基于支持向量机的网络流量建模及预测

摘要：流量建模与预测对于大规模网络的规划设计和网络资源管理等方面都具有积极的意义，是网络流量工程重要组成部分。该文结合

>> 基于支持向量机的网络流量分类方法 一种基于多维支持向量机的P2P网络流量识别模型 基于支持向量机的地铁客流量预测 支持向量机的半监督网络流量分类方法 基于组合优化理论的无线网络流量建模与预测 基于支持向量机的Freegate软件流量检测研究 基于小波神经网络的网络流量预测 基于径向基神经网络的网络流量预测 基于小波神经网络的网络流量预测研究 基于改进Elman神经网络的网络流量预测 基于改进小波神经网络的网络流量预测研究 基于BP神经网络的非线性网络流量预测 一种基于神经网络的网络流量组合预测模型 基于支持向量机的股指期货合约价格预测 基于支持向量机的债券时间序列预测 基于支持向量机回归的中国CPI预测研究 基于免疫支持向量机预测模型的研究 基于支持向量机的短期负荷预测 基于支持向量机的短期电力负荷预测 基于长相关网络流量预测分析 常见问题解答 当前所在位置：l上获得)，按5分钟的时间尺度对该流量序列做聚集操作，获得了用于建模的流量序列，记为TSb，长度为250。

核函数选择径向基函数，动态调整法选取参数后，流量预测结果如图1所示,预测RMSE为2.5136，RRMSE为0.021。各项误差指标对比如表1所列,在参数优化后, RMSE和RRMSE都少了，表明参数优化后的效果优于优化前。

5 结论

网络流量工程对于大规模网络的规划设计、网络资源管理以及实现网络入侵检测等方面都具有积极的意义，而流量建模与预测是网络流量工程的重要组成部分。传统的流量时间序列模型只适合于分析平稳过程及特殊的非平稳过程，难以刻画大规模网络的复杂流量行为。文中采用支持向量机回归方法进行网络流量预测，首先对观测序列进行归一化预处理,根据训练样本动态调整参数后，再进行预测。从实际预测结果来看,该方法具有较好的预测效果。

参考文献：

[1] Kantz H.非线性时间序列分析[M].北京:清华大学出版社,2000.

[2] Chen Bor-Sen ,Peng Sen-Chueh,Wang Ku-Chen. Traffic Modeling,Prediction,and Congestion Control for High-Speed Networks:A Fuzzy AR Approach[J].IEEE Transaction on Fuzzy Systems,2000 ,8(5)

[3] Vapnik V N. Statistical Learning Theory [M].New York Wiley,1998.

[4] 刘胜,李妍妍.自适应GA-SVM 参数选择算法研究[J]. 哈尔滨工程大学学报,2007,28(4).

[5] 魏海坤.神经网络结构设计的理论与方法[M].北京：国防工业出版社,2005.

[6] Wang H F, Hu D J. Comparison of SVM and LS2SVM for Regression [C]. Neural Networks and Brain, ICNN&B'05 International Conference,2005,1.

注：“本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。”