论文部分内容阅读
随着计算机和互联网的持续高速发展,网络在人们生活中扮演的角色也越来越重要,人们再也不能满足于只简单上网的需求,人们对上网的要求也越来越高。网络拥塞、网络故障、网络安全等一系列的问题时刻困扰着我们,如何对系统中的网络数据进行测量、收集和预测已成为网络系统运行的主要难题之一。据大量数据显示,网络是复杂的、多方因素影响的,网络流量也必然呈现出高度自相似、时变性和非线性等特征,这注定传统的预测方法无法做到高的准确率。支持向量机是一种机器学习方法,其求解速度快,且泛化能力强,故本文用支持向量机来进行预测。支持向量机可以根据现有的有限的样本信息,在所建立的模型的复杂性和机器的学习能力间寻求一个平衡点,以得到最好的泛化能力,并创造性的将线性不可分的问题,通过核函数映射到高维空间,使之线性可分。本文在对网络流量准确预测后,综合预测了CPU使用率和内存使用率的情况,为市区信访件对接平台设计了模糊控制器,该模糊控制器根据预测结果进行资源调度,并在仿真平台上进行了实验,取得了很好的效果。本文的主要研究内容如下：1).研究支持向量机参数选择的问题。参数的选择在支持向量机建模期间有巨大的影响,参数的好坏直接影响着预测精度的高低。在研究生学习期间,本人关注了各种新型的算法,并创新性的将布谷鸟搜索算法应用于支持向量机的参数选择过程中。实验对比了现有的算法,如遗传算法和粒子群算法,布谷鸟搜索算法明显提高了SVM的效率和结果准确率。2).根据记录的网络带宽、CPU使用率,内存使用率的数据,通过本文提出的基于布谷鸟搜索算法的支持向量回归机(CS-SVR)进行预测,并通过本文设计的模糊控制器根据CS-SVR的预测结果,对资源进行调度,使得服务器端的各项资源的利用率最大化,达到负载平衡,从而提高服务质量。