[发明专利]一种基于流量分解的数据通信网流量预测方法

摘要

本发明提供的方法利用Hurst参数值来表征网络流量所呈现出的自相似特性，并结合R/S序列分析法来对网络流量在大时间尺度上的统计特性进行分析，由于R/S序列分析法能够很好地刻画网络流量的分行特征和长期记忆过程，且后续使用到的FARIMA模型可以同时描述网络流量的长相关特性与短相关特性，因此本发明提供的方法能够高精度地对网络流量进行长期预测，且具有较好的收敛性，对网络性能及服务质量的提升具有深远重大的现实意义。

主权项

1.一种基于流量分解的数据通信网流量预测方法，其特征在于：包括以下步骤：/nS1.利用R/S序列分析法对流量序列的Hurst参数值进行预测，并基于预测的Hurst参数值判定流量序列是否处于平稳状态；/nS2.若基于Hurst参数值判定流量序列处于平稳状态，则对流量序列进行分数差分，并基于分数差分的结果对流量序列的预测值进行计算；若基于Hurst参数值判定流量序列处于非平稳状态，则执行步骤S3；/nS3.通过离散小波变换将流量序列分解为两个信号，即基于选定的尺度函数φ₀和小波函数ψ₀，进而构建带通小波函数基ψ_j,k和低通尺度函数基φ_j,k：/n /n其中j为缩放系数，k为平移速度，φ₀(2^-jt-k)表示小波函数ψ₀的变化过程，ψ₀(2^-jt-k)表示尺度函数的变化过程，t表示时域过程；/n基于带通小波函数基ψ_j,k和低通尺度函数基φ_j,k对离散小波变换的近似系数W_φ(j,k)与细节系数W_ψ(j,k)进行计算：/n /n其中f(t)为时间序列过程，M为分解层数；/nS4.构建FARIMA过程：Φ(B^-1)(1-B^-1)^dX_t＝Θ(B^-1)ε_t (1)/n其中B为滞后算子，其中-1<B<1；X_t表示时间序列，ε_t为白噪声序列，其均值为0，方差为σ²；Φ(B^-1)为自回归多项式，其阶数为p，Θ(B^-1)为滑动平均多项式，其阶数为q；p表示自回归项，q表示移动平均项，d表示差分阶数；/nS5.对(1)式进行简化：/n /n其中Δ^d＝(1-B^-1)^d，Δ^d表示分数差分算子，则依据FARIMA过程，可进一步表示如下：Γ为伽马函数，π_j为滤波器的权值系数；表示预测到的网络流量，基于、X_t对Δ^d进行求解；/nS6.基于分数差分算子Δ^d、近似系数W_φ(j,k)计算得到预测后的流量序列的近似部分，基于分数差分算子Δ^d、细节系数W_ψ(j,k)计算得到预测后的流量序列的细节部分，将近似部分和细节部分进行小波重构即可获得流量序列的预测值。/n