张志宏, 刘传领

(商丘师范学院 信息技术学院, 河南 商丘 476000)

随着网络技术的不断普及, 网络用户数量越来越多, 使得网络流量急剧增加, 网络阻塞时有发生, 导致网络上信息丢失和延迟严重, 给网络管理带来挑战[1-3]. 网络流量是一个评价网络管理质量的重要参数, 根据历史数据集对网络流量进行建模与预测, 可帮助网络管理员掌握网络流量的变化规律, 改善网络服务质量. 精确、 快速的网络流量预测是降低网络拥塞的重要保障, 因此网络流量预测是网络管理领域的一个重要研究方向[4-5].

目前, 已有许多网络流量预测模型, 这些模型主要划分为两类： 1) 基于传统统计学理论的线性预测模型, 如分数差分自回归滑动平均模型, 由于现代网络是一个复杂的非线性系统, 网络流量变化趋势具有不确定性, 因此线性模型的网络流量预测精度很难得到保证[6]； 2) 基于现代统计学理论的非线性预测模型, 如人工神经网络、 深度学习网络等, 其具有良好的非线性拟合能力, 可对网络流量变化趋势的非线性和不确定性进行建模, 使网络流量预测结果好于线性模型[7]. 在实际应用中, 人工神经网络由于采用经验风险最小化原则的学习原理, 收敛速度慢, 陷入局部极值的概率高, 经常获得过拟合的网络流量预测结果, 降低了网络流量预测精度[8-10]. 深度学习网络基于结构风险最小化准则的学习原理, 不存在收敛速度慢、 陷入局部极值的缺陷, 但其网……