| 【中文题名】 | 基于灰色神经网络组合模型的流量预测与评估方法研究 |
| 【英文题名】 | The Research of Combined Prediction Model of Network Traffic with Grey Theory and Neural Network |
| 【学科专业】 | 计算机软件与理论 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-2 |
| 【中关键词】 | 网络流量,灰色模型,预测,神经网络,路由, |
| 【英关键词】 | network traffic,grey model,forecast,neural network,routing, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
网络流量预测分析及建模一直是分析网络性能的重要研究课题，流量预测结果为网络管理中带宽分配、流量控制、选路控制、接纳控制和差错控制等提供主要参考依据。网络流量具有一定的动态性、实时性、相关性、随机性和含噪声性。预测精度的高低、所选或所建立模型的表达能力，对于分析和仿真，理解网络的动态行为，以及指导流量控制的设计工作均具有重要的指导意义。
论文以网络流量预测为背景，认真对比了多种流量采集工具的特点，选用Cacti构建不影响网络自身运行状况的流量采集系统。采集园区节点交换机流量数据。在分析网络流量时间序列特性的基础上，分别建立了灰色GM(1,1)预测模型和等维灰色预测模型，并对饱和“S”形序列因特网访问量变化趋势特别建立了Verhulst预测模型。选用相关工具实现了各个模型，对计算结果进行了预测分析。
论文提出了基于小波变换的灰色预测方法、灰色神经网络组合模型(分别采用BP网络、BP网络LM算法、径向基神经网络)等多种综合预测分析方法，预测实测网络流量，确定适合的模型输入参数，详细分析了各个模型的精度和预测效果，为高精度的短期(以及中长期)网络流量预测软件系统的集成开发奠定了基础。
... |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
Abstract |
4-7 |
|
第1章 绪论 |
7-10 |
|
1.1 国内外研究及应用现状 |
7-8 |
|
1.2 课题研究的意义 |
8-9 |
|
1.3 论文研究的主要工作 |
9 |
|
1.4 课题研究的主要问题及论文组织结构 |
9-10 |
|
第2章 网络流量的测量 |
10-15 |
|
2.1 SNMP协议简介 |
10-11 |
|
2.1.1 概述 |
10 |
|
2.1.2 SNMP协议模型 |
10-11 |
|
2.2 流量采集工具的选择 |
11-13 |
|
2.2.1 基于NetFlow的流量采集 |
11-12 |
|
2.2.2 基于Sniffer Portable的流量采集 |
12 |
|
2.2.3 基于NetDetector的流量采集 |
12 |
|
2.2.4 基于MRTG的流量采集 |
12-13 |
|
2.2.5 基于Cacti的流量采集 |
13 |
|
2.3 Cacti的安装、配置及流量的采集 |
13-14 |
|
2.4 小结 |
14-15 |
|
第3章 灰色理论在网络流量预测中的应用 |
15-25 |
|
3.1 网络流量预测的影响因素 |
15 |
|
3.2 理论基础 |
15-18 |
|
3.2.1 灰色系统理论的基本内容、原理和方法 |
15-16 |
|
3.2.2 几种不确定性方法的比较 |
16 |
|
3.2.3 五步建模 |
16-17 |
|
3.2.4 灰色预测模型的检验 |
17-18 |
|
3.3 基于灰色理论的流量预测 |
18-24 |
|
3.3.1 基于GM(1，1)模型的网络流量预测 |
18-21 |
|
3.3.2 基于等维GM(1，1)模型的流量预测 |
21-22 |
|
3.3.3 基于Verhulst模型的网络访问量预测 |
22-24 |
|
3.4 小结 |
24-25 |
|
第4章 小波灰色预测模型在网络流量预测中的应用 |
25-29 |
|
4.1 小波理论简介 |
25-26 |
|
4.1.1 小波理论概述 |
25 |
|
4.1.2 小波变换原理 |
25-26 |
|
4.2 基于小波灰色模型的网络流量预测 |
26-28 |
|
4.2.1 小波灰色预测模型 |
26-27 |
|
4.2.2 小波灰色预测模型的算法实现 |
27-28 |
|
4.3 小结 |
28-29 |
|
第5章 灰色神经网络模型在网络流量预测中的应用 |
29-38 |
|
5.1 人工神经网络基本原理 |
29-31 |
|
5.1.1 人工神经网络 |
29 |
|
5.1.2 人工神经元模型 |
29-30 |
|
5.1.3 神经网络的基本原理 |
30 |
|
5.1.4 神经网络的学习过程 |
30-31 |
|
5.2 灰色GM(1，1)神经网络组合模型预测算法 |
31-32 |
|
5.3 灰色BP神经网络组合预测模型的应用 |
32-35 |
|
5.3.1 BP人工神经网络模型与算法 |
32-33 |
|
5.3.2 基于灰色BP神经网络组合模型的流量预测 |
33-34 |
|
5.3.3 灰色BP神经网络组合模型优化算法 |
34-35 |
|
5.4 灰色径向基神经网络组合预测模型的应用 |
35-37 |
|
5.4.1 径向基神经网络模型 |
35-36 |
|
5.4.2 基于灰色径向基神经网络组合模型的流量预测 |
36-37 |
|
5.5 小结 |
37-38 |
|
第6章 基于灰色神经网络流量预测模型的路由算法 |
38-42 |
|
6.1 路由基础 |
38 |
|
6.2 常用的路由算法 |
38-40 |
|
6.2.1 链路状态路由算法 |
38-39 |
|
6.2.2 基于流量的路由选择 |
39-40 |
|
6.3 基于流量预测的链路状态路由算法 |
40-41 |
|
6.3.1 网络各节点流量预测算法 |
40 |
|
6.3.2 路由选择算法描述 |
40-41 |
|
6.4 小结 |
41-42 |
|
第7章 总结与展望 |
42-43 |
|
7.1 总结 |
42 |
|
7.2 展望 |
42-43 |
|
致谢 |
43-44 |
|
参考文献 |
44-46 |
|
附录 |
46 |
|
在读期间发表论文情况 |
46 |
|
在读期间参与项目情况 |
46 |
|
在读期间承担的教学任务 |
46 |
|
| 【DOI】 | LunWen.ID:2.2008.388766 |
