1.一种基于修正因子的网络流量灰色预测方法，其特征在于，基于已构建好的网络拓扑结构、以及该网络拓扑结构的原始流量序列X，针对所述原始流量序列X，执行步骤D1至步骤D9，获得所述原始流量序列X所对应的最终预测流量序列，实现对网络拓扑未知网络流量的预测；

步骤D1：对原始流量序列X进行归一化，得到归一化流量序列X1，随后进入步骤D2；

步骤D2：构造基于修正因子c的缓冲算子函数 ，随后进入步骤D3；

步骤D3：初始化缓冲算子函数 的修正因子c；随后进入步骤D4；

步骤D4：基于归一化流量序列X1、缓冲算子函数 、修正因子c，对归一化流量序列X1中的每个元素施加缓冲算子函数 ，获得预处理流量序列 ，随后进入步骤D5；

步骤D5：针对预处理流量序列 ，应用窗口长度为5、步长为1的滑动窗口，对预处理流量序列 实施GM(1,1)灰色预测，得到当前流量预测序列 ；随后进入步骤D6；

步骤D6：按如下公式：

，

计算归一化流量序列X1与预测流量序列 的均方误差  ，其中   表示归一化流量序列X1 的流量数据，  表示预测流量序列 的数据，n为流量序列长度；

随后进入步骤D7；

步骤D7：针对修正因子c的值进行加d更新，计算每一次针对修正因子c的值进行加d更新的归一化流量序列X1与预测流量序列 的均方误差   值，其中d为修正梯度，如果 的值小于 的值则返回步骤D3；否则进入步骤D8，步骤D8：以 的值大于 的值的修正因子c的值进行加d更新的修正因子c为最优的修正因子 ，以修正因子 所在的流量预测序列作为流量预测序列  ；

随后进入步骤D9；

步骤D9:针对流量预测序列 按如下公式：

，

进行反归一化，得到最终预测流量序列 ，其中， 为原始流量序列X中的最大值。

2.根据权利要求1所述的一种基于修正因子的网络流量灰色预测方法，其特征在于，所述网络拓扑结构按如下步骤A至步骤C构建，并获得该网络拓扑的原始流量序列X；

步骤A：基于网络模拟器，在网络模拟器中构建网络拓扑，并且设置该网络拓扑的有线链路和WiFi无线链路，以及所述WiFi无线链路的通信频率；

步骤B：基于步骤A中网络模拟器下所构建的网络拓扑结构，针对该网络拓扑中至少两个网络流量业务、以及各个网络流量业务的数据源，计算获得该各网络流量业务的自相似特性的通信业务流，并结合预设网络模拟器的仿真时间，启动网络模拟器；

步骤C：对所述网络拓扑中的自相似特性的通信业务流进行网络流量抓取，并获得所述网络拓扑的通信业务流的原始网络流量序列X。

3.根据权利要求2所述的一种基于修正因子的网络流量灰色预测方法，其特征在于，所述步骤A包括以下步骤A1至步骤A4；

步骤A1：设置4‑2‑4哑铃结构的网络拓扑的各个节点，具体为：设置第一流量源节点、第二流量源节点、第三流量源节点、第四流量源节点、第一流量汇聚节点、第二流量汇聚节点、第一流量目的节点、第二流量目的节点、第三流量目的节点、第四流量目的节点；随后进入步骤A2；

步骤A2：根据步骤A1设置的4‑2‑4哑铃结构的网络拓扑的各个节点，创建所述4‑2‑4哑铃结构网络拓扑的P2P有线链路，具体为：将第一源节点依次先后顺序连接第一流量汇聚节点、第二流量汇聚节点；所述第二流量汇聚节点分别与第一流量目的节点、第二流量目的节点、第三流量目的节点、第四流量目的节点相连；随后进入步骤A3;步骤A3:根据步骤A1设置的4‑2‑4哑铃结构的网络拓扑的各个节点，创建所述4‑2‑4哑铃结构网络拓扑的WiFi无线链路，具体为：将所述第二流量源节点、第三流量源节点、第四流量源节点、分别与第一流量汇聚节点相连；随后进入步骤A4；

步骤A4:设置WiFi无线链路的通信频率：设置第二流量源节点与第一流量汇聚节点所在的WiFi链路的通信频率为短波；设置第三流量源节点与第一流量汇聚节点所在的WiFi链路的通信频率为超短波，设置设置第三流量源节点与第一流量汇聚节点所在的WiFi链路的通信频率为微波。

4.根据权利要求2所述的一种基于修正因子的网络流量灰色预测方法，其特征在于，所述步骤B包括步骤B1至步骤B2:步骤B1:针对网络拓扑中各个网络流量业务，用信道状态ON/OFF模型按如下Pareto分布函数 和概率密度函数 公式：，

设计各个网络流量业务的至少十条网络流量业务数据源,其中，为形状参数，用于决定Pareto分布函数的均值与方差，为位置参数；所述网络流量数业务自相似程度H与 的数学关系表示为：，

其中，H表示Hurst参数，用于表示网络流量数据源叠加构成的网络流量业务的自相似程度；

步骤B2：按如下公式：

,

将网络流量业务各自的网络流量数据源叠加，并获得该网络流量业务相对应的自相似特性的通信业务流， 其中数据源 ，SN (t)表示自相似特性的通信业务流。

5.根据权利要求2所述的一种基于修正因子的网络流量灰色预测方法，其特征在于，所述步骤C包括利用抓包软件对第一流量汇聚节点上汇聚的通信业务流进行抓取，获得该第一流量汇聚节点上通信业务流汇聚的原始流量序列X。

6.根据权利要求1所述的一种基于修正因子的网络流量灰色预测方法，其特征在于，所述步骤D2中，按如下公式：，

通过平滑系统中的冲击扰动来提高模型预测精度，并构造基于修正因子c的缓冲算子函数 。

7.根据权利要求1所述的一种基于修正因子的网络流量灰色预测方法，其特征在于，所述步骤D4具体为：基于归一化后的流量序列X1、缓冲算子函数 、预设的修正因子初始值c=0.4按如下公式:,

对归一化流量序列X1中的每一个元素施加缓冲算子函数 ，其中c=0.4，则有。

8.根据权利要求1所述的一种基于修正因子的网络流量灰色预测方法，其特征在于，所述步骤D5中，采用滑动窗口滑动一步预测方式对预处理流量序列 实施GM(1,1)灰色预测，具体包括以下步骤D5.1至步骤D5.8：步骤D5.1:基于预处理流量序列 ，采用如下窗口滑动预测的方式：，

其中，w代表窗口大小，对流量序列 进行初始化，得到初始化流量序列 ，,随后进入步骤D5.2；

步骤D5.2：基于 ；

按如下公式：

，

方式计算初始化流量序列 的一次累加生成流量序列 ； ；

随后进入步骤D5.3；

步骤5.3:按如下方式计算一次累加生成序列 的紧邻均值生成序列 ：其中， ；随后进入步骤D5.4；

步骤D5.4:基于一次累加生成序列 以及所述一次累加生成序列 的紧邻均值生成序列 ，构建初始化流量序列 和一次累加生成序列 的紧邻均值生成序列 的灰色微分方程：，

其中， 为灰色发展系数， 为灰色作用量；随后进入步骤D5.5；

步骤D5.5:基于初始化流量序列 和一次累加生成序列 的紧邻均值生成序列的灰色微分方程 ，构建所述灰色微分方程的参数向量 ，用最小二乘法对其进行求解：

其中，

， ；随后进入步骤D5.6；

步骤D5.6:基于步骤D5.5求解获得灰色发展系数 和灰色作用量 ，按如下公式求解灰色微分方程的时间响应函数，： ；随后进入步骤D5.7；

步骤D5.7：基于求解得到的灰色微分方程的时间响应函数 ，按如下公式计算预测流量序列 ；随后进入步骤D5.8；

步骤D5.8:基于预测流量序列 ，按如下公式计算当前流量预测序列的最终预测流量序列 ：，其中 表示第n次

滑动预测得到的预测值。

9.根据权利要求1所述的一种基于修正因子的网络流量灰色预测方法，其特征在于，所述步骤D7中, 针对修正因子c的值进行加d更新，计算每一次针对修正因子c的值进行加d更新的归一化流量序列 与预测流量序列 的均方误差 值，令修正梯度d=0.004。