文献类型：期刊文章

作　　者：史朝卫[1] 孟相如[1] 康巧燕[1] 苏玉泽[2]

SHI Chaowei;MENG Xiangru;KANG Qiaoyan;SU Yuze(College of Information and Navigation, Air Force Engineering University, Xi’an 710077, China;Unit 94303 of the PLA, Weifang 261000, China)

机构地区：[1]空军工程大学信息与导航学院,陕西西安710077 [2]中国人民解放军94303部队,山东潍坊261000

出　　处：《系统工程与电子技术》

基　　金：国家自然科学基金(61873277);陕西省重点研发计划(2020GY-026)资助课题。

年　　份：2021

卷　　号：43

期　　号：5

起止页码：1382-1388

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：目前在构建虚拟网络时,为满足用户动态变化的带宽需求,虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值,一定程度上造成了资源浪费。针对这一问题,提出一种基于混合流量预测的虚拟网络拓扑重构方法,利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测,根据流量预测结果进行拓扑重构,在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率,首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列,然后利用基于粒子群优化的相空间重构方法,对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测,采用极限学习机(extreme learning machine,ELM)神经网络对近似时间序列进行训练预测。仿真结果表明,所提的流量预测算法在保证预测精度的同时,运行时间更短,预测效率更高,进而保证了拓扑重构方法可以节省更多的带宽资源。

关 键 词：流量预测  拓扑重构 小波分解 相空间重构 极限学习机

分 类 号：TP393]