[发明专利]一种基于GWO-SVR的分步网络流量预测方法

说明书

本发明公开了一种基于GWO‑SVR的分步网络流量预测方法，其提出了两种基于GWO灰狼优化算法和SVR支持向量回归的预测方法：单步预测方法(SGWO‑SVR)和两步预测方法(TGWO‑SVR)；这两种方法均利用灰狼优化算法优化SVR算法中的三个参数C、ε、γ，再分别通过单步、两步预测方法建立SVR预测模型，实现对未来网络流量的预测。实验结果表明，与SVR、GA‑SVR、DE‑SVR相比，本发明提出的SGWO‑SVR和TGWO‑SVR预测方法具有较高的预测精度。

技术领域

本发明涉及网络管理技术领域，具体涉及一种基于GWO-SVR的分步网络流量预测方法。

背景技术

随着云计算、大数据、物联网等新一代信息技术的发展，网络规模和应用日渐复杂，网络吞吐量也日益增大。网络流量预测能有效地对网络进行管理及维护，避免网络拥塞，提高网络性能。例如在数据中心网络中，对网络流量进行准确预测不仅可以优化流量调度，科学分配网络带宽，还可以减小数据中心网络的能耗。

现有的网络流量预测方法主要有两类，即线性预测方法和非线性预测方法。线性预测方法包括自回归方法(Autoregressive model,AR)，移动平均方法(moving averagemodel,MA)，自回归移动平均方法(Auto-Regressive and MovingAverage Model,ARMA)，和差分整合移动平均自回归方法(Autoregressive Integrated Moving Average model,ARIMA)。但这些线性预测方法都无法很好的解决现在日益复杂的网络流量预测问题。而非线性预测方法主要包含神经网络预测、灰度预测、支持向量回归预测等，这些非线性预测方法均能较好的对网络流量进行预测。但是神经网络虽然可以逼近任何非线性函数，使其预测精度有一定的提高，但易出现过拟合现象、泛化能力较差，同时也会导致建立模型和计算时复杂度增加。面对复杂的网络流量特征，如何构建合适、准确的网络流量预测方法是目前亟待解决的问题。

发明内容

本发明旨在提供一种基于GWO-SVR的分步网络流量预测方法，通常，根据预测时间段将预测算法分类为长期预测和短期预测。长期预测方法需要大规模的数据集，预测周期是以季度或者年为单位。对其预测较为困难、预测精度较低。相反，短期预测需要的数据集规模较小，大多是以时、分、秒为单位。在对其预测时易于构建模型，且在预测精度上也有所提升。针对网络流量特点，以及对网络的实时监管，流量调度，对相应设备进行节能等方面，本发明将构建短期网络流量预测模型。

针对上述存在的问题，本发明所采用的技术方案如下：

一种基于GWO-SVR的分步网络流量预测方法，其特征在于，包括以下步骤：

1)获取历史数据

获取待预测历史流量数据集S，且集合S中的每个元素S_i＝{t_i，b_i，b_i+1}，b_i为在t_i时刻网络流量带宽，b_i+1为下一时刻的流量带宽；

2)建立流量预测模型

第一种模型建立方法：基于步骤1中的历史流量数据集S，通过单步流量预测方法建立单步流量预测模型；或，

第二种模型建立方法：以第一种建立方法所建立的单步流量预测模型基础，结合两步流量预测方法建立两步流量预测模型；

3)输出结果

根据单步流量预测模型或两步流量预测模型输出下一时刻的网络流量预测结果b_i+1。

本发明的有益效果是：