金融網(wǎng)絡(luò)流量分析與預(yù)測(cè).pdf

1、在金融企業(yè)網(wǎng)絡(luò)中，近年來(lái)隨著業(yè)務(wù)的發(fā)展，業(yè)務(wù)量極大增加，應(yīng)用的種類日趨多樣，應(yīng)用的帶寬占用也隨著語(yǔ)音（IP電話）、視頻（遠(yuǎn)程監(jiān)控、視頻會(huì)議）、圖像（電子票據(jù)影像）等新應(yīng)用類型的使用而日趨增大，對(duì)金融骨干網(wǎng)絡(luò)帶寬提出了更高的要求。如何選擇合理的骨干網(wǎng)絡(luò)架構(gòu)和帶寬，做到既能滿足業(yè)務(wù)需要又不浪費(fèi)網(wǎng)絡(luò)資源，并隨著企業(yè)網(wǎng)絡(luò)實(shí)際使用情況及時(shí)地進(jìn)行調(diào)整，是企業(yè)實(shí)際工作中遇到的一個(gè)重要問(wèn)題。
　　 本文通過(guò)使用SNMP技術(shù)和NETFLOW技術(shù)，

2、采集網(wǎng)絡(luò)流量和應(yīng)用流量數(shù)據(jù)，建立金融企業(yè)網(wǎng)絡(luò)流量采集系統(tǒng)，以此作為網(wǎng)絡(luò)流量分析和預(yù)測(cè)的數(shù)據(jù)基礎(chǔ)。加入了金融網(wǎng)絡(luò)流量的預(yù)處理環(huán)節(jié)，在數(shù)據(jù)篩選階段把關(guān)，提前剔除無(wú)效和異常數(shù)據(jù)，以提高后期模型的預(yù)測(cè)預(yù)測(cè)準(zhǔn)確度?；诰€性神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)上的優(yōu)點(diǎn)，建立了一個(gè)基于上述三種網(wǎng)絡(luò)的復(fù)合神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，比單一神經(jīng)網(wǎng)絡(luò)的提高預(yù)測(cè)效果。并使用基于SVM模型的預(yù)測(cè)模型與復(fù)合神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比對(duì)，使用企業(yè)真實(shí)的網(wǎng)