导　　师： 邢萧飞

授予学位： 硕士

作　　者： (）;

机构地区： 广州大学

摘　　要： 随着互联网技术的高速发展和网络规模的不断扩大,互联网已经成为人们生产生活中的重要部分。网络多媒体业务、网络应用、网络用户对网络通信质量的要求也越来越高。与此同时,网络传播过程中的出现性能欠佳、网络安全隐患等问题的机率也大增加,比如网络拥塞、网络故障、自然灾害等突发状况影响网络性能。因此,研究网络性能的监测、预测和异常检测已经成为重要课题,通过监测大规模网络数据流可以及时地了解网络状况、网络故障,从而优化网络结构、提升网络性能。本文主要是围绕PingER(Ping End-to-End Reporting)网络性能监测平台,通过PingER网络性能监测平台获得端到端的网络性能数据,最后研究网络性能的异常检测与预测。主要工作如下:1.本文首先介绍网络性能异常检测和预测的研究背景,主要介绍了PingER框架、PingER的监测机制、监测指标等,研究利用ICMPv6协议实现IPv6环境下的网络性能监测,并成功采集实验数据。2.研究基于神经网络的网络性能异常检测,本文详细介绍了深度前馈神经网络、基本单元、误差逆传播、优化函数等。并提出了基于前馈全连接神经网络的异常检测模型,最后通过计算其正确率、误报率以及和基于聚类的离群因子算法进行对比实验分析,验证模型的有效性。3.研究网络性能数据预测,使用多元线性回归算法、随机森林算法、Gradient Boosting、XGBoost分别建立网络预测模型,然后利用均方根误差(RMSE)算法对比了不同模型对网络性能预测的准确率。实验结果表明,利用多元线性回归算法模型提高了网络性能预测精度,实现了网络流量准确预测,并有较强的实用价值。本文研究网络性能数据的特性,使用合适的机器学习算法,建立数据分析模型,实现网络性能的异常检测和预测,从而在提升网络性能、优化网络结构方面,为网络用

关 键 词： 网络性能 异常检测 预测 神经网络 线性回归

领　　域： [] []