在计算机网络技术不断发展的今天,网络所覆盖的范围越来越广,所承载的业务需求和使用的规模也日趋普遍。近年来,特别是P2P等新技术的大量涌起,更是严重地劣化了计算机网络的性能。为了加速网络运行的速率和增强网络的利用率,最重要的环节就是通过一些方法有效地预测出网络流量的趋势。假如我们能够实时监控网络的运行情况,在出现网络拥塞问题之前对流量数据进行分析,便能显著地提高网络的服务质量、有效性和安全性。作为网络行为研究的一个重要领域,流量预测在拥塞控制、准入控制以及无线和有线网络管理上发挥着重要作用,具有现实的研究意义。国内外学者将一些模型理论引入到了网络流量的预测中,如ARMA线性预测模型、神经网络等。本文比较了一些传统的预测模型和新技术的优势及不足,重点分析了最小二乘支持向量机(LSSVM)的方法,该方法是机器学习方法的典型代表,可以较好地应用于非线性预测的环境中,它克服了传统机器学习需要大量数据的特点,即使样本数据量较小,预测也能达到较好的效果。然而,随着网络流量的混沌性、非平稳性、复杂性等特性的出现,现存的单的方法已经不能对其进行高精度的预测。针对网络流量的混沌性,本文提出了一种基于相空间重构(PSR)和LSSVM的网络流量预测模型。首先计算最大Lyapunov指数来判断网络流量的混沌特性后,使用粒子群算法优化的LSSVM对相空间重构后的多维序列进行训练并预测出未来网络流量的走势。实验效果优于单一的LSSVM模型。针对网络流量的非平稳性和复杂性,本文提出了一种组合小波变换和PSR-LSSVM的网络流量预测模型。首先利用小波变换在非线性系统中发挥出来的多尺度分析的特性,将网络流量分解并单支重构为高频分量和低频分量,相当于对原始网络流量序列进行了平滑处理。然后判断各分量的混沌性,将具有混沌特性的分量通过PSR-LSSVM模型进行预测,其余分量通过粒子群算法优化的LSSVM进行预测,最后将各分量的预测结果综合计算输出,获得最终的预测流量。在Matlab中使用本文提出的新的模型对真实的网络流量进行实验并预测,预测精度高达90%以上,预测效果明显优于单一的LSSVM模型以及神经网络模型。