技术实现步骤摘要】
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


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]为解决以上现有技术存在的问题，本专利技术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。
[0005]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。
[0006]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：
[0007]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N
c
、引领蜂数量N
e
、跟随蜂数量N
o
、算法解的个数N
s
、最大迭代次数M以及食物源参数组合(K,σ)；
[0008]步骤2：采用ADF检验输入数据的平稳性；
[0009]步骤3：根据平稳性验证结果构建适应度函数；
[0010]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；
[0011]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；
[0012]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；
[0013]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。
[0014]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：
[0015]第一模型：
[0016]第二模型：
[0017]第三模型：
[0018]其中，Δy
t
表示时间序列y
t
的一阶差分，β表示待估计参数，y
t
‑1表示时间序列，θ
i
表示滞后变量中的待估计参数，m表示样本容量，Δy
t
‑
i
表示Δy
t
的滞后变量，u
t
表示残差项，α表示常数项，γ表示趋势项，t表示时间变量。
[0019]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。
[0020]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：
[0021]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；
[0022]步骤2：将序列号n加1，并对参数u
k
和ω
k
进行更新；
[0023]步骤3：根据更新后的参数u
k
和ω
k
对参数λ进行更新；
[0024]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。
[0025]进一步的，对参数u
k
和ω
k
进行更新的公式为：
[0026][0027][0028]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u
i
的频率，表示λ的频谱，α表示惩罚因子，ω
k
表示中心频率，表示更新后的中心频率。
[0029]进一步的，对参数λ进行更新的公式为：
[0030][0031]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。
[0032]优选的，计算判别精度的公式为：
[0033][0034]其中，表示更新后的频谱，表示模态函数u
k
的频率，表示L2范数。
[0035]优选的本文档来自技高网...

【技术保护点】

【技术特征摘要】
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N
c
、引领蜂数量N
e
、跟随蜂数量N
o
、算法解的个数N
s
、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：第二模型：第三模型：其中，Δy
t
表示时间序列y
t
的一阶差分，β表示待估计参数，y
t
‑1表示时间序列，θ
i
表示滞后变量中的待估计参数，m表示样本容量，Δy
t
‑
i
表示Δy
t
的滞后变量，u
...

【专利技术属性】
技术研发人员：李帅永，张旭云涛，张超，代正栩，曾建新，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：