遗传算法优化 BP 神经网络的 网络流量预测
1 引言
网络流量预测对于分析和理解网络将要发生的网络行为、指
导网络安全检测与控制具有重要的意义,网络流量具有非线性、
多时间和多尺度等变化特性,如何建立高精度的网络流量预测模
型已经成为研究热点之一。
当前网络流量均基于统计方法进行建模,是通过对预测网络
流量过去的数据及资料进行统计和分析,对其未来的网络流量发
展趋势进行定量的预测,主要有时间序列法和 BP 神经网络方法。
时间序列预测法因根据事物过去的变化趋势预测未来的发展,突
出时间因素,外界因素不计入影响,在短期且没有相对比较大的
变化时预测结果比较理想,但是当外界出现巨变,往往会出现比
较大的偏差。因此,时间序列预测法适用于渐进变化的预测对象,
没有明显波动,而网络流量受到多种因素影响,具有非线性、多
时间和多尺度等变化的特性,因此时间序列法预测精度比较低。
BP(Back Propagation)网络是一种按误差逆向传播算法训练的
多层前馈网络,是目前应用最广泛的神经网络模型之一,具有自
组织、自适应、自学习等特点,具有很强的输入输出非线性映射
能力,对解决非线性问题有着独特的先进性,成为当前网络流量
建模与预测主要工具。但是,由于采用了误差函数按梯度下降的
学习算法,极易陷入局部最小值点。此外,BP 神经网络学习算