[论文解读] A Review of Network Traffic Analysis and Prediction Techniques

Manish Joshi, Theyazn Hassn Hadi|arXiv (Cornell University)|Jul 21, 2015

Internet Traffic Analysis and Secure E-voting参考文献 19被引用 111

一句话总结

本文全面综述了网络流量分析与预测技术，回顾了基于神经网络、数据挖掘以及线性/非线性建模的方法。评估了这些方法的优势、局限性及整合策略，系统性地概述了当前的研究趋势及提升网络可靠性与安全性的有效组合方式。

ABSTRACT

Analysis and prediction of network traffic has applications in wide comprehensive set of areas and has newly attracted significant number of studies. Different kinds of experiments are conducted and summarized to identify various problems in existing computer network applications. Network traffic analysis and prediction is a proactive approach to ensure secure, reliable and qualitative network communication. Various techniques are proposed and experimented for analyzing network traffic including neural network based techniques to data mining techniques. Similarly, various Linear and non-linear models are proposed for network traffic prediction. Several interesting combinations of network analysis and prediction techniques are implemented to attain efficient and effective results. This paper presents a survey on various such network analysis and traffic prediction techniques. The uniqueness and rules of previous studies are investigated. Moreover, various accomplished areas of analysis and prediction of network traffic have been summed.

研究动机与目标

• 提供对现有网络流量分析与预测技术的系统性综述。
• 识别当前网络流量建模方法中的空白与挑战。
• 评估各种技术（包括机器学习与统计模型）的有效性。
• 突出分析与预测方法成功组合的案例，以提升网络性能。
• 通过总结已完成的研究领域与新兴趋势，为未来研究提供指导。

提出的方法

• 系统调研2005年至2015年期间发表的关于网络流量分析与预测的同行评审文献。
• 将技术方法分类为：神经网络、数据挖掘、线性模型与非线性模型。
• 分析先前发表研究中的规则、独特性及实现细节。
• 比较不同预测与分析方法在性能指标与应用场景上的差异。
• 评估结合多种技术以提升准确率与鲁棒性的混合方法。
• 基于应用领域与方法有效性，将研究发现组织成结构化框架。

实验结果

研究问题

• RQ1 哪些技术在分析与预测网络流量方面最为有效？
• RQ2 基于神经网络的方法与传统统计模型在流量预测中的表现如何比较？
• RQ3 当前网络流量分析与预测研究中的关键挑战与局限性是什么？
• RQ4 哪些分析与预测技术的组合能产生最有效的结果？
• RQ5 现有研究中的主导应用领域与性能指标有哪些？

主要发现

• 基于神经网络的技术在捕捉复杂非线性流量模式方面表现出色。
• 数据挖掘技术在识别流量异常与行为趋势方面具有显著效果。
• 线性模型（如ARIMA）由于其简洁性与可解释性，仍被广泛使用。
• 非线性模型（如支持向量机与小波基方法）在动态环境中可提升预测精度。
• 结合多种技术的混合模型相较于单一方法表现出更优性能。
• 分析与预测技术的整合显著提升了网络的可靠性与安全性表现。