網(wǎng)絡(luò)業(yè)務(wù)流量的自回歸

摘  要

隨著計(jì)算機(jī)網(wǎng)絡(luò)的迅速發(fā)展，目前的網(wǎng)絡(luò)規(guī)模極為龐大和復(fù)雜，因此發(fā)生各種問題的可能性越來越大，同時(shí)管理網(wǎng)絡(luò)的難度也越來越大。在這種背景下，建立一種恰當(dāng)?shù)臄?shù)學(xué)模型以反映網(wǎng)絡(luò)行為顯得尤為重要。
本文首先簡(jiǎn)要介紹了時(shí)間序列分析的基本理論和方法，重點(diǎn)介紹了時(shí)間序列、平穩(wěn)隨機(jī)過程的基本概念和滑動(dòng)自回歸模型的矩估計(jì)、預(yù)測(cè)的基本理論和步驟。在此基礎(chǔ)之上，根據(jù)實(shí)際采集的網(wǎng)絡(luò)流量數(shù)據(jù)的觀測(cè)值序列，建立了滑動(dòng)自回歸模型。
    在建立滑動(dòng)自回歸模型的過程中，首先使用格拉布斯準(zhǔn)則判斷觀測(cè)值序列是否存在異常數(shù)據(jù),剔除這些異常數(shù)據(jù)以建立網(wǎng)絡(luò)流量的正常行為模式。然后利用方差分析的方法對(duì)該序列進(jìn)行平穩(wěn)化處理使之適合滑動(dòng)自回歸模型，再利用殘差方差圖定階法確定模型的階數(shù)，利用矩估計(jì)的方式估計(jì)出ARMA(2,1)模型的參數(shù)，用線性最小均方誤差預(yù)測(cè)方法對(duì)網(wǎng)絡(luò)流量做出預(yù)測(cè)。最后改進(jìn)了一種基于比較網(wǎng)絡(luò)流量的預(yù)測(cè)值與其區(qū)間閾值以發(fā)現(xiàn)網(wǎng)絡(luò)異常與故障的方法。這樣就使得在網(wǎng)絡(luò)異常發(fā)生之前或網(wǎng)絡(luò)發(fā)生異常的最短時(shí)間內(nèi)，網(wǎng)絡(luò)管理人員即可做出相應(yīng)的判斷，采取行之有效的防范措施以保證網(wǎng)絡(luò)的正常服務(wù)。這種方法改變了以往的網(wǎng)絡(luò)管理響應(yīng)方式，使得網(wǎng)絡(luò)異常的預(yù)警成為可能。

【關(guān)鍵詞】ARMA  平穩(wěn)化  矩估計(jì)  預(yù)測(cè)  網(wǎng)絡(luò)異常檢測(cè)

 
 
ABSTRACT

With the rapid development of computer networks, the size and complexity of current network has been more and more large.So the possibility of occurrence of various problems has been increasingly. In this context, the establishment of a mathematical model which appropriate to reflect the network behaviour is especially important.
    This paper introduces the basic theory and methods of time series analysis, focuses on the basic concept of time series and stationary random process and the basic theory and procedures of the moment estimation of ARMA model and prediction. On this basis, this paper establishes the parameters of ARMA model according to the actual network traffic data collected by the sequence of observations.
    In the process of model building, Grabs Criteria is used to judge the existence of observations abnormal data, excluding these unusual network traffic data in order to establish the normal behaviour patterns. And then ANOVA is used for the stableness of ARMA models in order to fix  the model.And the use of moment estimator methods estimate the ARMA (2,1) model parameters.The paper also make use of LMMSE method to predict network traffic .Finally, the paper improved an algorithm based on the forecast which compared with the range of threshold values to detect network anomalies and failures of the method. In this way network managers can make appropriate judgments and take effective preventive measures to ensure normal network services before they occur in the shortest possible time an exception occurs. This method has changed in response to the past, network management approach, making the early warning network anomalies possible.

【Key words】ARMA  Stabilize  Moment Estimator  Prediction  Network Anomaly Detection                

目  錄

第一章 緒論 1
第一節(jié)  研究背景 1
第二節(jié)  網(wǎng)絡(luò)業(yè)務(wù)流量研究的意義 2
第三節(jié) 本章小結(jié) 3
第二章 時(shí)間序列分析的基本理論與方法 4
第一節(jié) 時(shí)間序列分析的相關(guān)概念 4
一、 時(shí)間序列 4
二、 時(shí)間序列分解 5
三、 平穩(wěn)隨機(jī)過程的概念及判定 6
四、 隨機(jī)過程的統(tǒng)計(jì)描述 8
第二節(jié) 滑動(dòng)自回歸平均模型（ARMA） 9
一、 滑動(dòng)自回歸平均模型 9
二、 滑動(dòng)自回歸平均模型的相關(guān)矩估計(jì) 10
三、 滑動(dòng)自回歸平均模型的預(yù)測(cè) 12
第三節(jié) 本章小結(jié) 15
第三章 基于ARMA的網(wǎng)絡(luò)流量建模 16
第一節(jié) 數(shù)據(jù)采集 16
第二節(jié) 建立流量的正常行為模式 18
第三節(jié) 平穩(wěn)化數(shù)據(jù)序列 19
第四節(jié) 模型的定階 21
第五節(jié) 模型參數(shù)估計(jì) 23
第六節(jié) 本章小結(jié) 24
第四章 基于ARMA模型的網(wǎng)絡(luò)流量預(yù)測(cè)及異常檢測(cè) 25
第一節(jié) 網(wǎng)絡(luò)流量預(yù)測(cè) 25
第二節(jié) 網(wǎng)絡(luò)異常檢測(cè) 29
第三節(jié) 本章小結(jié) 31
結(jié)  論 32
致  謝 33
參考文獻(xiàn) 34
附  錄 36
一、 英文原文 36
二、 英文翻譯 43
三、 原始數(shù)據(jù) 49
四、 源程序 51