基于改进型小数据量法的局域网流量预测

doi:10.13229/j.cnki.jdxbgxb201604035

吉林大学学报(工学版) ›› 2016, Vol. 46 ›› Issue (4): 1254-1260.doi: 10.13229/j.cnki.jdxbgxb201604035

基于改进型小数据量法的局域网流量预测

王石^{1, 2, 3}, 隋永新¹, 董琰³, 杨怀江¹

1.中国科学院长春光学精密机械与物理研究所,长春 130033;
2.中国科学院大学,北京 100039;
3.东北师范大学信息化管理与规划办公室,长春 130024

收稿日期:2014-11-02 出版日期:2016-07-20 发布日期:2016-07-20
作者简介:王石(1979-),男,工程师,博士研究生.研究方向:信息安全.E-mail:wangs@nenu.edu.cn
基金资助:
吉林省教育厅“十二五”科技与社科研究规划项目(2014B053); 吉林省自然科学基金项目(20140101189JC)

LAN traffic flow prediction using improved small data method

WANG Shi^{1, 2, 3}, SUI Yong-xin¹, DONG Yan³, YANG Huai-jiang¹

1.Changchun Institute of Optics,Fine Mechanics and Physics,Chinese Academy of Sciences,Changchun 130033,China;
2.University of Chinese Academy of Sciences,Beijing 100039,China;
3. Office of Information Management and Planning,Northeast Normal University,Changchun 130024,China

Received:2014-11-02 Online:2016-07-20 Published:2016-07-20

摘要/Abstract

摘要： 基于Takens理论对混沌时间序列进行相空间重构,对小数据量法进行如下改进:利用C-C算法计算嵌入维和延迟时间;以功率对频率加权并采用求平均的方法计算平均周期,使小数据量法更加完善。使用改进前、后的小数据量法分别仿真计算Lorenz系统混沌时间序列的Lyapunov指数并预测混沌时间序列,并计算实测局域网流量时间序列的最大Lyapunov指数并预测局域网流量时间序列。仿真及实验结果均表明,采用改进型小数据量法进行流量预测,精度更高、速度更快、预测点数更多。

关键词: 计算机应用, 混沌时间序列, 小数据量法, 局域网流量预测

Abstract: First, the LAN traffic flow time series are reconstructed in the phase space using Takens theory. Then the embedding dimension and delay time are calculated via the C-C algorithm. Third, the average period is calculated via the frequency weighting derived from the power and averaging method. With the above steps the improved small data method becomes more complete. The improved small data method is applied to calculate the largest Lyapunov exponent of the chaos time series of the Lorenz system and the prediction data of the real measured LAN traffic flow time series. Results show that the LAN peak traffic flow is chaotic and the prediction based on the improved small data method is more accurate, faster, and more points can be predicted.

Key words: computer application, chaos time series, small data method, LAN traffic flow prediction

中图分类号:

TP393

王石, 隋永新, 董琰, 杨怀江. 基于改进型小数据量法的局域网流量预测[J]. 吉林大学学报(工学版), 2016, 46(4): 1254-1260.

WANG Shi, SUI Yong-xin, DONG Yan, YANG Huai-jiang. LAN traffic flow prediction using improved small data method[J]. 吉林大学学报(工学版), 2016, 46(4): 1254-1260.

参考文献

[1] Leland W. On the self-similar nature of Ethernet traffic(extended version)[J]. IEEE/ACM Transactions on Communications on Networking,1994,2(1):1-15.
[2] 张宾,杨家海,吴建平. Internet流量模型分析与评述[J]. 软件学报,2011,22(1):115-131.
Zhang Bin, Yang Jia-hai, Wu Jian-ping. Survey and analysis on the Internet traffic model[J]. Journal of Software,2011,22(1):115-131.
[3] Wolf A, Swift J B, Swinney H L, et al. Determining Lyapunov exponents from a time series[J]. Physica D Nonlinear Phenomena,1985,16(3):285-317.
[4] Barana G, Tsuda I. A new method for computing Lyapunov exponents[J]. Physics Letters A,1993,175(6):421-427.
[5] Rosenstein M T,Collins J J,DeLuca C J. Apractical method for calculating largest Lyapunov exponents from smalldatasets[J]. Physica D Nonlinear Phenomena,1993,65(1-2):117-134.
[6] 张贵杰,高后秀,杨渝钦. 基于小数据量法计算固体“类流态”的最大Lyapunov指数[J]. 天津大学学报,2006(增刊1):185-189.
Zhang Gui-jie, Gao Hou-xiu, Yang Yu-qin. Calculating largest Lyapunov exponent of solid quasi-fluid with small data sets arithmetic[J]. Journal of Tianjin University, 2006(Sup.1):185-189.
[7] 李红权,邹琳. 股票市场混沌吸引子的特征量——基于G-P算法与小数据量算法[J]. 计算机工程与应用,2007,43(6):229-232.
Li Hong-quan, Zou Lin. Empirical study on chaotic attractor in stock market based on G-P arithmetic and small data arithmetic[J]. Computer Engineering and Applications,2007,43(6):229-232.
[8] 卢宇,陈宇红,贺国光. 应用改进型小数据量法计算交通流的最大Lyapunov指数[J]. 系统工程理论与实践,2007(1): 85-90.
Lu Yu, Chen Yu-hong, He Guo-guang. The computing of maximum Lyapunov exponent in traffic flow applying the improved small-data methed[J]. Systems Engineering-Theory and Practice,2007(1): 85-90.
[9] 陈益峰,吕金虎,周创兵. 基于Lyapunov指数改进算法的边坡位移预测[J]. 岩石力学与工程学报,2001(5):671-675.
Chen Yi-feng, Lyu Jin-hu, Zhou Chuang-bing. Prediction of slope displacement by using Lyapunov exponent improved technique[J]. Chinese Journal of Rock Mechanics and Engineering, 2001(5):671-675.
[10] 董春娇,邵春福,张辉,等.基于G-P算法的快速路交通流参数相空间重构[J].吉林大学学报:工学版,2012,42(3):594-599.
Dong Chun-jiao, Shao Chun-fu, Zhang Hui,et al.Phase space reconstruction of traffic flow parameters on expressway based on G-P algorithm[J]. Journal of Jilin University(Engineering and Technology Edition),2012,42(3):594-599.
[11] Takens F. Detecting strange attractors in turbulence[J]. Lecture Notes in Math,1981,898(2):366-381.
[12] 刘秉正,彭建华. 非线性动力学[M]. 北京:高等教育出版社,2004:403-415.
[13] Kim H S, Eykholt R, Salas J D. Nonlinear dynamics,delay times and embedding windows[J]. Physica D: Nonlinear Phenomena,1999,127(1-2):48-60.

相关文章 15

[1]	刘富,宗宇轩,康冰,张益萌,林彩霞,赵宏伟. 基于优化纹理特征的手背静脉识别系统[J]. 吉林大学学报(工学版), 2018, 48(6): 1844-1850.
[2]	王利民,刘洋,孙铭会,李美慧. 基于Markov blanket的无约束型K阶贝叶斯集成分类模型[J]. 吉林大学学报(工学版), 2018, 48(6): 1851-1858.
[3]	金顺福,王宝帅,郝闪闪,贾晓光,霍占强. 基于备用虚拟机同步休眠的云数据中心节能策略及性能[J]. 吉林大学学报(工学版), 2018, 48(6): 1859-1866.
[4]	赵东,孙明玉,朱金龙,于繁华,刘光洁,陈慧灵. 结合粒子群和单纯形的改进飞蛾优化算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1867-1872.
[5]	刘恩泽,吴文福. 基于机器视觉的农作物表面多特征决策融合病变判断算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1873-1878.
[6]	欧阳丹彤, 范琪. 子句级别语境感知的开放信息抽取方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1563-1570.
[7]	刘富, 兰旭腾, 侯涛, 康冰, 刘云, 林彩霞. 基于优化k-mer频率的宏基因组聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1593-1599.
[8]	桂春, 黄旺星. 基于改进的标签传播算法的网络聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1600-1605.
[9]	刘元宁, 刘帅, 朱晓冬, 陈一浩, 郑少阁, 沈椿壮. 基于高斯拉普拉斯算子与自适应优化伽柏滤波的虹膜识别[J]. 吉林大学学报(工学版), 2018, 48(5): 1606-1613.
[10]	车翔玖, 王利, 郭晓新. 基于多尺度特征融合的边界检测算法[J]. 吉林大学学报(工学版), 2018, 48(5): 1621-1628.
[11]	赵宏伟, 刘宇琦, 董立岩, 王玉, 刘陪. 智能交通混合动态路径优化算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1214-1223.
[12]	黄辉, 冯西安, 魏燕, 许驰, 陈慧灵. 基于增强核极限学习机的专业选择智能系统[J]. 吉林大学学报(工学版), 2018, 48(4): 1224-1230.
[13]	傅文博, 张杰, 陈永乐. 物联网环境下抵抗路由欺骗攻击的网络拓扑发现算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1231-1236.
[14]	曹洁, 苏哲, 李晓旭. 基于Corr-LDA模型的图像标注方法[J]. 吉林大学学报(工学版), 2018, 48(4): 1237-1243.
[15]	侯永宏, 王利伟, 邢家明. 基于HTTP的动态自适应流媒体传输算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1244-1253.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

基于改进型小数据量法的局域网流量预测

LAN traffic flow prediction using improved small data method

RICH HTML

PDF (PC)

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10