[发明专利]一种空天地一体化网络下的混沌动态拥塞预测系统及方法

说明书

本发明属于网络流量预测技术领域，涉及一种空天地一体化网络下的混沌动态拥塞预测方法，包括以下步骤：获取链路与节点的状态数据，作为原始序列数据；对原始序列数据进行归一化处理，得到处理后的拥塞序列；将拥塞序列通过小波分析分解为若干低频序列和若干高频序列；利用粒子群算法对GRU神经网络预测模型进行优化，得到最优GRU神经网络参数；使用优化后的GRU神经网络预测模型对各个低频序列和高频序列进行拥塞预测，得到各序列的拥塞预测结果；将各序列的拥塞预测结果重构得到完整的拥塞预测序列，作为最终的预测结果。将小波分析与流量预测方法相结合，采用混沌动态拥塞预测方法，收敛速度快，能快速迭代，提高了拥塞预测的精度。

技术领域

本发明属于网络流量预测技术领域，特别涉及一种空天地一体化网络下的混沌动态拥塞预测系统及方法。

背景技术

与传统网络环境相比，空天地一体化网络环境存在着较大的差异。空天地一体化网络的动态性及异构性给网络拥塞预测带来了挑战。

网络拥塞预测的本质是对其时间序列进行预测，空天地一体化网络的拥塞预测满足时间序列的趋势性、周期性和不规则性。

传统的时间序列模型有移动平均模型(Moving Average,MA)、自回归模型(AutoRegressive,AR)、自回归移动平均模型(Auto Regressive Moving Average，ARMA)。ARMA模型适用于平稳时间序列，在ARMA模型中加入差分方法形成ARIMA模型使其适用于非平稳的时间序列。Chen[1]利用ARIMA方法建立预测模型。然而，传统的时间序列预测方法依赖于参数的选择，人工参数设定对预测模型的精度有很大的影响，因此将机器学习方法引入时间序列预测领域。

时间序列数据预测工作本质上与机器学习方法分类中的回归分析之间存在着紧密的联系。经典的支持向量机SVM、贝叶斯网络BN等在时间序列预测方面均取得了不错的效果。早期的人工神经网络ANN也被用来获取时间序列中长期的趋势。随着深度学习的崛起，其也成为了实现时间序列预测的有效工具。Mellit使用支持向量机SVM建立时间序列预测模型对气象领域的时间序列数据进行预测。使用深度学习中的CNN与RNN建立时间序列预测模型。分别建立卷积神经网络时间序列预测架构与循环神经网络的时间序列预测架构，由于RNN经常在训练中出现梯度消失问题，因此采用LSTM来解决梯度消失问题，设计出基于LSTM的时间序列预测框架。

在网络通信领域，深度学习也是目前对时间序列进行预测的有效方法。在地面网络中，将深度学习应用于移动通信技术中业务的预测，设计了基于LSTM的时间序列预测模型，并对其进行仿真实验，证明其可行性。在卫星网络中，基于LSTM神经网络设计LEO卫星网络的网络拥塞预测模型，预测网络拥塞程度。综合分析LEO低轨卫星网络TCP协议的时效性及计算资源有限等方面，采用单层LSTM网络结构。在保证在基预测结果的前提下，尽可能的减少参数寻优和网络训练的时间。LSTM神经网络能较好地处理大时间尺度数据，但收敛速度慢，参数无法直接确定，容易陷入局部最优。

综上所述，现有的神经网络模型均难以满足实际的网络拥塞预测需求。

发明内容

本发明的目的在于提供一种空天地一体化网络下的混沌动态拥塞预测系统及方法，解决了传统神经网络模型均难以满足实际的网络拥塞预测需求的问题。

本发明是通过以下技术方案来实现：

一种空天地一体化网络下的混沌动态拥塞预测方法，包括以下步骤：

步骤一、获取链路与节点的状态数据，作为原始序列数据；

步骤二、对原始序列数据进行归一化处理，得到处理后的拥塞序列；

步骤三、将处理后的拥塞序列通过小波分析分解为若干低频序列和若干高频序列；

步骤四、利用粒子群算法对GRU神经网络预测模型进行优化，得到最优GRU神经网络参数；