一种基于rbf神经网络的网络流量测量方法
【专利摘要】本发明公开了一种基于RBF神经网络的网络流量测量方法，依次包括以下步骤：建立RBF神经网络模型、网络流量数据行归一化处理、RBF神经网络模型的学习算法、RBF神经网络模型的训练算法、RBF神经网络模型性能的评价。本发明通过建立了一个基于RBF神经网络的流量测量模型，给出了RBF神经网络的结构设计及基于正交最小二乘的学习算法，相对于BP流量预测模型，RBF方法预测准确度更高，能够很好地描述网络流的变化规律，具有泛化能力强、稳定性良好的特点，在网络流量预测中有较高的实用价值。
【专利说明】—种基于RBF神经网络的网络流量测量方法
【【技术领域】】
[0001]本发明涉及网络流量测量方法的【技术领域】，特别是基于RBF神经网络的网络流量测量方法的【技术领域】。
【【背景技术】】[0002]流量测量是网络监测、管理和控制的基础。互联网是上亿台计算机互联成的全球性网络，随着更多的网络服务的提供及用户的不断增加，网络流量变得越来越大，网络行为也变得越来越复杂。虽然相关的组网与管理技术在不断地完善，但人们对它在局部和整体范围内所体现出的行为特征依然没有一个正确和完整的认识。掌握Internet的行为是网络规划、网络管理和网络安全、新网络协议和网络应用设计等诸多研究工作的重要前提。而网络测量是分析、掌握网络行为的基础，是对网络行为进行特征化、对各项指标进行量化的最基本手段，它可以把互联网从技术层面上升到科学层面，并且能够更好地指导应用。
[0003]通过收集数据或报文踪迹，定量测量并分析网络，我们可以理解网络流量与网络特征，探讨网络行为和运行规律；通过测量建立起网络性能基线，有效地进行网络监测，合理地分配网络资源，迅速定位网络故障；了解网络端到端、整体甚至局部性能细节，为规划和设计网络提供科学依据。根据测量方式的不同，可以把网络测量分为被动测量和动主测量。被动测量是从网络中的某一点收集流量信息，如从交换机、路由器或通过一个单独的设备被动地监听网络链路上的流量来收集数据。主动测量是为了监测两指定端点之间的性能而向网络中注入流量的方法，通常被网络工程师用来诊断网络问题或者被网络用户和网络研究人员用来分析指定网络路径的流量行为。
[0004]目前有3种方法用于流量测量:一种是使用SNMP (simple network managementprotocol)统计数据来获取流量信息，但是它只能提供粗粒度的流量信息，不能满足深入分析的要求；另一种是通过采集流经链路的报文(packet)来进行流量测量，报文是网络中最小的传输单元，最初网络行为研究主要集中在数据报文层次上，它能够提供广泛的分析和应用，但由于研究相对平等地分析每个报文，从而导致对报文间关系及其更高层次信息分析的缺失；再一种是流级别的测量，针对流的网络行为研究在很多方面弥补了报文层次的不足，它既能提供详细的流量信息，又具备一定的可扩展性，因而受到了广泛的关注。
[0005]本发明提出了一种基于RBF神经网络的网络流量测量模型，RBF神经网络为局部神经网络模型，计算速度快，实时性好，相对于传统的线性流量模型具有更高的逼近能力和良好的自适应性，并可克服基于BP神经网络的流量模型训练时间长及计算复杂度高的不足。
【
【发明内容】
】
[0006]本发明的目的就是解决现有技术中的问题，提出一种基于RBF神经网络的网络流量测量方法，计算速度快，实时性好，相对于传统的线性流量模型具有更高的逼近能力和良好的自适应性，并可克服基于BP神经网络的流量模型训练时间长及计算复杂度高的不足。[0007]为实现上述目的，本发明提出了一种基于RBF神经网络的网络流量测量方法，依次包括以下步骤:
[0008]a)建立RBF神经网络模型:RBF神经网络是单隐层前馈型神经网络，输入层节点将输入信号传递到隐层，隐层节点由具有辐射状作用的高斯核函数构成，输出层节点则由简单的线性函数构成，隐层节点中的高斯核函数对输入信号将在局部产生响应，即当输入信号靠近高斯核函数的中央范围时，隐层节点将产生较大的输出信号，RBF神经网络的数学模
型公式为
【权利要求】
1.一种基于RBF神经网络的网络流量测量方法，其特征在于:依次包括以下步骤: a)建立RBF神经网络模型:RBF神经网络是单隐层前馈型神经网络，输入层节点将输入信号传递到隐层，隐层节点由具有辐射状作用的高斯核函数构成，输出层节点则由简单的线性函数构成，隐层节点中的高斯核函数对输入信号将在局部产生响应，即当输入信号靠近高斯核函数的中央范围时，隐层节点将产生较大的输出信号，RBF神经网络的数学模型公式为:
2.如权利要求1所述的一种基于RBF神经网络的网络流量测量方法，其特征在于:所述步骤a)中的高斯函数g(.)具有局部感受的特性，能够体现RBF网络的非线性映射能力。
3.如权利要求1所述的一种基于RBF神经网络的网络流量测量方法，其特征在于:所述步骤b)中采用网络流量文库主节点路由器在指定期间每小时网络流量数据进行仿真实验，一共收集2000个数据，为了防止预测结果偶然性和不准确性，采用前1000个数据作为训练集建立RBF神经网络模型，最后300个数据作为测试集，对建立的RBF神经网络模型进行性能验证。
【文档编号】H04L12/26GK103840988SQ201410097087
【公开日】2014年6月4日 申请日期:2014年3月17日 优先权日:2014年3月17日
【发明者】蒋云良, 王智群 申请人:湖州师范学院