| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 选题背景与意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 网络流量模型研究现状 | 第11-12页 |
| 1.2.2 神经网络预测的研究现状 | 第12-14页 |
| 1.3 研究内容与创新点 | 第14页 |
| 1.4 工作基础 | 第14-15页 |
| 1.5 章节结构 | 第15-16页 |
| 第二章 网络流量预测研究概述 | 第16-29页 |
| 2.1 萤火虫算法理论介绍 | 第16-18页 |
| 2.1.1 萤火虫算法的生物学原理 | 第16页 |
| 2.1.2 数学描述 | 第16-17页 |
| 2.1.3 算法基本流程 | 第17-18页 |
| 2.2 深度学习理论介绍 | 第18-26页 |
| 2.2.1 人工神经网络 | 第18-21页 |
| 2.2.2 RNN神经网络 | 第21-22页 |
| 2.2.3 LSTM神经网络 | 第22-23页 |
| 2.2.4 神经网络超参数介绍 | 第23-26页 |
| 2.3 分布式系统相关技术介绍 | 第26-28页 |
| 2.3.1 HDFS | 第26页 |
| 2.3.2 Spark | 第26页 |
| 2.3.3 Hive | 第26-27页 |
| 2.3.4 YARN | 第27页 |
| 2.3.5 TensorFlow和Tensorflow Serving | 第27页 |
| 2.3.6 Zookeeper | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 结合改进的萤火虫算法的流量预测模型 | 第29-41页 |
| 3.1 改进的萤火虫算法 | 第29-34页 |
| 3.1.1 种群多样性位置更新策略 | 第30-31页 |
| 3.1.2 自适应步长因子 | 第31页 |
| 3.1.3 改进的萤火虫算法流程 | 第31页 |
| 3.1.4 实验仿真与分析 | 第31-34页 |
| 3.2 结合改进的萤火虫算法的流量预测模型 | 第34-40页 |
| 3.2.1 数据集和预处理 | 第34-36页 |
| 3.2.2 模型设计 | 第36-38页 |
| 3.2.3 实验仿真与分析 | 第38-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第四章 流量预测预警系统的设计与实现 | 第41-55页 |
| 4.1 系统需求分析 | 第41页 |
| 4.2 系统概要设计 | 第41-43页 |
| 4.2.1 系统功能结构 | 第41-42页 |
| 4.2.2 系统软件结构 | 第42-43页 |
| 4.3 系统详细设计 | 第43-48页 |
| 4.3.1 流量监控 | 第43-45页 |
| 4.3.2 流量预警 | 第45页 |
| 4.3.3 系统管理 | 第45-46页 |
| 4.3.4 数据采集 | 第46-47页 |
| 4.3.5 模型更新 | 第47-48页 |
| 4.3.6 流量预测 | 第48页 |
| 4.4 系统功能呈现 | 第48-50页 |
| 4.4.1 流量监控界面 | 第48-49页 |
| 4.4.2 预警管理界面 | 第49页 |
| 4.4.3 系统管理界面 | 第49-50页 |
| 4.5 系统测试 | 第50-53页 |
| 4.5.1 部署环境 | 第50-51页 |
| 4.5.2 功能测试 | 第51-52页 |
| 4.5.3 兼容性测试 | 第52-53页 |
| 4.6 实际预警效果分析 | 第53-54页 |
| 4.6.1 预测精度 | 第53页 |
| 4.6.2 预警效果 | 第53-54页 |
| 4.7 本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 论文工作总结 | 第55页 |
| 5.2 未来工作展望 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间取得的研究成果 | 第63页 |