遗传算法优化BP神经网络的网络流量预测.docx

安全技术-网络信息-面向P2P的网络流量预测技术研究.pdf

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......

研究网络流量预测精度问题, 网络流量受多种因素的综合影响, 其变化具有周期性、非线性和随机性等特点, 将ARIMA模型和SVM模型相结合建立一种网络流量预测模型。采用ARIMA预测网络流量周期性和线性变化趋势; 然后采用SVM对网络流量非线性和随机性趋势进行拟合; 最后将两者结果再次输入SVM进行融合, 得到网络流量最终预测结果。采用具体网络流量数据对模型性能进行测试, 仿真结果表明, ARIMA-SVM提高了网络流量预测精度, 降低了预测误差, 能更全面刻画网络流量变化规律。

基于循环神经网络的95598小尺度网络流量预测.pdf

为了提高预测精度，提出一种布谷鸟搜索算法优化BP神经网络的网络流量预测模型(Cuckoo Search BP neural network Flow Prediction，CS-BPNN)。根据混沌理论建立网络流量学习样本，采用BP神经网络对学习样本进行训练，将模型参数当一个鸟巢，通过模拟布谷鸟寻窝产卵的行为找到最优模型参数，最后采用网络流量数据进行仿真实验，测试模型性能。仿真实验表明：所提出模型较好的解决了BP神经参数优化问题，能够获得更加理想的网络流量预测结果。

行业分类-作业装置-一种基于图卷积网络融合多特征输入的网络流量预测方法.7z

行业分类-作业装置-一种基于图神经网络的网络流量预测方法.7z

Kaggle | 网络流量预测

精准地预判网络流量变化趋势可以帮助运营商准确预估网络的使用情况，合理分配并高效利用网络资源，以满足日益增长且多样化的用户需求。