基于智能优化的分布式网络流量预测方法

摘要

本发明提供一种适用于分布式网络(Distributed Network)环境中的基于智能优化的分布式网络流量预测方法，预测过程中采用基于三次指数平滑的网络流量预测对分布式网络流量中心采集的流量进行预测，且由于三次指数平滑模型中的平滑指数的选取对预测效果具有重要影响，采用果蝇优化算法(FOA)对平滑指数进行优化，通过不断寻优得到预测效果最佳的平滑参数，预测效果由对应平滑参数下预测绝对均方误差表示，预测均方误差预测小则预测效果越好，该预测为一次较为准确的网络流量预测，实现了分布式网络中高效、准确的网络流量预测。应用本方可以实现分布式网络流量的高效率、小误差的流量预测。

主权项

一种基于智能优化的分布式网络流量预测方法，其特征在于该方法包含以下的具体步骤：步骤1)设置分布式网络环境参数：设置分布式网络可控流量中心数量及产生的流量；步骤2)各分布式网络环境开始进行流量采集，分布式服务器端采用时间窗机制对流量进行采集，提高流量采集的效率，分布式哈希网络由网络中受控节点探测周围在线邻居节点流量完成采集工作，软件定义网络是在控制器中统计所有经过包的信息完成流量采集工作；步骤3)分布式网络每个网络流量中心收集到的网络流量采用基于智能优化的分布式网络流量预测方法进行流量预测；步骤4)确定果蝇优化中种群个体数量sizepop和最大迭代次数maxgen，随机产生果蝇的初始位置；步骤5)赋予果蝇个体利用嗅觉搜寻食物的随机方向和距离；步骤6)估计果蝇个体与原点之间的距离Dist_i，计算味道浓度判定值S_i，且S_i＝1/Dist_i，三次指数平滑预测模型中设置平滑指数α数值上等于S_i，三次指数平滑法的数学模型为：其中m为预测期数，a、b、c为模型平滑系数；其中a_t、b_t、c_t表示为a_t＝3s_t⁽¹⁾‑3s_t⁽²⁾+s_t⁽³⁾$b_t=\frac{\alpha }{2{(1-\alpha )}^2}[(6-5\alpha ){s_t}^{\left(1\right)}-(10-8\alpha )s_t^{\left(2\right)}+(4-3\alpha ){s_t}^{\left(3\right)}]$$c_t=\frac{{\alpha }^2}{{(1-\alpha )}^2}({s_t}^{\left(1\right)}-{{2s}_t}^{\left(2\right)}+{s_t}^{\left(3\right)})$上式中S_t⁽¹⁾、S_t⁽²⁾、S_t⁽³⁾为一次、二次、三次指数平滑值，计算公式如下：S_t⁽¹⁾＝αy_t+(1‑α)s_t‑1⁽¹⁾S_t⁽²⁾＝αs_t⁽¹⁾+(1‑α)s_t‑1⁽²⁾S_t⁽³⁾＝αs_t⁽²⁾+(1‑α)s_t‑1⁽³⁾式中，y_t是第t期实际值，α是平滑系数，0<α<1；将三次指数预测模型得到的预测结果代入绝对均方误差MSE中的并将原始网络流量代入f_i，以表示预测结果和真实数据之间的偏差，$\mathrm{MSE}=\frac{1}{n}\Sigma {(f_i-{\hat{f}}_i)}^2$其中，n是预测阶段总数；f_i是阶段i的实际值；是阶段i的预测值；果蝇个体的味道浓度Smell_i在数值上等于MSE，并重复上述过程直到得到果蝇群体中所有个体的Smell_i；步骤7)找出此果蝇种群个体中味道浓度Smell_i最小的果蝇；保留最佳味道浓度判定值Si与其果蝇个体坐标(Xi，Yi)，此时果蝇群体利用视觉向该位置飞去；步骤8)迭代寻优，重复果蝇优化过程，并找出优于前一迭代味道浓度的味道浓度计坐标值，一直到迭代结束。