[发明专利]一种基于ARIMA模型的网络数据流预测方法

权利要求书

1.一种基于ARIMA模型的网络数据流预测方法，其特征在于：具体包括以下步骤：

步骤S1：数据预处理：去除网络流中的冗余数据，错误数据以及缺失数据；

步骤S2：特征提取：提取包括包长与包到达间隔时间的常用流量特征，通过PCA与信息 增益降低维数；将n个特征生成2ⁿ个特征子集，通过CFS和最优优先搜索生成特征候选集；

步骤S3：流量聚类：使用GMM聚类方法，将网络流分成若干应用类别，构建流量预测框架 实现短期预测；

步骤S4：分析预测：针对任意一应用类别的流量数据，取一组连续的网络流量时间序列 X＝{x₁,…,x_t}进行ARIMA差分自回归滑动平均模型的分析，其中x_t为第t个时间段内的网络 通信量。

2.根据权利要求1所述的一种基于ARIMA模型的网络数据流预测方法，其特征在于：所 述步骤S3具体包括以下步骤：

步骤S31：建立高斯混合模型：高斯混合模型定义为用k个单高斯密度函数线性叠加的 线性模型：

p(x)=Σi=1kπiNi(x;μi,Σi),---(1)]]>

其中，π_i指第i个高斯的权重因子，所以N(x；μ_i,∑_i)是均值为μ_i和协方差为∑_i的高斯概率密度函数。

步骤S32：使用最大似然法做参数估计，使样本点在估计的概率密度函数上的概率值 最；m个样本集X的log似然函数如下：

P(X|Θ)=ΠimΣj=1kπjNj(x;μj,Σj)=Σi=1mlogΣj=1kπjNj(x;μj,Σj)---(2)]]>

其中，X＝{x₁,…,x_m}，Θ＝(θ1,…,θ_k)^T，θ_j＝(π_j,μ_j,∑_j)；

步骤S33：通过EM算法优化参数并计算结果。