大数据背景下探讨非线性网络流量组合预测模型（非线性科学论文） ㊣ 精品文档 值得下载

−其中，表示隐含层输出矩阵，表示矩阵构成元素，表示目标值的矩阵，依据条件对重构后的网络流量子序列进行预测，其子序列流量预测矩阵形式为⋅，其中表示子序列流量数据预测函数，利用改进的鸟群算法整合各个子序列的预测值，并对正则化参数进行优化，提升预测精度，最终的网络流量预测户所属局域网网络带宽浏览行为业务种类以及上网时段等因素的影响，具有混沌性非线性突变性。

针对这些特性，在构建网络流量组合预测模型前，利用混沌理论计算仿真对象的延迟时间以及嵌入维度，得到的最优延迟时间ι以及嵌入维度结果如图所示。

图延迟时间和嵌入维度的计算下载原图分析图可知，最优延迟时间为ι，最优嵌入维度为。

选定ι对网络流量数据进行重构，获得网络流量样本数据，并将其划分为训练集和测试集。

将非线性网大数据背景下探讨非线性网络流量组合预测模型非线性科学论文解决了传统方法存在的问题。

网络流量数据特性分析网络流量就是网络上传输的数据量，其数据量规模较大，存在易拥塞易受攻击等问题，导致网络异常现象的发生。

网络异常，即网络服务器带宽不满足网络用户使用流量需求时导致的带宽拥塞病毒入侵等，使得真实的网络流量具有混沌特性。

在环境下搭建实验平台，利用仿真软件获取网络流量模拟数据，图为采集到的网络流量时间序列。

图网络流量原始时间序列下载原图通过对此时−，−，其中，−−分别表示滤波器系数，和分别表示非线性网络流量数据的高低频部分，表示小波分解尺度，表示训练样本数量。

利用混沌理论对公式分解出的不同分量进行相空间重构，重构出的非线性网络流量子序列为，即其中，表示相空间维度。

非线性网络流量时间序列经过快速小波分解，将网络信号的高低频部分有效分离，可从中挖掘出度，提出基于大数据分析的非线性网络流量组合预测模型。

根据实验结果可知，运用所提模型对网络流量进行预测时预测精度较高，能够满足大规模网络环境流量预测精度的要求，有效解决了传统方法存在的问题。

网络流量数据特性分析网络流量就是网络上传输的数据量，其数据量规模较大，存在易拥塞易受攻击等问题，导致网络异常现象的发生。

网络异常，即网络服务器带宽不满足网络用户使用流量需求时导致的带宽拥塞病毒入侵等，使得真实的网网络流量受到用户所属局域网网络带宽浏览行为业务种类以及上网时段等因素的影响，具有混沌性非线性突变性。

针对这些特性，在构建网络流量组合预测模型前，利用混沌理论计算仿真对象的延迟时间以及嵌入维度，得到的最优延迟时间ι以及嵌入维度结果如图所示。

图延迟时间和嵌入维度的计算下载原图分析图可知，最优延迟时间为ι，最优嵌入维度为。

选定ι对网络流量数据进行重构，获得网络流量样本数据，并将其划分为训练集和测试的网络流量数据具有非线性的特点，数值变化幅度较大，并且变化幅度较大的流量数据会掩盖变化幅度较小的流量数据，图测试训练集中的网络流量数据虽少，但是也呈现出非线性的变化特点。

为了从采集的网络流量数据样本中获取其变化规律，对图中的流量进行归化处理，即−−其中，和分别表示归化处理后的流量数据最大值和最小值，表示原始网络流量数据值。

为了使仿真实验的验证结果更工业大学学报基金河南省科技攻关项目河南省高等学校重点科研项目。

基于改进的鸟群算法构建的网络流量子序列模型，可以最小化输出权值和训练误差，即∥∥∥ξ∥         −ξ其中，表示核极限学习机模型输出权值，表示隐含层输出权值向量，∈，表示隐含层输出结果，ξ表示训练输出误差，表示样本数。

依据模型最优化条件可求解获得−军，黄杰基于自组织映射神经网络的局部自回归方法在网络流量预测中的应用信息与控制，张洋，吴斌，张继革，等基于组合模型的网络流量预测华中科技大学学报自然科学版，张敬磊，王晓原交通流灰色网络非线性组合预测方法数学的实践与认识，肖汉杰，桑秀丽相关向量机超参数优化的小时间尺度网络流量非线性预测方法计算机应用研究，段谟意基于小波分解和支持向量机的网络流量组合预测微电子学与计算机，赵会敏，雒江价值。

相对于文献模型，文献模型的预测精度较高，降低了网络流量预测误差，但该模型存在计算复杂度高训练时间长等问题，难以满足大规模网络流量数据的在线预测要求。

结论网络流量受到带宽拥塞病毒入侵等多种因素的影响，具有非线性周期性长相关等变化特征，传统的预测模型预测精度较低，针对此问题，提出种组合预测模型。

通过对预测结果进行分析得到以下结论相对于文献模型文献模型，所提模型预测结果的评价指标均更优，说明所提大数据背景下探讨非线性网络流量组合预测模型非线性科学论文有说服力，选取文献模型文献模型作为对比模型，将均方根误差平均相对百分比误差作为评价指标对不同预测模型的性能进行评价，和分别利用下式进行表示ˆ−∣∣∣ˆ−∣∣∣其中，表示网络流量数据样本数量，ˆ表示实际结果，表示预测结果。

其中，均方根误差单位为常数。

大数据背景下探讨非线性网络流量组合预测模型非线性科学论文与分析为了测试基于大数据分析的非线性网络流量组合预测模型的性能，仿真实验在核，内存，操作系统为硬件配臵下进行，利用软件实现仿真实验。

仿真实验来自软件提供的实际网络流量数据，共个数据点，具体如图所示。

将实际采集的网络流量数据划分为两组，第组含有个流量数据，将其作为训练数据集。

第组含有个流量数据，将其作为测试数据集。

图实验数据变化情况下载原图分析图可知，训练数据集单位为常数。

对于具有非线性突变特性的网络流量数据，对其进行高精度预测需要提前定的时间，多步预测网络流量数据具有实际意义。

采用所提模型对网络流量数据进行多步预测，获得的预测结果与预测误差变化曲线如图所示。

图所提模型多步流量预测结果下载原图分析图可知，在先获知前几步流量数据变化趋势的前提下，所提模型预测结果与实际网络流量变化趋势几乎完全吻合，两者之间差值较小，且变化较为平稳，能够将预测误差控制在以下，中，表示隐含层输出矩阵，表示矩阵构成元素，表示目标值的矩阵，依据条件对重构后的网络流量子序列进行预测，其子序列流量预测矩阵形式为⋅，其中表示子序列流量数据预测函数，利用改进的鸟群算法整合各个子序列的预测值，并对正则化参数进行优化，提升预测精度，最终的网络流量预测模型为⎡⎣⎢⎢， ⋮，⎤⎦⎥⎥−−实验结，杨军超，等集成神经网络预测模型的研究与应用电信科学，殷荣网基于网络流量预测模型计算机工程与应用，王洪蕾，双凯，柴琦，等网络流量监控系统的概述与实现电子设计工程，赵晓静，舒勤，黄宏光高速公路交通流量预测模型仿真计算机仿真，段华琼，唐宾徽基于线性多尺度模型的计算机网络数据流量预测沈阳工业大学学报，许绘香，曹敏，马莹莹基于大数据分析的非线性网络流量组合预测模型分析沈方法克服了当前预测模型存在的精度低的问题，更适用于大规模网络流量预测。

相对于文献模型文献模型，所提模型预测精度有所提高，这表明采用快速小波分析算法对网络流量进行多尺度分解，可以准确挖掘出网络流量数据阶段性变化特征，通过网络流量子序列表示网络流量的多层次变化特性。

从图图中给出的网络流量预测结果来看，所提模型获得的网络流量预测值与实际值几乎完全吻合，变化趋势基本相同，说明所提模型预测精度较高。

参考文献够满足大规模网络环境流量预测精度的要求。

所提模型文献模型以及文献模型的多步预测误差结果如表所示。

表不同模型多步预测误差结果对比导出到通过对表结果进行分析，可获得以下结论随着网络流量预测步数的不断增加，所提模型以及对比模型的预测误差逐渐增加，其中文献模型预测误差增加的幅度较大，直到第步预测时，该模型预测误差达到了，难以精确地描述网络流量数据阶段性变化趋势，且预测误差较大所得结果没有实际应大数据背景下探讨非线性网络流量组合预测模型非线性科学论文据最大值和最小值，表示原始网络流量数据值。

为了使仿真实验的验证结果更具有说服力，选取文献模型文献模型作为对比模型，将均方根误差平均相对百分比误差作为评价指标对不同预测模型的性能进行评价，和分别利用下式进行表示ˆ−∣∣∣ˆ−∣∣∣其中，表示网络流量数据样本数量，ˆ表示实际结果，表示预测结果。

其中，均方根误型为⎡⎣⎢⎢， ⋮，⎤⎦⎥⎥−−实验结果与分析为了测试基于大数据分析的非线性网络流量组合预测模型的性能，仿真实验在核，内存，操作系统为硬件配臵下进行，利用软件实现仿真实验。

仿真实验来自软件提供的实际网络流量数据，共个数据点，具体如图所示。

将实际采集的网络流量数据划分为两组，第组含有个流量数据，将其作为训练数据集。

第组含有个流量数据络流量训练集输入到核极限学习机模型中进行学习，采用改进鸟群算法优化核极限学习机模型，并构建组合预测模型，预测结果以及预测误差的变化如图所示。

基于改进的鸟群算法构建的网络流量子序列模型，可以最小化输出权值和训练误差，即∥∥∥ξ∥         −ξ其中，表示核极限学习机模型输出权值，表示隐含层输出权值向量，∈，表示隐含层输出结果，ξ表示训练输序列进行观测和分析，可以发现网络流量数据具有以下特性突发性。

受到相同局域网内网络带宽的影响，实际采集的网络流量数据具有突发特性。

大数据背景下探讨非线性网络流量组合预测模型非线性科学论文。

周期性。

实际采集的网络流量数据在采集周期内呈现出阶段性变化。

长相关性。

图所示的网络流量数据具有相同的统计特性。

非线性。

网络流量的变化与用户数量用户使用高峰期网络路由协议等相关，造成网络流量的非线性。

网络流量受到络流量数据周期性变化趋势，消除其中突变部分，剩余的高频部分能够精确地描述网络流量数据的变化特征。

采用混沌理论对分解的多个尺度分量进行重构，降低