一种基于萤火虫群的实际流量预测方法

２０１４年５月四川大学学报（自然科学版）

Ｍａｙ．２０１４第５１卷　第３期

Ｊｏｕｒｎａｌ　ｏｆ　Ｓｉｃｈｕａｎ　Ｕｎｉｖｅｒｓｉｔｙ（

Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅ　Ｅｄｉｔｉｏｎ）Ｖｏｌ．５１　Ｎｏ．３

收稿日期：２０１３－０９－

１２基金项目：国家自然科学基金项目（６１２７２３８２）；广东省科技计划项目（２０１２Ｂ０１０１０００３７）；广东省自然科学基金项目（１０２５２５００００２０００００１；Ｓ２０１２０１０００９９６３

）作者简介：陈珂（１９６４－），男，黑龙江牡丹江人，硕士，副教授，研究方向为计算智能和数据挖掘．Ｅ－ｍａｉｌ：ｃｈｅｎｋｅ１９６４＠１６３．ｃｏｍ

ｄｏｉ：１０３９６９／ｊ

．ｉｓｓｎ．０４９０－６７５６．２０１４．０３．１１一种基于萤火虫群的实际流量预测方法

陈　珂，彭志平，柯文德

（广东石油化工学院计算机与电子信息学院，茂名５２５０００

）摘　要：针对计算机网络快速发展产生的拥塞现象，在以往的研究基础上利用萤火虫群优化方法提出一种新的预测算法ＰＧＳ（Ｐｒｅｄｉｃｔｉｏｎ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　Ｇｌｏｗｗｏｒｍ　Ｓｗａｒｍ）．该算法首先将到达流量视作萤火虫群，节点服务率视作吸引度，通过对萤火虫个体执行移动操作和随机飞行操作来获得最优位置和吸引度，以此达到提高预测精度的目的．同时，结合ＯＰＥＮＴ和ＭＡＴＬＡＢ进行仿真实验，深入研究了影响ＰＧＳ算法预测误差的关键因素．最后，对比分

析了小波变换预测方法，本文算法的预测误差降低了１．０８％，结果表明ＰＧＳ具有较好的适应性．

关键词：拥塞；预测；精度；萤火虫群

中图分类号：ＴＰ３９３ 文献标识码：Ａ 文章编号：０４９０－６７５６（２０１４）０３－０４７４－

０５Ａｎ　ａｃｔｕａｌ　ｔｒａｆｆｉｃ　ｐｒｅｄｉｃｔｉｏｎ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　ｇ

ｌｏｗｗｏｒｍ　ｓｗａｒｍＣＨＥＮ　Ｋｅ，ＰＥＮＧ　Ｚｈｉ－Ｐｉｎｇ，

ＫＥ　Ｗｅｎ－Ｄｅ（Ｃｏｌｌｅｇｅ　ｏｆ　Ｃｏｍｐｕｔｅｒ　ａｎｄ　Ｅｌｅｃｔｒｏｎｉｃ　Ｉｎｆｏｒｍａｔｉｏｎ，Ｇｕａｎｇｄｏｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　

ｏｆ　ＰｅｔｒｏｃｈｅｍｉｃａｌＴｅｃｈｎｏｌｏｇｙ，Ｍａｏｍｉｎｇ　

５２５０００，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｍｉｔｉｇａｔｅ　ｃｏｎｇｅｓｔｉｏｎ　ｃａｕｓｅｄ　ｂｙ　

ｔｈｅ　ｒａｐｉｄ　ｇｒｏｗｔｈ　ｏｆ　ｃｏｍｐｕｔｅｒ　ｎｅｔｗｏｒｋ，ａ　ｎｏｖｅｌ　ｔｒａｆ－ｆｉｃ　ｐｒｅｄｉｃｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ＰＧＳ（Ｐｒｅｄｉｃｔｉｏｎ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　Ｇｌｏｗｗｏｒｍ　Ｓｗａｒｍ）ｉｓ　ｐｒｏｐｏｓｅｄ　ｂｙ　ｇｌｏｗｗｏｒｍｓｗａｒｍ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｍｅｔｈｏｄ．Ｉｎ　ｔｈｉｓ　ａｌｇｏｒｉｔｈｍ，ｔｈｅ　ａｒｒｉｖａｌ　ｆｌｏｗ　ｉｓ　ｒｅｇ

ａｒｄｅｄ　ａｓ　ｇｌｏｗｗｏｒｍ　ｓｗａｒｍ　ａｎｄ　ｔｈｅｎｏｄｅ　ｓｅｒｖｉｃｅ　ｒａｔｅ　ｉｓ　ｒｅｇａｒｄｅｄ　ａｓ　ａｔｔｒａｃｔｉｖｅｎｅｓｓ　ａｔ　ｆｉｒｓ，ａｎｄ　ｉｎ　ｏｒｄｅｒ　ｔｏ　ｉｍｐｒｏｖｉｎｇ　ｔｈｅ　ｐｒｅｄｉｃｔｉｏｎ　ａｃｃｕｒａｃｙ，ｔｈｅ　ｏｐｔｉｍａｌ　ｐｏｓｉｔｉｏｎ　ａｎｄ　ａｔｔｒａｃｔｉｖｅｎｅｓｓ　ｉｓ　ｏｂｔａｉｎｅｄ　ｗｉｔｈ　ｔｈｅ　ｉｎｄｉｖｉｄｕａｌｓ　ｍｏｖｉｎｇ　

ｏｐｅｒａｔｉｏｎ　ａｎｄ　ｒａｎｄｏｍ　ｆｌｙ－ｉｎｇ　ｏｐｅｒａｔｉｏｎｓ．Ｔｈｅｎ，ａ　ｓｉｍｕｌａｔｉｏｎ　ｗｉｔｈ　ＯＰＥＮＴ　ａｎｄ　ＭＡＴＬＡＢ　ｗａｓ　ｃｏｎｄｕｃｔｅｄ　ｔｏ　ｒｅｓｅａｒｃｈ　ｏｎ　ｔｈｅ　ｋｅｙｆａｃｔｏｒｓ　ｏｆ　ｐｒｅｄｉｃｔｉｏｎ　ｅｒｒｏｒ　ｆｏｒ　ＰＧＳ．Ｃｏｍｐａｒｅｄ　ｔｏ　Ｗａｖｅｌｅｔ　Ｔｒａｎｓｆｏｒｍ　ｐｒｅｄｉｃｔｉｏｎ　ｍｅｔｈｏｄ，ｔｈｅ　ｐｒｅｄｉｃｔｉｏｎｅｒｒｏｒ　ｉｓ　ｄｅｃｒｅａｓｅｄ　１．０８％．Ｔｈｅ　ｒｅｓｕｌｔ　ｓｈｏｗｓ　ｔｈａｔ　ＰＧＳ　ｈａｓ　ｂｅｔｔｅｒ　ａｄａｐｔａｂｉｌｉｔｙ

．Ｋｅｙ　

ｗｏｒｄｓ：Ｃｏｎｇｅｓｔｉｏｎ；Ｐｒｅｄｉｃｔｉｏｎ；Ａｃｃｕｒａｃｙ；Ｇｌｏｗｗｏｒｍ　ｓｗａｒｍ１　引　言

随着计算机网络的快速发展，网络拥塞现象

逐渐成为日益关注的重点［

１－

３］，并且实际流量受噪音干扰的现象越发严重，因此，基于实际流量的

预测和管理也成为当前计算机网络研究的热点．目前，关于流量预测的方法较多，传统的研究认为流量服从泊松分布，所以采用诸如自回归或自回归滑动平均等线性模型进行刻画，对于短期预测起到了较好效果．文献［４

］采用自回归模型作为

第３期 陈　珂，等：一种基于萤火虫群的实际流量预测方法　

隐马尔可夫的状态输出，利用加权预测思想提出了一种加权隐马尔可夫模型预测方法．

但是近十多年来发现实际业务流具有分形特性，线性模型对于实际业务流的刻画效果不太理想．因此，基于时间尺度也提出了大量预测算法，比较有代表性的是神经网络、ＦＡＲＩＭＡ模型和小波变换等．由于神经网络具有自适应和非线性逼近特点，相比于其它预测算法显示出较好的优越性．文献［５］利用混沌理论建立了在线模糊预测算法，并采用最小二乘法有效地解决了业务流的时变特性；文献［６］利用径向基函数神经网络结构提出一种基于梯度下降法的混合预测算法，并对径向基函数网络结构和参数进行训练和优化，以提高算法的预测能力；文献［７］基于链路稳定性预测提出了ＭＡＮＥＴ的路由算法，并作为和路由协议设计的基础；文献［８］基于Ｅｌｍａｎ神经网络提出了状态预测算法，并采用梯度下降法对网络流量进行训练，提高了算法的预测精度；李丹丹等［９］利用蚁群算法和小波变换来训练ＢＰ（Ｂａｃｋ　Ｐｒｏｐａｇａ－ｔｉｏｎ）网络权值的方法，建立了一种混合业务流预测算法，解决了原有预测模型对训练数据依赖程度高的缺点，使得预测精度大幅度提高；叶美盈等［１０］提出了一种在线模糊最小二乘支持向量机方法，能够进行实时更新预测数据，但是缺乏关于时间尺度的考虑；单伟等［１１］基于自相关系数和偏自相关系数的拖尾改进了ＡＲＩＭＡ模型，同时采用变尺度法对模型参数进行优化，建立了精度较好的业务流预测模型；而ＦＡＲＩＭＡ模型［１２］具有刻画大尺度和小尺度特性的优势，因此能够较好地描述实际业务流的长相关和短相关特性；宋杨等［１３］建立了一种概率上限的预测算法，通过ＦＡ－ＲＩＭＡ模型和一定概率来控制业务流时延．在上述工作的基础上，本文结合萤火虫群方法建立一种新的预测算法．该算法首先将到达流量视作萤火虫群，节点服务率视作萤火虫吸引度，通过对萤火虫个体执行移动操作和随机飞行操作来获得最优位置和吸引度，以此达到提高预测精度的目的．最后通过仿真实验，深入分析了该算法与小波变换预测方法的性能差异，以及影响该算法的关键因素．

２　预测方法

假设在如图１所示的网络拓扑结构中，Ｓ是数据发送端，Ｒ是数据接收端．为了能够有效处理

下一时刻到达数据流，需要对其进行提前预测，以提高数据转发效率．本文作者曾经结合人工免疫方法与ＦＡＲＩＭＡ模型提出过ＰＡＩＦ（Ｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　Ａｒｔｉｆｉｃｉａｌ　Ｉｍｍｕｎｅ　ａｎｄ　ＦＡＲＩ－ＭＡ）预测方法［１４］．但是由于人工免疫方法在实际计算过程中，常常陷入局部最优．而萤火虫群优化算法作为一种新型的群体智能优化算法，在计算过程中不会出现其它智能算法的个体群聚现象，而是形成若干群体和多个聚集区域，从而有效避免陷入局部最优．因此，本文结合萤火虫群优化算法对上述ＰＡＩＦ算法进行改进，以提高预测精度

．

图１　网络拓扑结构图

Ｆｉｇ．１　Ｎｅｔｗｏｒｋ　ｔｏｐｏｌｏｇｙ

假设数据发送端Ｓ处的状态信息ΩＳ＝［λ１，λ２，…，λｎ］，其中，ｎ为状态数量，λｎ表示数据包属性．通过结合状态信息ΩＳ、网络拓扑结构以及预测算法，以此预测数据接收端Ｒ处的状态信息ΩＲ，用来提前处理接收端Ｒ处可能发生的拥塞现象．

首先，本文利用ｓｋｅｔｃｈ方法和ｈａｓｈ函数来对状态信息进行统计．结合文献［１５］研究结果，假设ｓｋｅｔｃｈ连接度Ｄ＝［ｄ１，ｄ２，…，ｄｎ］与状态信息ΩＳ对应．其中，ｄｎ与某个ｈａｓｈ函数ｈｎ相关联．当有数据包到达接收端Ｒ时，ｄｎ按照式（１）对每一位的行φ（λｎ）和列ψ（λｎ）进行更新如下式．

ｄｎ（φ（ｄｎ）ψ（ｄｎ））＝１（１）

通过判断ｓｋｅｔｃｈ结构中数据包的突发位置，反向找到突发状态信息，从而确定突发源，即可转化为求解ｈａｓｈ表中ｄ１，ｄ２，…，ｄｎ对应为λ１，λ２，…，λｎ的数据状态信息．这里设计如下ｈａｓｈ函数Ｈｎ对网络状态进行分析，具体如下式所示．Ｈｎ（Ｙ）＝（ξＹ）％ｎ＋ζ（２）其中，ξ和ζ为非负整数．通过上述模型对Ｙ值进行求解，用来确定突发状态与突发源．对此，本文

５

７

４