网络流量预测模型的研究与分析
网络流量预测模型的研究与应用
网络流量预测模型的研究与应用随着互联网技术的不断发展和普及，网络已经成为人们日常生活和生产经营中不可或缺的一部分。
而网络流量预测模型，则是网络管理和网络安全的重要工具之一。
网络流量预测模型，是指通过对网络流量进行分析和预测，从而帮助用户及时发现和解决网络问题，保障网络安全和网络正常运行的一种技术手段。
下面，就来探讨一下网络流量预测模型的研究与应用。
一、网络流量预测模型的概述网络流量预测模型，即Network Traffic Prediction，它是一种针对网络流量进行预测的技术手段。
它通过对历史网络流量进行分析和统计，预测网络在未来一段时间内所产生的流量，并提前作出相应的应对措施。
网络流量预测模型主要分为两种，一种是基于统计分析的网络流量预测模型，另一种则是基于机器学习的网络流量预测模型。
基于统计分析的模型，主要是通过对一段时间内的历史网络流量进行分析和统计，找出网络流量的规律和特点，然后通过统计建模的方式，来预测未来网络流量的趋势和变化。
其优点是可靠性高，但对数据的要求较高，需要有足够的历史数据作为依据。
而基于机器学习的模型，主要是借助计算机和大数据技术，利用一定的算法和模型，通过对历史网络流量及其他相关因素的学习和分析，来预测未来网络流量的趋势和变化。
其优点是精度高、速度快，但对算法和数据处理能力要求较高。
不同的网络流量预测模型，根据其应用场景和需求，可以采用不同的技术手段和方法，如线性回归、神经网络、遗传算法等。
二、网络流量预测模型的应用网络流量预测模型，作为一种重要的网络管理和网络安全工具，其应用范围也越来越广泛。
下面，就来简单介绍一下网络流量预测模型的几种应用场景：1、网络负载均衡网络负载均衡是指在多台服务器上分配网络负载，实现网络资源共享的一种技术手段。
而网络流量预测模型可以通过对网络流量的预测和分析，提前发现网络流量的集中和高峰期，从而采取相应的负载均衡策略，使网络资源的利用更加平衡和高效。
基于大数据分析的移动网络流量预测模型研究
基于大数据分析的移动网络流量预测模型研究随着移动通信和互联网的普及，移动网络流量不断增加，对于网络运营商和服务提供商来说，准确预测移动网络流量的变化越来越重要。
基于大数据分析的移动网络流量预测模型成为研究热点，能够帮助提高网络运营效率、优化网络资源分配和改善用户体验。
在移动网络中，流量预测是根据已有的历史数据和相关环境信息，通过建立合适的模型来预测未来一段时间内的移动网络流量变化趋势。
基于大数据分析的移动网络流量预测模型利用大数据技术处理庞大的数据集，从而揭示数据背后的规律和趋势。
下面将介绍一些常用的大数据分析方法和模型。
首先，时间序列分析是一种常用的方法，它假设未来的移动网络流量是根据过去的流量值来预测的。
例如，利用ARIMA（自回归综合移动平均）模型可以对流量进行建模，它是一种统计模型，能够通过分析数据的自相关性、趋势和季节性等特征，进行移动网络流量的长期和短期预测。
其次，回归分析是另一种常用的大数据分析方法，它考虑了移动网络流量与其它因素之间的关系。
回归模型通过建立自变量（如时间、天气、节假日等）与流量之间的关系，并利用已有数据进行训练，来进行未来流量的预测。
例如，可以使用线性回归模型或者非线性回归模型（如支持向量机和人工神经网络）来建立流量与时间、天气等因素之间的关系，并进行预测分析。
此外，机器学习方法也被广泛应用于移动网络流量预测中。
机器学习模型可以通过分析大数据集中的复杂关系，来捕捉移动网络流量的非线性特征，从而提高预测精度。
例如，决策树模型可以通过分析各种特征的重要性，构建一棵树形结构，用于预测未来流量。
此外，随机森林、支持向量机、深度学习等机器学习算法也可以用于移动网络流量预测模型的构建。
除了传统的方法，还有一些新兴的技术在移动网络流量预测中得到应用。
例如，基于深度学习的模型能够利用神经网络对大规模的数据进行处理和学习，提取出更多的特征，从而提高预测精度。
此外，时空数据挖掘也是一个研究热点，可以结合用户位置、移动速度和网络拓扑等信息，进行移动网络流量的预测分析。
网络流量预测模型的研究与分析
和 滑 动 平 均 系数 。
对于 Ｆ ＡＲＩ ｐ ，ｑ 模型 的拟合， 需要 先对序列 ＭＡ（，ｄ ）
ｌｇ Ｏｂｏ ｋ ｆ ｉｅｍ） ｏ １ （ ｌ ｅｏ ｓｚ ｃ
进 行分数差分，消 除长相 关特性 以后再使 ￣ＡＲＭＡ（，ｑ ｐ ）
日 （一 ） ） Ｂ １
曰 ） （
（ ６ ）
Ｆ ＲＩ （ ， ， ） ￣ Ｉ ＲＩ ｐ ｄ ｑ模 型 的 唯 一 Ａ ＭＡ ｐ ｄ ｑ模 ］ ＭＡ（， ， ） Ａ 差 别 别就 是 差分 次 数 ｄ 以取 分 数 ， 时 ： 可 这
０ １０ ２ ０ ３０ ４０ ５０ Ｂ０ ７ ０ ８０ ９０ １００ ０Ｏ ００ ００ ００ ００ ００ ００ ００ ０ ０ ０ ０
系 数 向 量 Ｐ 可 以通 过 下 式 迭 代 求 出 ：
ｐ‘＝ － ｐ Ｐ‘ Ｐ １ ， Ｐ 肿 ａｐ ； ， （） ２
ｆ １ ＝
ｐｉ ｑ － ｑ ｉ 七… 七ｑ ｉ ｊ Ｊ Ｊ ０ 、 、 ． ｐｉ ２ ． ＞ ｑ
Ｐｏ 一ｌ，当 ＞ ＋ ｄ时 ， ０ ＝
ＡＲ ＭＡ（，） ｐｑ模型可 以表示为：
一
（ 根 公 ：０ ３ 据式， ）
迭 求 出 代 解Ｍ
， （
艺 ：一 啤 哦 咚 一
＝
（ ３ ）
０ ＜
ｉ
个 系 数 Ｐ ， 。
在 这 里 我 们 引入 后 向 算 子 Ｂ 它 的运 算 有 ： ，
２
（ ４）根 据 公 式 从 第 Ｍ＋ 个 序 列 开 始 求 解 ，一 直 到 序 １ 列结束。
２ ０ ０ ０ ４
网络流量预测模型的研究与分析
74
技 术 交 流
GUI_SetColor(0x00,0xff); 为白色 }
//设置前景为青，背景
3
结语
光转发仪的实现由硬件和软件两部分组成，本文对
（ 5 ）用户根据自己设计要求，开发所需的应用程 序。 本文仪表主要设计用来完成硬件I 2C 总线和软件模拟 I2C总线轮循访问两个收发光模块地址0xA0和0xA2之间的 数据通讯，并将这两光收发模块的工作温度、波长、收发 光功率动态显示在LCD屏上的功能。程序代码不再列出， 仪表LCD显示结果如图2所示。
FARIMA模型拟合
本文中的样本数据都来自CEM算法产生的FGN序列[2]，
采用小波分析法估计出Hurst参数[3]，采用赤池提出的AIC 准则来确定阶数 p和 q[3]，最后由文献[4]中得到自回归系数 和滑动平均系数。 对于 FARIMA(p ， d ， q) 模型的拟合，需要先对序列 进行分数差分，消除长相关特性以后再使用ARMA(p，q) 图2 分数差分后的H值(step1000)
网络流量预测模型的研究与分析
作者： 作者单位： 刊名： 英文刊名： 年，卷(期)： 陈子文 南京邮电大学信息网络技术研究所 广东通信技术 GUANGDONG COMMUNICATION TECHNOLOGY 2010,30(6)
参考文献(6条) 1.李士宁;闫焱;覃征 基于FARIMA模型的网络流量预测[期刊论文]-计算机工程与应用 2006(29) 2.Fronzoni,L;Giocondo M;Pettini,M Experimental evidence of suppression of chaos by resonant parametric perturbations[外文期刊] 1991 3.Hasler,M.Neirynck Nonlinear Circuits 1986 4.Arai,f;Aust,D;Hudson,S PaperLink:A technique for hyperlinking from real paper to electronic content 1997 5.Nasraoui O;Frigui H;Krishnapuram R;Joshi A Extracting Web user profiles using relational competitive fuzzy clustering[外文期 刊] 2000(04) 6.Chen MS;Han J;Yu PS Data mining:An overview from database perspective 1996(06)
基于大数据的移动网络流量预测研究
基于大数据的移动网络流量预测研究随着移动互联网的快速发展，移动网络流量的规模和复杂度不断增加。
准确预测移动网络流量对于网络运营商和服务提供商的网络规划、资源配置以及用户体验的提升至关重要。
应运而生。
大数据在移动网络流量预测中的作用不可忽视。
移动网络流量的预测需要分析大量的历史数据，并结合实时数据进行模型训练和预测。
大数据技术能够高效地处理和分析海量的移动网络数据，从而发现数据中的规律和趋势。
通过对历史数据的挖掘，可以识别出不同时间段、地区和用户群体的流量变化规律，为流量预测提供依据。
基于大数据的移动网络流量预测研究涉及到多个方面的技术和方法。
首先，数据采集和存储是基础。
移动网络数据的采集需要覆盖多种数据源，如移动网络设备、网络节点和应用程序等。
数据的采集和存储需要满足数据的高效率和稳定性要求。
其次，数据清洗和预处理是关键。
移动网络数据往往包含噪声和异常值，需要通过数据清洗和预处理技术进行去噪和修正。
然后，特征提取和选择是核心。
通过对移动网络数据进行特征提取和选择，可以从海量数据中提取出对流量预测有用的特征。
最后，建立预测模型。
常用的预测模型包括基于统计学方法的时间序列模型、机器学习方法和深度学习方法等。
这些模型能够利用历史数据和实时数据进行预测，并不断优化模型的准确度和稳定性。
基于大数据的移动网络流量预测研究具有广阔的应用前景。
移动网络运营商可以利用流量预测结果进行网络规划和资源配置，提高网络性能和用户体验。
服务提供商可以根据流量预测结果合理安排服务器和带宽资源，提供更好的服务质量。
此外，流量预测还可以应用于移动广告投放、网络安全监测等领域，为各个行业提供决策支持和业务优化。
综上所述，基于大数据的移动网络流量预测研究具有重要的意义和广泛的应用前景。
通过挖掘大数据中的规律和趋势，可以更准确地预测移动网络流量，为网络运营商和服务提供商提供决策支持和业务优化的依据。
未来，随着大数据技术的不断发展和成熟，基于大数据的移动网络流量预测研究将进一步提升流量预测的准确度和效率，推动移动网络的发展和创新。
基于机器学习的网络流量预测方法研究
基于机器学习的网络流量预测方法研究在当今数字化时代，互联网的飞速发展使得网络流量的增长变得异常迅猛，网络中的大量数据交换成为日常生活中的一部分。
对于网络管理者和安全专家来说，准确预测网络流量的趋势和量级对于优化网络性能、确保网络安全以及规划网络资源至关重要。
为了解决这一问题，近年来，基于机器学习的网络流量预测方法受到了广泛的关注和研究。
网络流量预测的目标是运用统计模型分析历史网络流量数据，从而预测未来的网络流量趋势。
利用机器学习的方法可以通过训练大量的历史数据，获得对未来流量的更准确的预测。
下面将从特征提取、算法选择和评价指标三个方面进行深入探讨。
首先，特征提取是网络流量预测的关键步骤之一。
通过选择合适的特征，可以更好地描述网络流量的特点，从而提升预测模型的性能。
常用的特征包括时间、带宽、流量分布等。
在网络流量的时间特征中，我们可以从小时、日、周等不同尺度上进行分析，以揭示网络流量的周期性规律。
而带宽特征则可以反映网络连接的质量，是流量预测的重要参考指标之一。
此外，流量分布特征可以通过分析网络中不同应用的流量比例和流量大小来对网络流量进行建模。
通过合理选择和提取特征，可以降低模型的计算复杂度同时提升预测的准确性。
其次，合适的算法选择对于机器学习的网络流量预测至关重要。
根据网络流量的特点和预测需求，可以选择适合的算法进行建模和预测。
常用的算法包括线性回归、支持向量机、决策树、神经网络等。
线性回归算法简单易懂，能够快速实现，但是对于非线性问题的预测效果较差。
支持向量机算法可以通过核函数的引入处理非线性问题，适用于小样本情况下的建模。
决策树算法能够处理多分类问题，但容易产生过拟合。
而神经网络算法通过多层次的学习和优化可以处理复杂的非线性问题。
根据预测需求和网络流量的特点，可以选择不同的算法或者组合多种算法进行模型的构建。
最后，评价指标对于对比和验证预测结果的准确性非常关键。
常用的评价指标有均方根误差（Root Mean Square Error，简称RMSE）、平均绝对误差（Mean Absolute Error，简称MAE）、相关系数等。
基于人工智能的大规模网络流量预测与建模研究
基于人工智能的大规模网络流量预测与建模研究随着互联网的快速发展和普及，网络流量的规模和复杂性也相应增加。
为了更好地理解、预测和管理网络流量，许多研究人员开始采用人工智能技术来进行大规模网络流量的预测和建模研究。
本文将着重介绍基于人工智能的大规模网络流量预测与建模的研究，并讨论其应用前景和挑战。
1. 引言网络流量预测和建模在网络管理、资源优化和安全保障等领域具有重要意义。
传统的方法往往依赖于统计学模型或传统数据挖掘算法，但面对大规模和复杂的网络流量数据，这些方法存在着一些问题。
而人工智能技术的发展为解决这些问题提供了新的思路和方法。
2. 基于人工智能的网络流量预测人工智能的相关技术，如机器学习、深度学习和强化学习等，被广泛应用于网络流量预测。
这些技术能够通过学习网络流量的历史数据和模式，预测未来的网络流量情况。
通过构建适当的模型和算法，可以实现高精度的网络流量预测。
2.1 机器学习算法在网络流量预测中的应用机器学习算法是一种通过训练和学习样本来预测输出的方法。
在网络流量预测中，可以通过使用监督学习算法，如支持向量机和随机森林等，来构建网络流量预测模型。
这些算法能够学习网络流量的特征和模式，并根据历史数据进行预测。
2.2 深度学习算法在网络流量预测中的应用深度学习算法是一种基于神经网络的机器学习方法，能够对复杂的非线性关系进行建模和预测。
在网络流量预测中，可以使用深度学习算法，如卷积神经网络和循环神经网络等，来构建网络流量预测模型。
这些算法能够自动提取网络流量数据中的特征，并进行准确的预测。
3. 基于人工智能的网络流量建模除了预测网络流量，人工智能技术还可以用于网络流量建模。
网络流量建模是指基于网络流量数据，构建网络拓扑结构、流量分布和传输行为等模型，以便更好地理解和分析网络流量。
人工智能技术能够自动学习网络流量的特征和模式，并生成准确的网络流量模型。
4. 应用前景与挑战基于人工智能的大规模网络流量预测与建模具有广泛的应用前景。
基于大数据分析的流量预测模型研究
基于大数据分析的流量预测模型研究随着互联网的飞速发展和应用，信息技术已经日趋成熟，并且成为了各行各业中的重要一环。
其中流量预测成为了互联网行业和相关行业中的一个重要问题，它主要是指在对网络流量进行分析和研究之后，预测未来一段时间内的网络流量趋势。
在如今互联网技术的高速发展时代，基于大数据分析的流量预测模型被广泛运用，其优越性已经得到了验证。
一、大数据分析的意义大数据分析的意义在于，通过收集、存储、处理庞大的数据，挖掘数据中的信息价值，从而赋予数据更多的意义。
同时，大数据分析还可以提高整个业务系统的效率，以满足用户及时获取相关业务信息的需求。
在互联网流量问题中，大数据分析能够从收集数据、存储数据、处理数据和应用数据等多个维度来支持实时数据的监测和分析。
采用大数据分析的方法进行流量预测，能够准确地描述数据的变化和趋势，依据分析结果制定相应的策略，以提高系统效率和用户体验。
二、基于大数据分析的流量预测模型目前，互联网行业通过研发一系列的流量预测模型，来预测未来的流量趋势。
其中，基于大数据分析的流量预测模型是目前应用比较广泛的一种。
这种模型可以分为非监督式学习和监督式学习两种类型。
1、非监督式学习非监督式学习的特点是它不需要任何随机变量，根据当前的数据状态进行预测。
这类模型最常用的方法是根据当前的状态来预测以后的状态，并利用数据去发现隐藏的关系。
这种模型在处理数据问题时效率较高，但预测精度相对较低，需要大量的人工干预。
2、监督式学习监督式学习的特点是在建立模型时给定输入/输出和特征集合。
在模型建成后，输入新的数据，模型将会自己找出新的数据的输出值。
这种模型在预测准确性上比非监督式学习模型高。
但预处理时间较长。
三、大数据分析流量预测模型的优势大数据分析的流量预测模型具有一些明显的优势。
其一是对于数据量大、噪声较大的实时数据分析，有更好的处理能力。
其二是该模型可以自动反映数据中的趋势，准确预测未来的流量趋势，这可以使业务更加稳定，并提高我们对未来的预测能力。
网络流量数据分析与预测方法研究
网络流量数据分析与预测方法研究随着互联网的发展和普及，网络流量数据成为了一个重要的研究领域。
网络流量数据分析和预测方法的研究对于网络运营商、云计算服务提供商以及网络安全领域都具有重要的意义。
本文将探讨网络流量数据分析与预测方法的研究现状和发展趋势。
一、网络流量数据分析方法的研究网络流量数据分析是指通过对网络中传输的数据进行收集、处理和分析，以获取对网络流量的深入理解。
网络流量数据分析方法主要包括数据采集、数据处理和数据分析三个步骤。
1. 数据采集数据采集是指通过网络监测设备或软件工具收集网络中的数据流量信息。
常用的数据采集方法包括网络流量捕获和数据包分析。
网络流量捕获是指通过网络监测设备截获网络中的数据流量，而数据包分析则是对截获的数据包进行解析和提取有用信息。
2. 数据处理数据处理是指对采集到的网络流量数据进行预处理和清洗，以便后续的分析和建模。
数据处理的主要任务包括数据清洗、数据转换和数据集成。
数据清洗是指对采集到的数据进行去噪和异常值处理，以确保数据的质量和准确性。
数据转换是指将原始数据转换为适合分析和建模的形式，例如将数据转换为时间序列数据。
数据集成是指将来自不同数据源的数据进行整合和统一。
3. 数据分析数据分析是指对经过处理的网络流量数据进行统计分析、模式识别和预测建模等方法，以获取对网络流量的洞察和预测能力。
常用的数据分析方法包括统计分析、机器学习和时间序列分析等。
统计分析是指通过概率统计模型对网络流量数据进行描述和推断。
机器学习是指通过训练模型来对网络流量数据进行分类、聚类和预测等任务。
时间序列分析是指对网络流量数据中的时间相关性进行建模和预测。
二、网络流量数据预测方法的研究网络流量数据预测是指通过对历史网络流量数据的分析和建模，来预测未来网络流量的变化趋势。
网络流量数据预测方法的研究对于网络运营商和云计算服务提供商来说具有重要的意义，可以帮助他们合理规划网络资源和提供更好的服务。
网络流量分析与预测
网络流量分析与预测随着互联网的发展，网络流量已经成为生活中不可或缺的一部分。
在任何时候，我们都需要互联网来获得信息、购物、社交等等。
网络流量的高峰期也会影响网站和应用程序的性能，因此，网络流量分析和预测非常重要。
网络流量的分析和预测可以帮助我们更好地了解用户的需求，提高用户体验，并节省服务器和网络资源。
网络流量分析的基础知识网络流量分析是收集和分析网络数据的过程。
通过网络流量分析，我们可以了解用户在网站或应用程序上的活动，如浏览网页、填写表单、发送电子邮件等。
通过对网络流量的分析，我们可以：1. 了解网站或应用程序的流量模式。
分析网站或应用程序的流量模式可以帮助我们确定哪些页面或功能最受欢迎。
2. 追踪用户的活动。
了解用户的活动可以帮助我们了解他们的需求和偏好，从而提供更好的用户体验。
3. 检测网络攻击。
通过监视网络流量，我们可以检测到网络攻击，如DDoS攻击。
网络流量分析的工具网络流量分析需要使用特定的工具和技术，以下是一些常用的网络流量分析工具：1. Wireshark：Wireshark是一个流行的开源网络协议分析器。
它可以捕获网络数据包，并显示它们的内容，以帮助检测和分析网络问题。
2. TCPdump：TCPdump是一个基于命令行的网络协议分析工具。
它可以捕获网络数据包，并将它们写入文件中，可以在未来进行分析。
3. Fiddler：Fiddler是一款为Web开发人员设计的抓包工具，通过中间人攻击技术截取 HTTPS，HTTP 流量，并可以对其进行分析。
网络流量预测的基本概念网络流量预测是一种预测未来网络流量的方法。
预测网络流量对于规划网络资源和优化性能至关重要。
准确的网络流量预测可以帮助我们优化网络架构，从而实现更快速、可靠和高效的互联网交互体验。
网络流量预测是一项复杂的任务，需要使用数学、统计学和机器学习等方法。
网络流量预测通常基于历史网络流量数据，通过分析和建模数据来预测未来的网络流量。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
系数向量 可以通过下式迭代求出：
(12) SFARIMA网络流量的思想是通过不断对估计序列进 行时间滑动来补偿FARIMA模型的时间滞后效应。首先计 算 FARIMA 模型的均方误差， M 的初始值取 1 ，当均方误 (10) 差增大时增大M的值，M最大为序列长度的三分之一，取 均方误差最小的M值，这时候得到的序列便是最佳拟合序 列。算法步骤如下：
课题来源：国家高技术研究“863”计划；2006AA01Z232： 自组织网络的监测、控制和管理研究。
1
经典时序模型概述
经典时序模型间序列模型。较常见的平稳时间序列模型有自回归 模型(AR, Auto Regressive)、滑动平均模型(MA, Moving Av-enrage)以及自回归滑动平均模型(ARMA)，非平稳时 间序列模型主要有自回归求和滑动平均模型(ARIMA)以及 分数差分自回归求和滑动平均模型 (FARIMA)。 AR模型是最常见的平稳时间序列模型[1],可以表示为： (1)
网络流量预测模型的研究与分析
作者： 作者单位： 刊名： 英文刊名： 年，卷(期)： 陈子文 南京邮电大学信息网络技术研究所 广东通信技术 GUANGDONG COMMUNICATION TECHNOLOGY 2010,30(6)
参考文献(6条) 1.李士宁;闫焱;覃征 基于FARIMA模型的网络流量预测[期刊论文]-计算机工程与应用 2006(29) 2.Fronzoni,L;Giocondo M;Pettini,M Experimental evidence of suppression of chaos by resonant parametric perturbations[外文期刊] 1991 3.Hasler,M.Neirynck Nonlinear Circuits 1986 4.Arai,f;Aust,D;Hudson,S PaperLink:A technique for hyperlinking from real paper to electronic content 1997 5.Nasraoui O;Frigui H;Krishnapuram R;Joshi A Extracting Web user profiles using relational competitive fuzzy clustering[外文期 刊] 2000(04) 6.Chen MS;Han J;Yu PS Data mining:An overview from database perspective 1996(06)
网络流量预测模型的研究与分析
模型记为 AR(p) ，其中 {j
k
, k = 1, 2, p} 称为自
模型进行拟合。
回归系数， {at } 为白噪声序列。 MA模型可以表示为 ： (2) 模型记为MA(q)其中 {qk , k 动平均系数。 ARMA(p,q)模型可以表示为： (3)
[1]
2.1 分数差分
1 2 3 4 俞焕焕, 王潜平,马海波.嵌入式单窗口GUI系统的设计与实现 [J]. 微计算机信息, 2009,25(5):22-24 杜亚江,孙世友.基于嵌入式处理器S3C44BOX的μC/GUI设计 [J].微计算机信息,2008,24(3):145-147 徐军, 田志宏.基于ARM和μC/GUI的嵌入式多电机监测系统 [J]. 工业仪表与自动化装置, 2007, (5):33-35 李红岩,侯媛彬,王秀. 基于S3C44B0X的UC/GUI的移植研究 [J]. 微计算机信息,2006,22(5):132-134 μC/GUI用户手册[M].Micrium公司,2003 (收稿日期：2010-04-30)
1 2 李士宁, 闫焱, 覃征. 基于FARIMA模型的网络流量预测[J]. 计 算机工程与应用, 2006, 42(29):148-150 Fronzoni, L., Giocondo M. and Pettini, M. Experimental evidence of suppression of chaos by resonant parametric perturbations, Phys. Rev. A. Vol. 43, 1991, pp. 6483-6487. 3 Hasler, M. and Neirynck, Nonlinear Circuits, Artech House. 1986 4 Arai, f., Aust, D., and Hudson, S. PaperLink: A technique for hyperlinking from real paper to electronic content. In Proceedings of Human Factors in Computing Systems (CHI 97). March 1997, pp. 327-334 5 Nasraoui O, Frigui H, Krishnapuram R, Joshi A. Extracting Web user profiles using relational competitive fuzzy clustering. Int J Artif Intell Tools 2000;9(4): 509-526. Links 6 Chen MS, Han J, Yu PS. Data mining: An overview from database perspective. IEEE Trans Knowl Data Eng 1996; 8(6): 866-883. Links （收稿日期：2010-05-14）
网络流量预测模型的研究与分析*
[陈子文]
摘要
网络流量模型以考察网络流量特性为出发点，以数学理论为基础，通过建立 数学模型来反映真实的网络流量及其变化趋势。传统的泊松模型在现代数据网络 中已经不再适用，不能真实地反映流量的趋势。但是自从网络流量的自相似性被 发现后，网络流量的自相似模型不断涌现。应用了既能反映长相关性又能反映短 相关性的FARIMA模型对真实网络流量数据进行了分析预测，经过研究和实践的 验证，对模型进行了改进，提出了SFARIMA网络流量预测模型。
非常重要的意义。传统的业务流模型一般是基于泊松 ( 连 续时间)或贝努利(离散时间)过程的,这些模型均认为,当前 时间t与过去时(t-s),若s足够大,则t与(t-s)时的业务量是不相 关的,也说仅考虑s较小时业务到达间的相关性,为短期相关 (SRD)模型。但传统模型表现出的行为与实际网络的测量 结果不符 , 即业务序列的自相关函数随序列间隔增大呈指 数衰减趋当时间标度增加时 , 统计上单位时间内得到的数 据包数将趋于白噪声。 Leland 和 Wilson 等人通过对网络上真实数据流量的
图6 SFARIMA拟合序列(20 points) 如图5和6所示，SFARIMA拟合序列与原始序列的匹 配程度更好。
4
结束语
FARIMA模型由于同时具有短相关和长相关特性，使
得该模型在拟合低频的趋势项和高频的突发项时都体现出 相对于其他时间序列模型的优势，因此在拟合自相似序列 时有比较好的实验结果。
FARIMA模型拟合
本文中的样本数据都来自CEM算法产生的FGN序列[2]，
采用小波分析法估计出Hurst参数[3]，采用赤池提出的AIC 准则来确定阶数 p和 q[3]，最后由文献[4]中得到自回归系数 和滑动平均系数。 对于 FARIMA(p ， d ， q) 模型的拟合，需要先对序列 进行分数差分，消除长相关特性以后再使用ARMA(p，q) 图2 分数差分后的H值(step1000)
硬件部分只做了概要介绍，重点介绍了μ C/GUI 在基于 ARM7内核LPC2124目标平台上的移植过程，并给出移植 的核心驱动接口程序。最后成功用在光转发仪的硬件平台 上，系统运行稳定、可靠。可以肯定，随着嵌入式系统 的发展，μC/GUI在嵌入式系统中必将广泛应用于智能仪 表、便携式设备。 参考文献
(9) 预测的均方误差定义为：
技 术 交 流
s (h) = E ( X t + h - X t (h)) 2
拟合结果如图2，图3所示：
^ 2 t
^
图3 FARMA拟合序列(200 points)
拟合结果如图5，图6所示：
图4 FARMA拟合序列(20 points)
图5 SFARIMA拟合序列(200 points) （下转第78页）
本文选取了实现简单，计算效率较高的后移迭代法 进行分数差分[5]，步骤如下： （1）生成参数H已知的自相似序列。 （2）选取M的值，如50，100，1 000。 （3）根据公式 个系数 。 迭代求解出M
= 1, 2, q} qt 称为滑
在这里我们引入后向算子B,它的运算有： 依此类推。那么式 3可以变换为： (4) ARIMA(p, d, q)模型[1]可以表示为: (5) 其中1-B为差分算子,d为差分次数,且取正整数. FARIMA全称为分数自回归求和滑动平均模型[1],记为 FARIMA(p,d,q), 数学表达式为: (6) FARIMA(p, d, q)模型和ARIMA(p, d, q)模型的唯一 差别别就是差分次数d可以取分数,这时： (7) 其中 p j = 是gamma函数
2010.6.广东通信技术
73
技 术 交 流
图1描述了步长1 000的分数差分后的序列。图2描述 了样本序列经过分数差分后的 Hurst 指数。如图 2 所示， 经过分数差分以后，原有信号的自相似指数降到了 0.5 左 右，长相关性基本消除。
通过拟合发现FARIMA模型虽然能够和自相似序列较 好的拟合，但是经过尺度缩放以后发现拟合序列与原始序 列之间有一定的时间延迟，如图3和4所示。
74
技 术 交 流
GUI_SetColor(0x00,0xff); 为白色 }
//设置前景为青，背景
3
结语
光转发仪的实现由硬件和软件两部分组成，本文对