系统辨识建模

上海大学2015 ～2016学年冬季学期研究生课程考试

小论文格式

课程名称：系统建模与辨识课程编号： 09SB59002

论文题目: 基于改进的BP神经网络模型的网络流量预测

研究生姓名: 李金田学号: 15721524

论文评语:

成绩: 任课教师: 张宪

评阅日期:

基于改进的BP神经网络模型的网络流量预测

15721524，李金田

2016/3/4

摘要：随着无线通信技术的快速发展，互联网在人们的日常生活中占据了越来越重要的位置。网络中流量监控和预测对于研究网络拓扑结构有着重要的意义。本文参考BP算法，通过分析算法的优势和存在的一些问题，针对这些缺陷进行了改进。通过建立新的流量传输的传递函数，对比了经典的传递函数，并且在网络中进行了流量预测的实验和验证。新方法在试验中表现出了良好的实验性能，在网络流量预测中有很好的应用，可以作为网络流量预测的一个新方法和新思路，并且对研究网络拓扑结构有着重要的启发作用。网络流量预测在研究网络行为方面有着重要的作用。ARMA时间序列模型是比较常见的用于网络流量预测的模型。但是用在普通时间序列模型里面的一些参数很难估计，同时非固定的时间序列问题用ARMA模型很难解决。人工神经网络技术通过对历史数据的学习可能对大量数据的特征进行缓存记忆，对于解决大数据的复杂问题很合适。IP6 网络流量预测是非线性的，可以使用合适的神经网络模型进行计算。

A Novel BP Neural Network Model for Traffic Prediction of

The Next Generation Network.

Abstract:With the rapid development of wireless communication technology, the internet occupy an important position in people’s daily life. Monitoring and predicting the traffic of the network is of great significant to study the topology of the network. According to the BP algorithm, this paper proposed an improved BP algorithm based on the analysis of the drawback of the algorithm. By establishing a new transfer function of the traffic transmission, we compare it with the previous transmission function. Then, the function is used to do experiments, found to be the better than before. This method can be used as a new way to predict the network traffic, which has important implications for the study of the network topology. Network traffic prediction is an important research aspect of network behavior. Conventionally, ARMA time sequence model is usually adopted in network traffic prediction. However, the parameters used in normal time sequence models are difficult to be estimated and the nonstationary time sequence problem cannot be processed using ARMA time sequence problem model. The neural network technique may memory large quantity of characteristics of data set by learning previous data, and is suitable for solving these problems with large complexity. IP6 network traffic prediction is just the problem with nonlinear feature and can be solved using appropriate neural network model.

1. 引言

人工神经网络是近年来的热点研究领域，涉及到电子科学与技术、信息与通信工程、计算机科学与技术、控制科学与技术等很多学科，其应用领域包括：建模、时间序列分析、模式识别和控制等，并在不断的拓展。神经网络的学习算法一直是人工神经网络理论研究和应用领域中一个重要的研究领域。神经网络的学习算法一直是人工神经网络理论研究和应用领域中的一个重要研究内容，尤其是对前馈神经网络学习算法的研究，至今没有一个十分理想的解决办法。其中BP神经网络在前馈神经网络学习算法中有着最广、最具有代表性。通过对BP神经网络算法较为深入的研究，提出了改进算法。

随着IPV6[14]的广泛应用，地址空间扩展到128位，网络结构变得越来越复杂。这就导致网络管理和运营出现了新的问题。网络流量通过建立网络流量模型，采用历史的数据可以预测网络中一段时间内的未来流量变化。一个好的模型不仅能够准确地反映历史数据的特性，并且能够预测未来一段时间内的网络流量。因此根据不同的网络特性，建立高效的网络流量模型对于网络流量的预测有着十分重要的意义。

和IPV4相比，IPV6网络有很多的新特性，比如说：多媒体流量和IPV6拓扑结构下的大量的有规律的数据流。因此，进行IPV6结构下的网络流量预测需要建立新的模型，使流量预测更加准确。人工神经网络技术广泛的应用到IPV4中进行流量预测，但是这些传统的网络模型通常都是假设网络中流量是线性的，使用数组和线性递归技术描述系统。但是IPV6中的网络流量没有表现出明显的规律性，因为网络流量包含了很多的非线性因素。最近的研究研究表明，传统的时间序列模型，线性预测模型不能够解决复杂的非线性流量预测，在一定程度上影响了网络流量预测的结果。

2. 研究背景

2.1神经网络简介

思维学普遍认为，人类大脑的思维分为抽象逻辑、形象逻辑和灵感思维三种基本方式。神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。神经网络所能实现的行为很多，主要的研究工作集中在以下几个方面：

（1）生物原型研究。从生理学、心理学、解剖学、脑科学、病理学等生物学科方面研究神经细胞、神经网络、神经系统的生物原型结构机器功能机理。

（2）建立理论模型。根据生物原型的研究，建立神经元，神经网络的理论模型。其中包括概念模型、知识模型、物理模型、数学模型等。

（3）网络模型与算法研究。在理论模型研究的基础上构造相关的神经网络模型，以实现计算机模拟，也包括网络学习算法的研究，这方面的工作也称之为技术模型研究。

（4）人工神经网络应用系统。在网络模型与算法研究的基础上，利用人工神经网络组成实际的应用系统，例如，完成某种信号处理或模式识别的功能、构造专家系统、制作机器人等等。

人工神经网络（ANN）也称为神经网络（NN），是由大量处理单元广泛连接而成的网络，是对人脑的抽象，简化和模拟，反映出人脑的基本特性。与人脑的相似之处可概括为两个方面：（1）通过学习过程利用神经网络从外部环境中获取知识；

（2）内部神经元用来存储获取的知识信息。