IT技术
数字技术与应用
基于神经网络和马尔柯夫链的网络流量预测方法
张立燕马华林
(浙江工商职业技术学院浙江宁波315012)
摘要：本文提出了一种新的网络流量预测方法，该方法根据网络流量历史值，用bp神经网络算法进行预测，热后用马尔柯夫键对bp神经同络算法预测时产生的误差进行修正，从而达到较高的预测精度。应用此模型对实际同络流量进行预测，结果表明了该方法是有效可行的。
关键词：马尔柯夫链“预测
误差bp神经网络
中图分类号：TP316.8 1.引言
文献标识码：A
网络流量的预测间题可以归为时间序列间题，我们用bp神经网络对网络流量进行了预测实验发现该算法具有较高的预测精度，但对随机波动性大的数据序列进行预测时预测精度不高。马尔柯夫链预测法是利用系统现在状态和发展趋势去预测将来的可能状态的概率，或者说预测事件在预测区间发生的概率。
本文结合了bp神经网络和马尔柯夫链的优点，提出了神经网络马尔柯夫链预测模型。该模型大大提高了模型拟合和预测精度，并将其应用在流量预测中，实验表明了这种方法的有效性。
2、BP神经网络算法
Bp神经网络的基本思想是利用LMS学习算法，在网络的学习过程中使用梯度搜索技术，利用误差向后传播来修正权值，从而实现网络实际输出和期望输出的均方差最小化。本论文中，采用了只有一个隐截层的神经网络模型。其中O表示输出单元，V表示隐崴单元，表示输入单元，从输人单元到隐藏单元/的连接权为 w，从隐截单元j到输出单元i的连接权为w，g和g,分别对应于适当选定的隐凝层和输出层活化函数，则隐藏单元/的输人为 h-2
(1)
输出为：
V,=g(h,)=g(2w5)
输出单元i的输人为 H,-w.y, 最终的输出为 0, =g;(H,)
定义在线误差函数为(D-0) E=
(2)(3)(4)(5)
其中D为输出单元i的期望值。利用梯度下降算法对权进行学习，对于隐藏单元到输出单元之间的连接权矩阵W，利用梯度下降规则得到
n
aE
aw
ng:;(h,D,0,)
(6)
式中：n大于0，为适当选定的学习步长。同理，对于从输入单元到隐藏单元之间的连接权矩阵w利用链式法则可得
-n
w=n
awa
aa
=n5g;(h,)EW,g;(hXD,0) 万方数据
(7)
文章编号：1007-9416(2011)03-0095-02
这样可对权实现实时更新：
=+,(W,
(8)
根据这个更新规则，每一步送代都减小了在线误差，从而达到某一极小值。
3、建立马尔柯夫链预测模型
马尔可夫链的预测就是根据网络流量的变化趋势，统计流量变化的规律，分析和计算各个状态出现的概率，然后选择最大概率状
态作为流量的预测值。我们通过以下几个步骤来建立模型： 3.1预测对象和网络流量状态划分
我们把用bp神经网络对流量进行预测后产生的误差作为预测对象，把误差集合E=(e.e..e,!所有网络流量状态记为S,S.S,，我们记S,=[S-,S.].S, "["s""s] ='s"[**s*"s] “s ["s""'s] -'s 3.2计算网络流量状态转移概率矩阵
假设有网络流量状态转移时间为，，"，，在时刻误差e所处的状态为S,.用P(m)表示网络流量状态S,经过m次转移到达网络流量状态S,的概率。网络流量状态转移概率P()可以组成成一个m次状态转移概率矩阵：
[p.t
Pp,(n),(m)
Pe, m)
pla)
P,(a
P,(
其中P,(m)
M,() M
P,() P,()
p,(m)(f, j = 1,2,-*- L)
(9)(10)
在算法设计中一般考虑多步状态转移，但在实际应用中若只考虑一步转移概率矩阵p()实现起来比较方便。假设当前网络状态为 R，比较pl)中第i行的数值。假设P("最大，则认为下一时刻系统由S,状态转向S状态的概率最大，如果有两项或多项数值一样，则任意取一个。
(3)计算网络流量预测值。在上面确定了下一时刻最有可能的状态，也就确定了误差e的变动区间S,=[S,,S,],我们把平均值作为误差预测值：
() = X()+0.5(S,_ + S,)
(11)
其中，(i)为神经网络马尔可夫链预测模型的预测值，X()为神经网络模型预测值。
4.运用神经网络马尔可夫链模型预测网络流量
我们采用snmp协议采集网络流量值，采集的时间间隔为300
Digital technology and application数字技术与应用
95