2018年第37卷第8期
传感器与微系统（Transducerand MicrosystemTechnologies）
49
DOI:10.13873/J.10009787 (2018)080049-02
基于改进BP神经网络的路由器流量预测方法
任师涛，史志才，吴飞，钟亚洲，陈珊珊，陈计伟（上海工程技术大学电子电气工程学院，上海201620）
传统BP神经网络的基础上加入学习率自适应算法，提高路由器流量的预测精度和训练速度。运用 MATLAB平台构建BP神经网络对网络流量进行建模、训练并预测。仿真结果表明：相较传统预测模型，运用改进的BP神经网络预测模型精度较高，训练速度较快，路由器可以更快、更准确地调整工作状态，实现了有效节能，具有很好的应用前景，
关键词：反向传播神经网络：预测：网络流量；学习率
中图分类号：TP393
文献标识码：A
文章编号：1000-9787(2018)08-0049-02
Routertrafficforecastingmethodbasedonimproved
BPneuralnetwork
REN Shi-tao, SHI Zhi-cai, WU Fei, ZHONG Ya-zhou, CHEN Shan-shan, CHEN Ji-wei( School of Electronic and Electrical Engineering,Shanghai University of Engineering Science,
Shanghai 201620, China)
Abstract: In order to reduce the energy consumption of the router, an improved back propagation(BP) neural network method is proposed to predict the flow of the router. This method adds a learning rate adaptive algorithm based on the traditional BP neural network ,it can improve the prediction precision and speed of training. MATLAB platform is used to build BP neural network for network traffic modeling, training and forecasting. The simulation results show that the improved BP neural network has higher precision and faster training speed than the traditional prediction model. The router can adjust the working state more quickly and accurately, so as to realize effective energy-saving- This method has a good application prospect.
Keywords: back propagation( BP) neural network; prediction; network traffic; learning rate
0引言
路由器节能的方法有很多种，但一些方法可能会增加额外开销。现阶段，很多研究都在寻求一种更加有效的流量预测方案，也提出了一些常用的预测方法。文献[1]提出卡尔曼滤波模型是一个可以预测实时动态数据的模型，但路由器流量具有很大的有随机性和突发性，模型量化能力差，并不是有效的网络流量预测方法。文献[2]提出反向传播（backpropagation，BP）神经网络模型能够较好克服网络流量的非线性和不确定性因素，但传统BP神经网络并不能解决网络流量的多尺度性和突发性，因此需要对传统BP神经网络模型进行改进以提高预测精度[3~5]。
本文提出了一种加入学习率自适应算法的BP神经网
络流量预测方法，为一种非常智能且效率很高的路由器节收稿日期：2017-06-23
能方法。该策略通过感知用户的相关参数，通过BP神经网络模型对参数进行预测处理，输出的结果为路由器发射功率的调节提供依据6~1]。本文进行大量实验，并与其他方法详细对比，结果表明：在加入学利率自适应算法之后， BP神经网络在学习过程中误差下降很快，且容易编程实现，提高了BP神经网络的训练速度和预测精度，
网络流量预测原理 1
网络流量预测就是通过总结过去时间的流量特征，从而推算出未来时间点的流量特征。对模型的预测精度要求较高。可以用如式(1）函数表示，一般原理如图1所示。
=，，，-）
网络流量的获取数据流预测模型输出结果
图1网络流量预测原理
(1)
*基金项目：国家自然科学基金资助项目（61272097）；上海市科技学术委员会资助项目（13510501400）；上海市自然科学基金资助项目(17ZR1411900)