基于小波分解和ARIMA的網(wǎng)絡流量模型.pdf

1、隨著信息化時代的到來,Internet飛速發(fā)展,各種新的網(wǎng)絡應用層出不窮,導致了各種網(wǎng)絡問題的出現(xiàn),給網(wǎng)絡監(jiān)測帶來巨大的挑戰(zhàn)。網(wǎng)絡檢測是保證網(wǎng)絡正常運行的重要手段,合適的網(wǎng)絡流量模型對網(wǎng)絡監(jiān)測的有效進行有著重要的意義。當前網(wǎng)絡流量表現(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)絡流量模型的特點,針對平穩(wěn)的網(wǎng)絡流量這些成熟的模型表現(xiàn)出很好的預測效果。但是,當前網(wǎng)絡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,利用其多分辨的特性,將網(wǎng)絡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)絡流量的預測精度。
　　 引入小波技術帶來預測精度的同時,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、最終結果,實驗證明,預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,預測結果相比在引入小波分解技術后進行簡單的所有子序列完全建模的方式,預測效果