基于智能優(yōu)化的分布式網(wǎng)絡(luò)流量預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明是一種適用于分布式網(wǎng)絡(luò)值istributedNetwork)環(huán)境中，采用將果蛹優(yōu) 化算法（huitFlyOptimizationAlgorithm，F(xiàn)OA)與基于S次指數(shù)平滑的網(wǎng)絡(luò)流量預(yù)測模 型結(jié)合的分布式網(wǎng)絡(luò)流量預(yù)測方法，實現(xiàn)分布式網(wǎng)絡(luò)環(huán)境中的流量的高效預(yù)測。本技術(shù)屬 于計算機網(wǎng)絡(luò)領(lǐng)域。
【背景技術(shù)】
[0002] 隨著網(wǎng)絡(luò)技術(shù)的迅速發(fā)展，網(wǎng)絡(luò)上的業(yè)務(wù)和應(yīng)用也越來越豐富，網(wǎng)絡(luò)更加貼近人 們的日常生活，計算機網(wǎng)絡(luò)與傳統(tǒng)產(chǎn)業(yè)的結(jié)合日漸緊密，網(wǎng)絡(luò)用戶對互聯(lián)網(wǎng)的依賴性也越 來越大。網(wǎng)絡(luò)中用戶的需求多種多樣，對網(wǎng)絡(luò)的要求產(chǎn)生巨大的壓力。深入分析網(wǎng)絡(luò)的運 行狀況可W發(fā)現(xiàn)，網(wǎng)絡(luò)帶寬大幅增加，但網(wǎng)絡(luò)使用效率卻沒有成正比的提升，網(wǎng)絡(luò)資源利用 率低。而分布式網(wǎng)絡(luò)的產(chǎn)生具有極大的意義，分布式網(wǎng)絡(luò)是由分布在不同地點且具有多個 終端的節(jié)點機互連而成。分布式網(wǎng)絡(luò)中，各個網(wǎng)絡(luò)獨立控制，中央控制中屯、只需要進行整體 調(diào)度。在分布式系統(tǒng)中，不強調(diào)集中控制的概念，具有一個W全局控制中屯、為基礎(chǔ)的分層控 制結(jié)構(gòu)，但是每個分布式網(wǎng)絡(luò)都具有高度的自主權(quán)。分布式網(wǎng)絡(luò)大大降低了網(wǎng)絡(luò)中全局控 制中屯、的壓力，使得網(wǎng)絡(luò)具有更高的效率及安全性。
[0003] 互聯(lián)網(wǎng)技術(shù)飛速發(fā)展，網(wǎng)絡(luò)流量行為日益復(fù)雜，該就對網(wǎng)絡(luò)的管理提出了很高的 要求，網(wǎng)絡(luò)流量預(yù)測是網(wǎng)絡(luò)管理的一部分，具有重要意義。網(wǎng)絡(luò)流量預(yù)測是業(yè)務(wù)管理的關(guān)鍵 問題，由于網(wǎng)絡(luò)流量受到各種因素影響，具有突發(fā)性、時變性、非線性等特點，高效率的網(wǎng)絡(luò) 流量預(yù)測方法能夠有效提高網(wǎng)絡(luò)管理的效率。同時網(wǎng)絡(luò)流量預(yù)測對于設(shè)計新一代網(wǎng)絡(luò)協(xié) 議、有效地進行網(wǎng)絡(luò)管理、設(shè)計高性能路由器算法和評價網(wǎng)絡(luò)安全和檢測網(wǎng)絡(luò)異常都具有 重要意義。由于Internet的復(fù)雜性，基于流量測量與分析的網(wǎng)絡(luò)性能研究仍然處于起步階 段，因此，對于網(wǎng)絡(luò)設(shè)計與規(guī)劃、流量控制、協(xié)議設(shè)計、確保服務(wù)質(zhì)量、研究擁塞控制和帶寬 分配機制、分析與評價網(wǎng)絡(luò)性能，進一步實施網(wǎng)絡(luò)管理等都有著非常重要的意義。
[0004]網(wǎng)絡(luò)流量預(yù)測就是針對目前網(wǎng)絡(luò)快速發(fā)展、網(wǎng)絡(luò)規(guī)模飛速擴大的環(huán)境下，對存在 的網(wǎng)絡(luò)流量產(chǎn)生的不確定性、不均衡性等問題，通過對網(wǎng)絡(luò)流量的采集和流量分析，采用基 于智能優(yōu)化的分布式網(wǎng)絡(luò)流量預(yù)測模型，實現(xiàn)對流量的高效預(yù)測，使網(wǎng)絡(luò)管理實現(xiàn)可知、可 控，達(dá)到工作集中化、信息化、規(guī)范化的要求。

【發(fā)明內(nèi)容】

[0005] 技術(shù)問題；本發(fā)明的目的是提供一種分布式網(wǎng)絡(luò)環(huán)境下基于智能優(yōu)化的分布式網(wǎng) 絡(luò)流量預(yù)測方法，采用將果蛹優(yōu)化算法與基于=次指數(shù)平滑的網(wǎng)絡(luò)流量預(yù)測模型結(jié)合的分 布式網(wǎng)絡(luò)流量預(yù)測方法，實現(xiàn)分布式網(wǎng)絡(luò)環(huán)境中的流量預(yù)測。通過本方法可W實現(xiàn)分布式 網(wǎng)絡(luò)流量的高效預(yù)測。
[0006] 技術(shù)方案；本發(fā)明的方法采用果蛹優(yōu)化算法與基于=次指數(shù)平滑的網(wǎng)絡(luò)流量預(yù)測 模型的分布式網(wǎng)絡(luò)流量預(yù)測方案，實現(xiàn)在分布式網(wǎng)絡(luò)環(huán)境中的網(wǎng)絡(luò)流量預(yù)測。分布式網(wǎng)絡(luò) 中，各網(wǎng)絡(luò)流量中屯、事先對各個網(wǎng)絡(luò)區(qū)域進行流量采集，采集方式采用時間窗模式對網(wǎng)絡(luò) 流量采集，提高流量采集的效率。在分布式網(wǎng)絡(luò)各服務(wù)器端每隔一個時間間隙向集中控制 服務(wù)器發(fā)送該時間間隙內(nèi)采集流量，在集中控制服務(wù)器端對各流量中屯、采集的流量數(shù)據(jù)進 行流量預(yù)測，分布式網(wǎng)絡(luò)流量預(yù)測方法采用基于=次指數(shù)平滑的網(wǎng)絡(luò)流量預(yù)測模型，=次 指數(shù)平滑中平滑指數(shù)采用果蛹優(yōu)化算法進行優(yōu)化得到預(yù)測效果最佳的參數(shù)，預(yù)測效果由該 平滑指數(shù)下預(yù)測絕對均方誤差（MS巧表示。預(yù)測方案中預(yù)測均方誤差MSE越小，對應(yīng)的平 滑指數(shù)效果越好，采用最佳的平滑指數(shù)能得到最優(yōu)化的預(yù)測模型效果。
[0007] 基于智能優(yōu)化的分布式網(wǎng)絡(luò)流量預(yù)測方法包含在W下具體步驟中：
[000引初始場景設(shè)置；
[0009] 步驟1)設(shè)置分布式網(wǎng)絡(luò)環(huán)境參數(shù)；設(shè)置分布式網(wǎng)絡(luò)可控流量中屯、數(shù)量及產(chǎn)生的 流量；
[0010] 分布式網(wǎng)絡(luò)流量采集：
[0011] 步驟2)各分布式網(wǎng)絡(luò)環(huán)境開始進行流量采集，分布式服務(wù)器端采用時間窗機制 對流量進行采集，提高流量采集的效率，分布式哈希網(wǎng)絡(luò)由網(wǎng)絡(luò)中受控節(jié)點探測周圍在線 鄰居節(jié)點流量完成采集工作，軟件定義網(wǎng)絡(luò)是在控制器中統(tǒng)計所有經(jīng)過包的信息完成流量 采集工作；
[0012] 步驟3)分布式網(wǎng)絡(luò)每個網(wǎng)絡(luò)流量中屯、收集到的網(wǎng)絡(luò)流量采用基于智能優(yōu)化的分 布式網(wǎng)絡(luò)流量預(yù)測方法進行流量預(yù)測；
[0013] 基于智能優(yōu)化的分布式網(wǎng)絡(luò)流量預(yù)測方法：
[0014] 步驟4)確定果蛹優(yōu)化中種群個體數(shù)量sizepop和最大迭代次數(shù)maxgen，隨機產(chǎn)生 果蛹的初始位置；
[0015] 步驟5)賦予果蛹個體利用嗅覺捜尋食物的隨機方向和距離；
[0016] 步驟6)估計果蛹個體與原點之間的距離Disti，計算味道濃度判定值Si，且Si= 1/Disti，=次指數(shù)平滑預(yù)測模型中設(shè)置平滑指數(shù)a數(shù)值上等于Si，=次指數(shù)平滑法的數(shù)學(xué) 模型為；F|",二",+A,"; + ^cy，其中m為預(yù)測期數(shù)，a、b、C為模型平滑系數(shù)；
[0017] 其中at、bt、Ct表示為
【主權(quán)項】
1. 一種基于智能優(yōu)化的分布式網(wǎng)絡(luò)流量預(yù)測方法，其特征在于該方法包含以下的具體 步驟： 步驟1)設(shè)置分布式網(wǎng)絡(luò)環(huán)境參數(shù)：設(shè)置分布式網(wǎng)絡(luò)可控流量中心數(shù)量及產(chǎn)生的流量； 步驟2)各分布式網(wǎng)絡(luò)環(huán)境開始進行流量采集，分布式服務(wù)器端采用時間窗機制對流 量進行采集，提高流量采集的效率，分布式哈希網(wǎng)絡(luò)由網(wǎng)絡(luò)中受控節(jié)點探測周圍在線鄰居 節(jié)點流量完成采集工作，軟件定義網(wǎng)絡(luò)是在控制器中統(tǒng)計所有經(jīng)過包的信息完成流量采集 工作； 步驟3)分布式網(wǎng)絡(luò)每個網(wǎng)絡(luò)流量中心收集到的網(wǎng)絡(luò)流量采用基于智能優(yōu)化的分布式 網(wǎng)絡(luò)流量預(yù)測方法進行流量預(yù)測； 步驟4)確定果幡優(yōu)化中種群個體數(shù)量sizepop和最大迭代次數(shù)maxgen，隨機產(chǎn)生果幡 的初始位置； 步驟5)賦予果蠅個體利用嗅覺搜尋食物的隨機方向和距離； 步驟6)估計果幡個體與原點之間的距離Distp計算味道濃度判定值51，且51= 1/Dish，三次指數(shù)平滑預(yù)測模型中設(shè)置平滑指數(shù)a數(shù)值上等于Sp三次指數(shù)平滑法的數(shù)學(xué)模 型為=?, + ,其中m為預(yù)測期數(shù)，a、b、c為模型平滑系數(shù)； 其中at、bt、ct表示為 at=3st(1)-3st(2)+st(3)
上式中\(zhòng)(1)、\(2)、\(3)為一次、二次、三次指數(shù)平滑值，計算公式如下： st(1)=ayt+d_a )st-i(1) St(2)=as/Mi-cOsh⑵ S，)=aSt⑵+ ("）~⑶ 式中，yt是第t期實際值，a是平滑系數(shù)，0〈a〈l; 將三次指數(shù)預(yù)測模型得到的預(yù)測結(jié)果代入絕對均方誤差MSE中的，并將原始網(wǎng)絡(luò)流 量代入fi，以表示預(yù)測結(jié)果和真實數(shù)據(jù)之間的偏差，
其中，n是預(yù)測階段總數(shù)；&是階段i的實際值；/是階段i的預(yù)測值； J I 果蠅個體的味道濃度Smelli在數(shù)值上等于MSE，并重復(fù)上述過程直到得到果蠅群體中 所有個體的Smelli; 步驟7)找出此果蠅種群個體中味道濃度Smelli最小的果蠅；保留最佳味道濃度判定 值Si與其果蠅個體坐標(biāo)（Xi，Yi)，此時果蠅群體利用視覺向該位置飛去； 步驟8)迭代尋優(yōu)，重復(fù)果蠅優(yōu)化過程，并找出優(yōu)于前一迭代味道濃度的味道濃度計坐 標(biāo)值，一直到迭代結(jié)束。
【專利摘要】本發(fā)明提供一種適用于分布式網(wǎng)絡(luò)(Distributed Network)環(huán)境中的基于智能優(yōu)化的分布式網(wǎng)絡(luò)流量預(yù)測方法，預(yù)測過程中采用基于三次指數(shù)平滑的網(wǎng)絡(luò)流量預(yù)測對分布式網(wǎng)絡(luò)流量中心采集的流量進行預(yù)測，且由于三次指數(shù)平滑模型中的平滑指數(shù)的選取對預(yù)測效果具有重要影響，采用果蠅優(yōu)化算法(FOA)對平滑指數(shù)進行優(yōu)化，通過不斷尋優(yōu)得到預(yù)測效果最佳的平滑參數(shù)，預(yù)測效果由對應(yīng)平滑參數(shù)下預(yù)測絕對均方誤差表示，預(yù)測均方誤差預(yù)測小則預(yù)測效果越好，該預(yù)測為一次較為準(zhǔn)確的網(wǎng)絡(luò)流量預(yù)測，實現(xiàn)了分布式網(wǎng)絡(luò)中高效、準(zhǔn)確的網(wǎng)絡(luò)流量預(yù)測。應(yīng)用本方可以實現(xiàn)分布式網(wǎng)絡(luò)流量的高效率、小誤差的流量預(yù)測。
【IPC分類】H04L12-24
【公開號】CN104811336
【申請?zhí)枴緾N201510154160
【發(fā)明人】肖甫, 趙帥帥, 王汝傳, 王少輝, 韓志杰, 孔維莉, 李 赫, 蔣季宏
【申請人】南京郵電大學(xué)
【公開日】2015年7月29日
【申請日】2015年4月2日