网络流量预测解决网络权利冲突

网络世界的一个重要特点是变化迅速，在很短的时间内很多用户同时在线活动，每一秒钟都在产生规模巨大的新数据。时时刻刻对这些数据的实际内容进行100％的审查或审核去发现和解决网络权利冲突是不可能也无必要的。但通过特定的网络数据分析和处理方式，我们可以在网络世界中发现某些异常的“征兆”，从而对这些异常变化的数据内容予以特别关注，这样就大大提高了我们及时发现和处理网络权利冲突的效率和能力。网络流量预测和实时比较分析，就为我们提供了这样一种技术上的可能。

随着计算机技术以及网络技术的迅速发展，互联网的规模日益庞大，应用领域遍及各个领域。目前的“云计算”、“物联网”等热点研究领域都以互联网技术的迅速发展作为其基本的技术支持。而在各种网络技术中，网络的流量预测成为流量工程中的关键技术问题之一[2]，准确的网络流量预测对于网络容量规划、设备计算、资源管理以及用户行为调控都具有积极的意义。另外，网络流量预测还可以监控网站的异常访问（可以被视为是一种出现网络权利冲突的重要前期行为），识别数据的恶意下载以及监控网络犯罪等。

网络流量通常在数学上表现为一个随机过程，但现在的研究结果表明网络的流量数据蕴含着某些内在的规律性，如自相似性、长相关性、多重分形性等特点[3]。也就是说，网络流量并非是杂乱无章的，如果能够建立一个具有与网络流量数据的规律信息相一致的预测模型，则可对网络流量进行有效的预测，这在理论上保证了网络流量预测的可能性和可行性。(www.xing528.com)

网络流量数据从本质上说也是一种时间序列数据，传统的自回归模型、Poisson模型、Markov模型、自回归滑动模型等方法都曾应用于网络流量数据的预测中[4]。但这些方法都属于线性模型方法，而网络流量数据显然是非线性时间序列，利用线性模型很难实现对非线性时间序列的有效预测。随着人工智能技术的发展，在黑箱建模方面具有优势的神经网络技术开始应用于网络流量的预测中，常用的神经网络种类有BP网络、RBF网络、Elman网络等[5]。但这类网络在时间序列建模和预测中所运用的机理是通过训练网络权值使得网络能够逼近训练样本，并试图使网络具有与被预测时间序列蕴含的内在规律相一致的信息，凭借网络的泛化能力实现时间序列的预测。这就要求网络流量数据中所蕴含的规律信息是一成不变的。而实际的网络流量数据中所蕴含的规律信息随着时间的推移是不断变化的，因此神经网络在对这类时间序列进行预测时，往往训练样本误差很小，而实际预测误差却较大。

为此，我们采用混沌算子模型[6]对网络流量进行预测研究，该预测网络不以拟合训练样本为目的，而是试图逼近网络流量数据中所蕴含的动力学特性，从而实现对网络流量数据的有效预测。