论文部分内容阅读
网络短时流量预测有利于网络运营商了解当前网络的运行情况,在网络资源配置、异常检测等方面具有着重要的意义。网络短时流量预测的预测精度、运行速度对运营商进行有效的网络管理、维护和保障产生重要的影响。网络性能预警是网络监控的重要组成部分,通过提前预测网络短时流量,根据实际流量和设定的阈值产生不同程度的预警,能够预防网络异常并预先做好相应的准备,保证网络服务质量。传统的网络短时流量预测算法存在精度不足、运行时间长等缺陷,传统的网络性能预警方法存在着误判率高、漏报率高等缺陷。本文针对这些亟待解决的问题,进行了如下研究:1、对网络短时流量的主流预测方法进行了综述,分析了各个方法的优势和不足之处。介绍了网络流量特性和相关理论知识,基于网络短时流量的自相似性,本文将非线性的Markov理论引入网络短时流量预测领域,提出基于Markov模型的网络短时流量预测。针对网络短时流量时间序列的非平稳特征,将灰色系统理论和Markov理论组合,从而改进了模型的性能。2、为了进一步提高预测精度,利用深度学习方法对于非线性时间序列的拟合能力,本文融合灰色Verhulst算法、Markov理论、GRU神经网络提出了灰色Verhulst-Markov-GRU神经网络模型。在公开数据集和私有数据集上与LSTM、GRU方法进行对比分析,验证了本文提出的三种模型的有效性,并且体现了灰色Verhulst-Markov-GRU神经网络模型的优越性。3、在灰色Verhulst-Markov-GRU神经网络模型预测精度高的基础上,提出了一种自适应网络性能预警模型。以组合模型的预测结果为基线,结合调整偏离度和强度因子产生3三级预警,能够提前发现网络异常并且做出相应的决策。在中兴通讯有限公司提供的数据集上验证了预警的有效性。开发了一个网络短时流量预测系统,集数据预处理、短时网络流预测、网络性能预警于一体,通过了中兴通讯股份有限公司的验收。