布谷鳥搜索算法優化BP神經網絡的網絡流量預測

杜振寧

（楊凌職業技術學院 信息工程學院，陜西 楊凌712100）

布谷鳥搜索算法優化BP神經網絡的網絡流量預測

杜振寧

（楊凌職業技術學院 信息工程學院，陜西 楊凌712100）

為了提高預測精度，提出一種布谷鳥搜索算法優化BP神經網絡的網絡流量預測模型(Cuckoo Search BP neural network Flow Prediction，CS-BPNN)。根據混沌理論建立網絡流量學習樣本，采用BP神經網絡對學習樣本進行訓練，將模型參數當一個鳥巢，通過模擬布谷鳥尋窩產卵的行為找到最優模型參數，最后采用網絡流量數據進行仿真實驗，測試模型性能。仿真實驗表明：所提出模型較好的解決了BP神經參數優化問題，能夠獲得更加理想的網絡流量預測結果。

布谷鳥搜索算法；網絡流量；神經網絡；參數優化

0 引言

隨著網絡業務種類的增加，如何提高網絡流量預測精度具有十分重要的意義[1]。網絡流量預測傳統模型主要包括：線性回歸、泊松過程、時間序列等[2-3]，它們可以對短期的網絡流量數據進行預測，但現代網絡流量變化規律相當復雜，因此傳統預測模型的精度有待進一步提高。

隨著非線性理論發展，出現了以BP神經網絡(BP neural network，BPNN)為代表的網絡流量非線性預測模型，其具有較好的非線性預測能力，可以對網絡流量變化特點進行準確跟蹤，提高了網絡流量的預測精度[4]。然而，在實際應用過程中，BP神經網絡的預測性能與其參數密切相關[5]。為此，有學者提出采用人工魚群算法、遺傳算法、人工螢火蟲算法、粒子群算法、蟻群算法等對 BP神經網絡參數進行優化[6-8]，一定程度較好解決BP神經參數優化的難題，但是這些算法均有各自不同程度的不足[9]。布谷鳥搜索(cuckoo search，CS)算法是一種新型群體智能算法，具有簡單、高參數少、易于實現的特點，在模式識別、組合優化等領域得到了廣泛的應用[10]。

為了提高網絡流量預測精度，針對BP神經網絡參數優化的難題，本文提出一種CS-BPNN的網絡流量預測模型。仿真實驗表明，本文模型獲得更加理想的網絡流量預測結果。

1 相空間重構和BP神經網絡

作為CS-BPNN算法的研究基礎，本節主要描述下相空間重構與BP神經網絡的基礎知識，這些知識在相關的文獻都有詳細的介紹[11]。

1.1相空間重構

設 x(i)(i=1，2，…，n)為一維網絡流量時間序列，那么通過相空間重構得：

式中，τ為延遲時間、m為嵌入維數；X(i)表示重構后的相點[12]。

1.2 BP神經網絡算法

設一個網絡流量動力系統的輸入為式(1)，則構造輸出函數為 y(i)=x(i+1)，BP神經網絡的輸入節點數是網絡流量的嵌入維數m、隱層節點數是 p、輸出個數是 1，通過 f:Rn→R構建映射[13]。隱層各節點的輸入是：

其中，ωij為從輸入層到隱層的連接權值，θj為隱層節點的閾值。

隱層節點的輸出是：

輸出層節點的輸入是：

輸出層節點的輸出是

式中，vj表示從隱層到輸出層的連接權值；γ表示輸出層的閾值。

2 CS-BPNN的網絡流量預測模型

2.1 布谷鳥搜索算法

2009年，YANG等模擬布谷鳥尋窩產卵的行為方式，提出布谷鳥搜索(Cuckoo Search，CS)算法[14]。設為第i個鳥巢在第k代的鳥巢位置，L(λ)為Levy隨機搜尋路徑，則布谷鳥尋巢的路徑和位置更新方式為：

其中，?為步長控制量，⊕為點對點乘法。

更新鳥巢的位置后，產生一個隨機數 r，如果 r〉Pa，那么隨機改變，不然保持鳥巢的位置，最后保留最優一組鳥巢位置，也將記為。

采用3個準測試函數對布谷鳥CS算法和粒子群算法PSO （Particle Swarm Optimization）的性能進行對比測試，各測試函數的數學表達式如表1所示。兩種算法的運行結果如圖1所示。對圖1進行分析可以看出，CS算法的性能均優于粒子群算法(PSO)算法，對比結果表明，CS算法加快算法收斂速度，在一定程度上防止多峰問題易陷入局部最優的不足，提高了算法的搜索能力，獲得了更優的結果。

表1 測試函數的具體描述

圖1 CS算法與其他算法的性能對比

2.2 布谷鳥算法優化BP神經網絡參數步驟

(1)初始化鳥巢數n、Pa及最大迭代次數Nmax等參數。

(4)計算新鳥巢位置，并用好的鳥巢位置代替上一代較差的鳥巢位置，得出較優的一組鳥巢位置

(5)將 r與Pa進行比較，保留 ek中較小 Pa的鳥巢，并更新較大Pa鳥巢位置，得到一組新鳥巢位置，并用好的替代ek中較差的鳥巢位置，得出新一組較佳鳥巢位置

(6)找出 qk中最佳的一個鳥巢位置，如果達到最大迭代次數，則停止搜索，并輸出最佳位置，否則，回到步驟(3)繼續優化。

3 CS-BPNN在網絡流量預測中的應用

3.1 數據來源

為了測試CS-BPNN的有效性，選擇行內的標準數據：http://newsfeed.ntcu.net/～news/2013的 8月 1日到 8月30日的每小時流量作為仿真對象，具體如圖2所示。選擇620個數據進作為訓練集，用 CS-BPNN進行訓練，建立網絡流量預測模型；其余100個數據作為測試集，測試模型性能。

圖2 網絡流量時間序列

3.2 對比模型及評價標準

由于粒子群算法(PSO)在BPNN參數應用比較廣泛，為了使CS-BPNN預測結果具有可比性，選擇粒子群算法優化(PSO-BPNN)進行對比實驗，模型性能優劣采用均方根誤差(RMSE)和平均絕對百分誤差(MAPE)進行評價。

3.3 學習樣本構建

首先采用耦合簇方法C-C(Coupled Cluster method)計算網絡流量最優的延遲時間τ，具體如圖3所示，其中橫坐標表示延遲時間，縱坐標表示關聯積分。從圖3可知，最優延遲時間 τ=4，然后利用 Cao方法[15]求嵌入維數，結果如圖4所示，其中橫坐標表示延遲時間，縱坐標表示最大熵值。從圖4可知，網絡流量時間序列相空間重構的最小嵌入維數m=5，采用τ=4和m=5重構網絡流量，得到CS-BPNN的學習樣本。

圖3 最優延遲時間

圖4 最優嵌入維數的確定

3.4 結果與分析

采用PSO、CS找到的BPNN最優參數，建立基于PSO-BPNN、CS-BPNN的網絡流量預測模型，然后用測試集進行預測，各模型的預測結果如圖5所示。從圖5可知，相對于 PSO-BPNN，CS-BPNN提高了網絡流量的預測精度，預測偏差更小，對比結果，CS-BPNN融合CS算法的全局搜索能力和 BPNN的非線性預測，可以對網絡流量變化趨勢準確跟蹤，預測結果更加穩定、可靠。

圖5 不同模型的預測性對比

PSO-BPNN、CS-BPNN的網絡流量預測結果的MAPE和RMSE見表2。從表2可知，相對于PSO-BPNN，CSBPNN預測誤差更小，預測精度更高，對比結果表明，CS-BPNN建立了預測精度更高的網絡流量預測模型。

表2 不同模型的預測誤差比較

4 含噪網絡流量的測試

為了測試CS-BPNN模型的魯棒性，采用一個含有噪聲網絡流量進行仿真實驗，以測試模型的魯棒性，含噪的網絡流量數據如圖6所示。對含噪的網絡流量數據進行建模與預測，不同模型的網絡流量預測結果如圖7和表3所示。從圖7和表3可知，相對于比模型，CS-BPNN獲得了更加理想的預測結果，這表明CS-BPNN具有較強魯棒性，具有一定的抗噪能力。

圖6 含噪聲的網絡流量數據

圖7 不同模型的魯棒性性能對比

表3 不同模型的含噪網絡流量預測誤差比較

5 結束語

由于影響因素復雜、多變，導致網絡流量具有非線性、混沌性，傳統方法難建立準確的預測模型，而 BP神經網絡也受到參數的不利影響。為了獲得理想的預測結果，本文提出了一種網絡流量預測模型 CS-BPNN，并通過具體仿真實驗測試模型性能。結果表明，CS-BPNN解決了BP神經網絡參數優化問題，建立了預測精度高、效果好的網絡流量預測模型，同時為其他非線性時間序列提供了一種預測建模新思路。

[1]SILVA C G.Time series forecasting with a nonlinear model and the scatter search meta-heuristic[J].Information Sciences，2008，178(16)：3288-3299.

[2]姜明，吳春明，胡大民，等.網絡流量預測中的時間序列模型比較研究[J].電子學報，2009，37(11)：2353-2358.

[3]高波，張欽宇，梁永生，等.基于EMD及ARMA的自相似網絡流量預測[J].通信學報，2011，32(4)：47-56.

[4]劉百芬，熊南.基于動態加權 LS-SVM的網絡流量混沌預測[J].電視技術，2013，37(7)：87-90.

[5]ESTE A，GRINGOLI F，SALGARELLI L.Support vector machines for TCP traffic classification[J].Computer Networks，2009，53(14)：2476-2490.

[6]QI H L，ZHAO H，LIU W W，ZHANG H B.Parameters optimization and nonlinearity analysis of grating eddy current displacement sensor using neural network and genetic algorithm[J].Journal of Zhejiang University Science A，2009，10 (8)：1205-1212.

[7]CALLADO A，KEU R J，SADOK D，et a1.Better network traffic identification through the independent combination of techniques[J].Journal of Network and Computer Applications，2010，33(4)：433-446.

[8]劉淵，戴悅，曹建華.基于小波神經網絡的流量混沌時間序列預測[J].計算機工程，2008，34(16)：105-106.

[9]趙振江.基于PSO-BP神經網絡的網絡流量預測與研究[J].計算機應用與軟件，2009，26(1)：218-211.

[10]YANG X S，DEB S.Engineering optimization by cuckoo search[J].International Journal of Mathematical Modeling and Numerical Optimization，2010，1(4)：330-343.

[11]高述濤.CS算法優化 BP神經網絡的短時交通流量預測，計算機工程與應用，2013，49(9)：106-109.

[12]王升輝，裘正定.結合多重分形的網絡流量非線性預測[J].通信學報，2007，28(2)：45-50.

[13]李松，羅勇，張銘銳.遺傳算法優化 BP神經網絡的混沌時間序列預測[J].計算機工程與應用，2011，47(29)：52-55.

[14]王凡，賀興時，王燕，等.基于CS算法的Markov模型及收斂性分析[J].計算機工程，2012，38(11)：180-182，185.

[15]CAO L J.Support vector machines experts for time series forecasting[J].Neurocomputing，2003，51：321-339.

Network flow predicting model based on cuckoo search algorithm optimizing neural network

Du Zhenning
(School of Information Technology，Yangling Vocational and Technical College，Yangling 712100，China)

In order to improve the predicting precision,a novel network flow predicting model based on cuckoo search algorithm optimizing neural network was proposed in this paper.Firstly,the learning samples were obtained by phase space reconstruction.Secondly,the samples were input to BP neural network to learn,and the parameters were encoded as cuckoo,the optimal parameters were obtained by simulating the cuckoo’s finding the nest and producing eggs.Finally,the network flow predicting model was built and the simulation experiments were carried out on network flow data.The results show that the proposed model had solved the parameters optimization problem of BP neural network and obtained good predicting results of network flow.

cuckoo search algorithm；network low；neural network；parameters optimizing

TP39.9

：A

：0258-7998(2015)03-0082-04

10.16157/j.issn.0258-7998.2015.03.021

2014-08-25)

杜振寧(1976-)，男，講師，碩士研究生，主要研究方向：計算機網絡與智能計算。