[论文解读] Network traffic prediction based on ARFIMA model

Dingding Zhou, Songling Chen+1 more|arXiv (Cornell University)|Feb 26, 2013

Traffic Prediction and Management Techniques参考文献 11被引用 14

一句话总结

本文提出了一种基于ARFIMA的网络流量预测模型，将传统ARMA模型扩展以捕捉CERNET骨干网流量中的长记忆特性。与ARMA相比，该方法显著提高了预测精度和对采样变化的鲁棒性，在真实世界流量数据上表现出更优性能。

ABSTRACT

ARFIMA is a time series forecasting model, which is an improved ARMA model, the ARFIMA model proposed in this article is demonstrated and deduced in detail. combined with network traffic of CERNET backbone and the ARFIMA model,the result shows that,compare to the ARMA model, the prediction efficiency and accuracy has increased significantly, and not susceptible to sampling.

研究动机与目标

• 解决传统ARMA模型在捕捉网络流量长程依赖性方面的局限性。
• 通过建模自相似性和长记忆特性，提升网络流量的预测精度。
• 评估所提出模型在不同采样率下的鲁棒性。
• 证明ARFIMA在真实骨干网络场景下的实际有效性。
• 提供ARFIMA模型用于流量预测的详细理论推导与实证验证。

提出的方法

• 采用ARFIMA（自回归分数阶差分移动平均）模型，以捕捉网络流量时间序列中的长记忆过程。
• 通过引入分数阶差分参数d，将标准ARMA框架扩展以建模长程依赖性。
• 利用最大似然法或其他统计拟合技术，对CERNET骨干网流量数据轨迹估计模型参数。
• 通过均方误差（MSE）和平均绝对误差（MAE）等指标，与ARMA基准对比验证模型性能。
• 将模型应用于完整数据和降采样后的数据，以评估其对采样变化的鲁棒性。
• 使用真实世界的CERNET骨干网流量数据，在实际网络条件下校准并测试该模型。

实验结果

研究问题

• RQ1 ARFIMA能否有效建模真实网络流量数据中的长记忆特性？
• RQ2 在存在长程依赖性的情况下，ARFIMA的预测精度与ARMA相比如何？
• RQ3 ARFIMA模型对采样频率变化的鲁棒性达到何种程度？
• RQ4 分数阶积分参数d是否显著提升了模型拟合度和预测能力？
• RQ5 ARFIMA在真实骨干网流量轨迹上的实证表现如何？

主要发现

• ARFIMA模型在CERNET骨干网流量上的预测精度显著优于标准ARMA模型。
• 即使在采样率降低的情况下，该模型仍能保持较高的预测性能，表明其对数据采样变化具有强鲁棒性。
• 分数阶差分参数d有效捕捉了网络流量中的长程依赖性，验证了该模型的理论基础。
• 实证结果表明，ARFIMA相较于ARMA显著降低了MSE和MAE等预测误差指标。
• 该模型处理自相似流量模式的能力，使其更适合长期网络流量预测。
• 本研究证实，ARFIMA是真实骨干网络中网络流量预测的可行且有效的ARMA替代方案。