论文部分内容阅读
随着互联网业务范围的不断扩大和互联网用户的急剧增多,互联网压力日益增大。具有良好的网络感知能力和智能决策能力的新型未来网络逐步成为了业界研究的热点。网络流量感知作为网络感知能力的一大重点,能够极大地提高服务质量和网络性能。网络流量的短期或者长期预测对于网络控制和网络资源调整大有裨益。通过针对历史流量数据的分析和预测,相应调整网络资源的分配,可以有效地提高和改善网络性能。首先,本文将给出论文的背景介绍,分为三个方面。一是对未来网络架构下新型网络的研究背景介绍;二是网络流量的定义和网络流量预测研究现状;三是神经网络的介绍以及将神经网络应用于网络流量预测方面的研究现状。其次,本文将关注神经网络中回声状态网络(ESN, Echo State Network)的研究,引入最小复杂度回声状态网络模型(MCESN, Minimum Complexity Echo State Network),通过改变回声状态网络动态池神经元组成,提出了两种新型最小复杂度回声状态网络预测算法:小波注入式最小复杂度回声状态网络预测算法和全小波最小复杂度回声状态网络预测算法。再次,本文将使用真实网络流量数据等数据集对算法预测能力、有效谱半径、记忆能力、鲁棒性等多种性能进行详细地研究。仿真结果证明了新型预测算法具有很好的预测精度,优秀的谱半径选择范围和稳定的预测性能,并给出了算法在网络流量预测中输入权重和动态池权重的选择、小波输入比例,输入权重符号分布等方面的建议。其中全小波最小复杂度回声状态网络预测算法,以很小的时间代价换取了优秀的预测能力,具有很高的实际应用价值。最后,本文将讨论在一种基于虚拟化的新型分层网络架构下如何进行网络流量预测,提出了一种基于全小波最小复杂度回声状态网络模型的未来网络流量预测方案。