基于机器学习的网络流量预测与应用研究

本文在流量分场 景建模 的 基础上结合机器 学 习 算法对流量进行分类预测 研 究 ， 同 时 搭 建 Ｓ ＤＮ 仿 真平 台 进行算法实现 ， 具 有理论 与 实 践 意 义 。首 先 ， 针对骨干 网 、 数据 中 心 、 边缘 网 及 大 突 发情况这 四 种 典 型的 流量场 景 结 合 前 人 的 研 究 工 作 分 别 建立 泊 松 、 ＭＭＰ Ｐ 、 自 相 似 及Ｐ ａｒ ｅｔｏ 数学模 型 ， 深入研 究 流量特征 的 同 时 得 出 路 由 缓存 的 参考 大小 ，并进行现 网 流量分析与 ＳＤＮ 网 络仿 真双 重验证 。其 次 ， 在流量建模 的 基础上 ， 使 用 ｌ ｉ ｇｈｔＢ ＧＭ 多 分 类算法对 泊 松 、ＭＭＰＰ 和 自 相 似流量数据进 行 分类 ， 数据 预 处理提取特征 ， 在 训 练 中对参数不 断优化 以 达到 较好 的 分类效果 ； 接 下 来 针对 己 分类 的 突 发性较 强 的 自 相 似流量进行数据处理 与 预测 研 宄 ， 采 用 能够捕捉到 流量序列 中 长距离 依赖 的 Ｌ Ｓ ＴＭ 算法进行预测......