一种基于麻雀优化宽度学习系统的网络接口流量预测方法技术方案

本发明专利技术公开了一种基于麻雀优化宽度学习系统的网络接口流量预测方法，该方法为：获得的网络接口流量数据，确定预测周期T，利用[t

【技术实现步骤摘要】
一种基于麻雀优化宽度学习系统的网络接口流量预测方法


[0001]本专利技术属于网络接口流量预测
，涉及一种基于麻雀优化宽度学 习系统的网络接口流量预测方法。

技术介绍

[0002]现有的网络流量预测模型多为深度学习模型。深度学习模型的网络参数 量通常较大，要消耗较多的时间和计算资源来训练模型。宽度学习系统可在 较短的时间内完成模型的训练，但其超参数对网络模型的性能影响较大。目 前的网络调参方式多为人工手动调参。这种方法较为依赖研究员的经验且需 要反复训练模型来进行调整，较为耗时。

技术实现思路

[0003]本专利技术要解决的技术问题是：提供一种基于麻雀优化宽度学习系统的网 络接口流量预测方法，以解决现有技术中存在的技术问题。
[0004]本专利技术采取的技术方案为：一种基于麻雀优化宽度学习系统的网络接口 流量预测方法，该方法包括以下步骤：
[0005](1)对于获得的网络接口流量数据，确定预测周期T，利用[t
‑
12,t
‑
1]的 网络流量信息预测t时刻的网络流量；
[0006](2)初始化网络参数：包括麻雀优化算法的种群数量、探索者比例及最 大迭代次数；宽度学习系统中的收缩系数取值范围、正则化系数取值范围以 及特征映射层的窗口数、单个窗口中的结点数量以及增强层的结点数量；
[0007](3)在参数的取值范围内随机生成p组收缩系数和正则化系数作为初始 超参数，其中p为麻雀种群数量；
[0008](4)分别用p组初始超参数及网络接口流量数据自动训练宽度学习系统 模型，生成初始适应度；
[0009](5)利用麻雀优化算法优化超参数；
[0010](6)利用网络接口流量数据及更新后的超参数训练宽度学习系统，更新 适应度值；
[0011](7)判断是否达到最大迭代次数，若达到最大迭代次数则输出最佳适应 度对应的网络参数，并用其训练宽度学习模型，建立网络接口流量预测模型； 否则，返回步骤(5)。
[0012]步骤(5)中利用麻雀优化算法优化超参数的方法步骤如下：
[0013]1)将步骤(3)生成的p组初始超参数视为p只麻雀的初始位置，计算探 索者数量，计算公式如下：
[0014]pNum＝p
×
p_scale
[0015]其中，pNum为种群中探索者数量，p为种群大小，p_scale为探索者占比；
[0016]2)更新探索者位置，计算公式如下：
[0017][0018]其中，X为需优化的超参数，即麻雀位置，表示第t次迭代中第i只麻雀 的第j个维度的值；R2表示警告值，取值范围为[0,1],是呈均匀分布的随机数； ST表示安全阈值，Q为呈正态分布的随机数矩阵，L为1
×
d维矩阵,d为种群 大小；当R2＜ST时，表示当前位置安全，麻雀在附件寻找食物；反之表示当 前位置有危险，探索者需要引导麻雀群去寻找新的地方寻找食物；
[0019]3)更新追随者位置，计算公式如下：
[0020][0021]其中，A
+
＝A
T
(AA
T
)
‑1,A为1
×
d维矩阵，各纬度值从[
‑
1,1]中随机生成；表示麻雀在最差状态下的位置，当i＜n/2时，表示追随者没有得到食物，自身 状态不佳，需要到其他得到更多食物的地方去；反之，继续在探索者附近寻 找食物；
[0022]4)对于发现危险成为侦察者的麻雀，并更新其位置，计算公式如下：
[0023][0024]其中，f
i
和f
g
分别为第i只麻雀的适应度和最佳适应度，f
w
为最差适应度；β为 呈标准正态分布的随机数，K为取值在[
‑
1,1]范围内的均匀随机数，ε为一个较 小值(0＜ε＜10
‑
10
)来防止分母为0。
[0025]本专利技术的有益效果：与现有技术相比，本专利技术通过使用麻雀优化算法优 化宽度学习系统中正则化参数和收缩系数两个超参数，避免了繁琐的人工调 参过程；利用优化得出的最优超参数训练宽度学习系统，提高网络流量预测 的准确度。
附图说明
[0026]图1为宽度学习系统算法流程图；
[0027]图2为麻雀搜索算法流程图；
[0028]图3为SSA
‑
BLS算法伪代码图；
[0029]图4为SSA
‑
BLS算法流程图；
[0030]图5为欧洲某城市核心网络流量数据集预测结果图；
[0031]图6为英国学术主干网络流量数据集预测结果图；
[0032]图7为企业云平台交换机接口流量数据集预测结果图；
[0033]图8为宽度学习系统于LSTM运行时间图。
具体实施方式
[0034]下面结合具体的实施例对本专利技术进行进一步介绍。
[0035]预备知识：宽度学习系统是一种新型的随机权重神经网络。与传统的神 经网络相对比，这种神经网络以随机向量函数链接神经网络为基础，主要用 于解决深度学习计算量大，计算成本太高的问题。宽度学习系统含有3层， 分别是输入层、隐藏层和输出层。隐藏层由特征映射层和增强结点层组成。 宽度学习系统隐藏层为单层结构，由特征映射层和增强结点层组成。
[0036]宽度学习系统的算法流程如下。设训练数据为X∈R
N
×
M
，含有N个样本， 每个样本有M个维度，其对应的标签为Y∈R
N
×
C
。通过n个特征映射函数 (i＝1,...,n)将训练数据X映射为n组特征映射，每组映射产生K
i
个节点，其中 第i组特征映射Z
i
计算方法如公式(1)所示。
[0037]\*MERGEFORMAT
ꢀꢀꢀꢀꢀꢀꢀꢀ
Z
i
＝φ
i
(XW
ei
+β
ei
)
ꢀꢀꢀꢀ
\*MERGEFORMAT (1)
[0038]其中，W
ei
和β
ei
是随机生成的特征映射权重矩阵和偏置矩阵。在实际应用 过程中，φ
i
常为非线性映射函数。
[0039]将特征映射层得到的n组特征映射节点表示为Z
in
＝(Z1,Z2,
…
,Z
n
)，将Z
in
与 增强节点层相连，经过增强节点层的激活函数ζ
j
将Z
in
映射成m组增强节点， 每组由q个节点组成，则第j组增强节点H
j
可表示为。
[0040]H
j
＝ζ
j
(Z
in
W
hj
+β<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于麻雀优化宽度学习系统的网络接口流量预测方法，其特征在于：该方法包括以下步骤：(1)对于获得的网络接口流量数据，确定预测周期T，利用[t
‑
12,t
‑
1]的网络流量信息预测t时刻的网络流量；(2)初始化网络参数：包括麻雀优化算法的种群数量、探索者比例及最大迭代次数；宽度学习系统中的收缩系数取值范围、正则化系数取值范围以及特征映射层的窗口数、单个窗口中的结点数量以及增强层的结点数量；(3)在参数的取值范围内随机生成p组收缩系数和正则化系数作为初始超参数，其中p为麻雀种群数量；(4)分别用p组初始超参数及网络接口流量数据自动训练宽度学习系统模型，生成初始适应度；(5)利用麻雀优化算法优化超参数；(6)利用网络接口流量数据及更新后的超参数训练宽度学习系统，更新适应度值；(7)判断是否达到最大迭代次数，若达到最大迭代次数则输出最佳适应度对应的网络参数，并用其训练宽度学习模型，建立网络接口流量预测模型；否则，返回步骤(5)。2.根据权利要求1所述的一种基于麻雀优化宽度学习系统的网络接口流量预测方法，其特征在于：步骤(5)中利用麻雀优化算法优化超参数的方法步骤如下：1)将步骤(3)生成的p组初始超参数视为p只麻雀的初始位置，计算探索者数量，计算公式如下：pNum＝p
×
p_scale其中，pNum为种群中探索者数量，p为种群大小，p_scale为探索...

【专利技术属性】
技术研发人员：李少波，李笑瑜，周鹏，陈光林，
申请(专利权)人：贵州大学，
类型：发明
国别省市：