基于小波分解和ARIMA的網(wǎng)絡(luò)流量模型.pdf

1、隨著信息化時代的到來,Internet飛速發(fā)展,各種新的網(wǎng)絡(luò)應(yīng)用層出不窮,導致了各種網(wǎng)絡(luò)問題的出現(xiàn),給網(wǎng)絡(luò)監(jiān)測帶來巨大的挑戰(zhàn)。網(wǎng)絡(luò)檢測是保證網(wǎng)絡(luò)正常運行的重要手段,合適的網(wǎng)絡(luò)流量模型對網(wǎng)絡(luò)監(jiān)測的有效進行有著重要的意義。當前網(wǎng)絡(luò)流量表現(xiàn)出自相似性,多重分形性等多種復雜特性,傳統(tǒng)流量模型已無法滿足需求。
　　 論文分析了傳統(tǒng)網(wǎng)絡(luò)流量模型的特點,針對平穩(wěn)的網(wǎng)絡(luò)流量這些成熟的模型表現(xiàn)出很好的預(yù)測效果。但是,當前網(wǎng)絡(luò)流量因為各種復雜特性的

2、出現(xiàn),普遍表現(xiàn)出不平穩(wěn)的特征,為了解決網(wǎng)絡(luò)流量多種復雜特性所帶來的不平穩(wěn)性,引入小波變換技術(shù),利用其多分辨的特性,將網(wǎng)絡(luò)流量的多種復雜因素分解到不同的尺度上,方便進行單獨的處理。這種利用小波分解將非平穩(wěn)時間序列分解成適當?shù)牟煌l段上的多個平穩(wěn)時間序列,在這些平穩(wěn)時序上做相對方便高效的處理來代替對信號的統(tǒng)一處理,最終恢復到原始尺度上的方法,有效的提高了對真實網(wǎng)絡(luò)流量的預(yù)測精度。
　　 引入小波技術(shù)帶來預(yù)測精度的同時,因為將單一時間

3、序列分解成為不同尺度的多組時間序列,導致了該方法的時間復雜度嚴重惡化,影響了其實際應(yīng)用。論文通過對該方法的詳細分析和研究,提出了一些改進措施,保證在不嚴重影響預(yù)測效果的前提下,盡可能的縮短算法的時間復雜度。首先,將小波分解所得到的多組網(wǎng)絡(luò)流量的子序列進行特征的分析,將在相近頻譜下特征相似的流量子序列進行合并,減少子序列的數(shù)量,從而減少建模預(yù)測次數(shù)。該方法的前提是相似序列的特性平穩(wěn),平穩(wěn)序列進行代數(shù)運算仍然是平穩(wěn)的,因而仍然可以得到合理的

4、最終結(jié)果,實驗證明,預(yù)測精度沒有受到影響。然后,將合并的子序列區(qū)分為高頻譜的細節(jié)項,低頻譜的輪廓項,和中間頻譜的周期項三種,對三種不同的序列采取不同的處理措施進一步降低算法時間復雜度。論文采用了這種的方式,使得三種成分采用少量的歷史數(shù)據(jù),較低的采樣頻率,盡可能的達到不影響小波變換所帶來的預(yù)測精度上的改進。通過實驗證明,在采取了一系列改進時間復雜性的措施的情況下,預(yù)測結(jié)果相比在引入小波分解技術(shù)后進行簡單的所有子序列完全建模的方式,預(yù)測效果