CN113037577A - 网络流量预测方法、装置和计算机可读存储介质 - Google Patents
网络流量预测方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN113037577A CN113037577A CN201911246779.4A CN201911246779A CN113037577A CN 113037577 A CN113037577 A CN 113037577A CN 201911246779 A CN201911246779 A CN 201911246779A CN 113037577 A CN113037577 A CN 113037577A
- Authority
- CN
- China
- Prior art keywords
- link
- flow
- value
- abnormal value
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims description 113
- 238000012549 training Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 16
- 238000012360 testing method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种网络流量预测方法、装置和计算机可读存储介质，涉及数据通信领域。网络流量预测方法包括：获取待测链路的相关链路，相关链路为网络中与待测链路的流量相关性大于预设程度的链路；根据待测链路及其相关链路在一个或多个历史时刻的流量，生成历史流量序列；将历史流量序列输入到预先训练的预测模型中，获得预测模型输出的、待测链路在未来时刻的流量。本发明的实施例可以根据关联的链路的历史流量数据来进行流量预测，使得预测的网络流量更准确。从而，可以为网络规划、网络优化和网络配置提供更准确的参考依据。
Description
技术领域
本发明涉及数据通信领域，特别涉及一种网络流量预测方法、装置和计算机可读存储介质。
背景技术
深度学习是一种性能强大的人工智能技术，在具备足够多的样本进行训练的情况下，训练得到的模型能用于对未知样本的预测。数据通信领域也可以结合深度学习技术来进行相关的数据建模，有望使得数据通信更加智能化。
在通信网络中，流量数据一般呈现出为非稳态和非线性的特性。对于流量数据这种时间序列数据，采用ARIMA(Autoregressive Integrated Moving Average model，差分整合移动平均自回归模型)等传统的时间序列处理方法难以捕捉到其复杂的规律，从而预测效果较差。而流量预测作为一个典型的时间序列问题，可以应用深度学习中的LSTM(LongShort-Term Memory，长短期记忆)神经网络来进行建模。
LSTM网络是一种特殊的循环神经网络(RNN)，其避免了标准RNN中梯度爆炸和梯度消失的问题，能够捕捉到时序数据之间的关联，可以学习到比较复杂的规律。相关技术采用流量矩阵描述所有节点之间的流量数据，然后将流量矩阵展开成向量，应用LSTM进行建模。或者，对单独某一链路的流量作为一个时间序列，使用LSTM网络进行处理。从而能够对时序数据进行拟合和预测。
发明内容
发明人经过分析后发现，相关技术将所有节点之间的链路的流量数据都进行了考虑、或者对某一链路单独考虑。然而，并不是所有的节点之间链路流量都存在相关性，有些节点之间的流量是没有任何关联的，这样考虑无关的数据其实带来了更多的误差；如果完全不考虑链路之间的相关性，也会影响预测的准确度。
本发明实施例所要解决的一个技术问题是：如何提高流量预测的准确性。
根据本发明一些实施例的第一个方面，提供一种网络流量预测方法，包括：获取待测链路的相关链路，相关链路为网络中与待测链路的流量相关性大于预设程度的链路；根据待测链路及其相关链路在一个或多个历史时刻的流量，生成历史流量序列；将历史流量序列输入到预先训练的预测模型中，获得预测模型输出的、待测链路在未来时刻的流量。
在一些实施例中，预测模型为长短记忆网络模型。
在一些实施例中，网络流量预测方法还包括：根据网络中两个链路在多个历史时刻中的流量，计算两个链路的流量的相关系数；在两个链路的相关系数大于预设值的情况下，确定两个链路互为相关链路。
在一些实施例中，根据网络中两个链路在多个历史时刻中的流量，计算两个链路的流量的相关系数包括：计算网络中两个链路在多个历史时刻中的流量的协方差；分别计算两个链路中的每一个在多个历史时刻中的流量的标准差，以获得两个链路对应的标准差的乘积；将协方差除以标准差的乘积获得的结果确定为两个链路的流量的相关系数。
在一些实施例中，网络流量预测方法还包括：获得待测链路的相关链路在未来时刻的流量；确定待测链路及其相关链路在未来时刻的流量中的异常值；将异常值替换为异常值对应的链路在异常值发生时刻的相邻时刻的流量均值，或者，将异常值替换为异常值对应的链路在异常值发生时刻的前一时刻的流量值与趋势系数的乘积；其中，趋势系数根据异常值发生时刻，异常值对应的链路以外的其他链路的流量值与前一时刻的流量值之商的平均值确定；或者，趋势系数根据异常值发生时刻的前两个时刻中，异常值对应的链路的在后时刻的流量与在先时刻的流量的商确定。
在一些实施例中，网络流量预测方法还包括：根据目标链路及其相关链路在一个或多个时刻的流量，生成用于训练的历史流量序列、作为训练数据，训练数据的标记值为目标链路在一个或多个时刻后的历史时刻的流量；采用多个训练数据对神经网络模型进行训练，获得目标链路对应的预测模型，以便当目标链路为待测链路时，采用目标链路对应的预测模型预测目标链路在未来时刻的流量。
在一些实施例中，网络流量预测方法还包括：确定目标链路及其相关链路在一个或多个时刻的流量中的异常值；将异常值替换为异常值对应的链路在异常值发生时刻的相邻时刻的流量均值，或者，将异常值替换为异常值对应的链路在异常值发生时刻的前一时刻的流量值与趋势系数的乘积；其中，趋势系数根据异常值发生时刻，异常值对应的链路以外的其他链路的流量值与前一时刻的流量值之商的平均值确定；或者，趋势系数根据异常值发生时刻的前两个时刻中，异常值对应的链路的在后时刻的流量与在先时刻的流量的商确定。
在一些实施例中，网络流量预测方法还包括：根据每个链路的流量的变化趋势确定异常值。
根据本发明一些实施例的第二个方面，提供一种网络流量预测装置，包括：获取模块，被配置为获取待测链路的相关链路，相关链路为网络中与待测链路的流量相关性大于预设程度的链路；生成模块，被配置为根据待测链路及其相关链路在一个或多个历史时刻的流量，生成历史流量序列；预测模块，被配置为将历史流量序列输入到预先训练的预测模型中，获得预测模型输出的、待测链路在未来时刻的流量。
根据本发明一些实施例的第三个方面，提供一种网络流量预测装置，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器中的指令，执行前述任意一种网络流量预测方法。
根据本发明一些实施例的第四个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任意一种网络流量预测方法。
上述发明中的一些实施例具有如下优点或有益效果：本发明的实施例可以根据关联的链路的历史流量数据来进行流量预测，使得预测的网络流量更准确。从而，可以为网络规划、网络优化和网络配置提供更准确的参考依据。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示出了根据本发明一些实施例的网络流量预测方法的流程示意图。
图2示出了根据本发明一些实施例的网络流量预测装置的结构示意图。
图3示出了根据本发明另一些实施例的网络流量预测装置的结构示意图。
图4示出了根据本发明又一些实施例的网络流量预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
图1示出了根据本发明一些实施例的网络流量预测方法的流程示意图。如图1所示，该实施例的网络流量预测方法包括步骤S102～S106。
在步骤S102中，获取待测链路的相关链路，其中，相关链路为网络中与待测链路的流量相关性大于预设程度的链路。例如，当两个链路的相关系数大于预设值时，认为这两条链路是相关链路。一条链路中可以包括一个或多个节点。
在一些实施例中，待测链路及其相关链路为具有相同的起始节点的链路。
在一些实施例中，可以根据网络中两个链路在多个历史时刻中的流量，计算两个链路的流量的相关系数；在两个链路的相关系数大于预设值的情况下，确定两个链路互为相关链路。
在一些实施例中，计算网络中两个链路在多个历史时刻中的流量的协方差；分别计算两个链路中的每一个在多个历史时刻中的流量的标准差，以获得两个链路对应的标准差的乘积；将协方差除以标准差的乘积获得的结果确定为两个链路的流量的相关系数。
在一些实施例中，可以采用皮尔逊相关系数公式确定两个链路的流量的相关系数。
在步骤S104中，根据待测链路及其相关链路在一个或多个历史时刻的流量，生成历史流量序列。
在获得初始的历史时刻的流量后，可以对流量数据进行清洗、筛除异常值、填充缺失值、归一化等预处理操作，并根据预处理后的数据生成历史流量序列。在一些实施例中，对同一链路在不同历史时刻的流量数据进行归一化。
在步骤S106中，将历史流量序列输入到预先训练的预测模型中，获得预测模型输出的、待测链路在未来时刻的流量。
在一些实施例中，预测模型为LSTM模型。从而，可以对比较复杂的流量数据的规律进行预测。
在一些实施例中，可以预先对预测模型的时间窗口和预设步数进行设置。时间窗口对应输入的历史流量序列所涉及的时长，预测步数对应预测的未来时刻的流量所涉及的时长。预测模型可以是采用与预测阶段相同的时间窗口和预设步数进行训练的。
通过上述实施例的方法，可以根据关联的链路的历史流量数据来进行流量预测，使得预测的网络流量更准确。从而，可以为网络规划、网络优化和网络配置提供更准确的参考依据。
当预测了各个链路在未来时刻的流量后，还可以对其中的异常值进行处理。
在一些实施例中，获得待测链路的相关链路在未来时刻的流量；确定待测链路及其相关链路在未来时刻的流量中的异常值；将异常值替换为异常值对应的链路在异常值发生时刻的相邻时刻的流量均值。
在一些实施例中，根据每个链路的流量的变化趋势确定异常值。
例如，通过预测获得了未来某一时刻t上链路0～链路n的流量数据L0、L1、L2、…、Ln。如果相较于各个链路的历史数据，L1、L2、…、Ln都呈增长趋势、但是L0呈下降趋势，则可以进行异常值的替换过程。由于L0对应的时刻的下一时刻没有预测的数据，因此可以直接采用其上一时刻(即t-1时刻)的流量替替换掉L0。
又例如，通过预测获得了未来时刻t上链路0～链路n的流量数据L0、L1、L2、…、Ln以及未来时刻t+1上链路0～链路n的流量数据L0’、L1’、L2’、…、Ln’。如果L1被确定为异常值，则可以将链路1在t-1时刻的流量值和在t+1时刻的流量预测值L1’的均值替换掉L1。通过筛选异常值，可以使得预测结果更准确、合理。
在一些实施例中，在确定异常值后，还可以将异常值替换为异常值对应的链路在异常值发生时刻的前一时刻的流量值与趋势系数的乘积。趋势系数根据异常值发生时刻，异常值对应的链路以外的其他链路的流量值与前一时刻的流量值之商的平均值确定；或者，趋势系数根据异常值发生时刻的前两个时刻中，异常值对应的链路的在后时刻的流量与在先时刻的流量的商确定。
例如，在t时刻，异常值对应的链路以外的其他链路的在t时刻流量值相较于t-1时刻平均增长了20％，则可以将异常值对应的链路在t-1时刻的流量值乘以1.2，并使用乘积替换掉异常值。
又例如，异常值发生在t时刻，将异常值对应的链路的t-1时刻的流量值除以t-2时刻的流量值，得到趋势系数，并将趋势系数乘以t-1时刻的流量值，获得异常值的替换值。
下面描述本发明预测模型的一种示例性的训练方法。
在一些实施例中，预先采用关联的链路的历史流量对预测模型进行训练。根据目标链路及其相关链路在一个或多个时刻的流量，生成用于训练的历史流量序列、作为训练数据，其中，训练数据的标记值为目标链路在一个或多个时刻后的历史时刻的流量；采用多个训练数据对神经网络模型进行训练，获得目标链路对应的预测模型，以便当目标链路为待测链路时，采用目标链路对应的预测模型预测目标链路在未来时刻的流量。从而，可以确定各个链路所对应的预测模型。
在一些实施例中，还可以对训练数据进行异常值筛选处理：首先，确定目标链路及其相关链路在一个或多个时刻的流量中的异常值；然后，将异常值替换为异常值对应的链路在异常值发生时刻的相邻时刻的流量均值，或者，将异常值替换为异常值对应的链路在异常值发生时刻的前一时刻的流量值与趋势系数的乘积。趋势系数根据异常值发生时刻，异常值对应的链路以外的其他链路的流量值与前一时刻的流量值之商的平均值确定；或者，趋势系数根据异常值发生时刻的前两个时刻中，异常值对应的链路的在后时刻的流量与在先时刻的流量的商确定。
下面描述本发明网络流量预测方法的一个应用例。
首先确定起始节点，并获取起始节点到多个目的节点之间链路的流量数据L0、L1、L2、…、Ln。例如，可以从流量矩阵中获取链路的流量数据。对链路的流量数据L0、L1、L2、…、Ln进行数据清洗、缺失值填充和归一化等预处理。填充的缺失值例如由与填充位置相邻的两个数据的均值确定。
设待预测链路为L0。计算归一化后的L0分别与L1、L2、…、Ln之间的相关系数。设置相关系数阈值为0.8。当相关系数超过0.8时，则认为该链路的流量与L0存在关联。将达到相关阈值的链路流量数据LC1、LC2、LC3、LCi与L0一起作为特征数据。如果发现某一链路的流量值与其他相关链路的流量值的变化趋势不同，则认为是异常值，并将异常值进行替换。替换方式可以参考前述实施例，这里不再赘述。
选择合适的时间窗口，例如设时间窗口look_back＝3，即每3个时间步的输入对应1个输出。时间窗口的值可根据实际情况进行调整；设预测步数predict_step＝1，即预测目的是预测下一时刻的流量。预测步数的值也可以设置为其他数值，表示可预测未来连续多个时刻的流量。构建用于训练的输入数据和标签，将时间序列问题转换成监督学习问题。例如，输入为[L0(t-1),LC1(t-1),LC2(t-1),…,LCi(t-1),L0(t-2),LC1(t-2),LC2(t-2),…,LCi(t-2),L0(t-3),LC1(t-3),LC2(t-3),…,LCi(t-3)]，包括LC1、LC2、LC3、LCi与L0在t-1、t-2、t-3时刻的流量；标签为L0(t)，表示L0在t时刻的流量。
构建LSTM网络，包括LSTM层和全连接层。LSTM网络的神经元数例如设置为60，该数值可根据实际情况调整；全连接层的神经元个数对应预测步数，例如当预测步数为1时，全连接层的神经元个数也设置为1。将输入和标签的数据再改造成[样本数量,时间窗口,特征数量]的格式，并将改造后的数据划分成两部分，其中，2/3为训练数据，1/3为用于测试的数据。根据测试数据的误差，可以调整LSTM网络的超参数、层数、神经元个数、训练轮数等参数，使得训练误差和测试误差都收敛到最小，以得到训练后的L0对应的链路的预测模型。然后，采用类似的方法，得到其他链路的预测模型。
用于训练和测试的数据可以随着时间的推移不断进行扩充，以使得预测模型能够更适用于当前的网络场景。
在使用完成训练的预测模型预测网络时，如果发现某一链路的流量预测值是异常值，例如，该流量值与其他有关联链路的流量预测值的变化趋势不同，则认为是异常值，则将异常值替换为异常值对应的链路在异常值发生时刻的相邻时刻的流量均值，或者，将异常值替换为异常值对应的链路在异常值发生时刻的前一时刻的流量值与趋势系数的乘积。
下面参考图2描述本发明网络流量预测装置的实施例。
图2示出了根据本发明一些实施例的网络流量预测装置的结构示意图。如图2所示，该实施例的网络流量预测装置20包括：获取模块210，被配置为获取待测链路的相关链路，相关链路为网络中与待测链路的流量相关性大于预设程度的链路；生成模块220，被配置为根据待测链路及其相关链路在一个或多个历史时刻的流量，生成历史流量序列；预测模块230，被配置为将历史流量序列输入到预先训练的预测模型中，获得预测模型输出的、待测链路在未来时刻的流量。
在一些实施例中，预测模型为LSTM模型。
在一些实施例中，网络流量预测装置20还包括：相关链路确定模块240，被配置为根据网络中两个链路在多个历史时刻中的流量，计算两个链路的流量的相关系数；在两个链路的相关系数大于预设值的情况下，确定两个链路互为相关链路。
在一些实施例中，相关链路确定模块240进一步被配置为计算网络中两个链路在多个历史时刻中的流量的协方差；分别计算两个链路中的每一个在多个历史时刻中的流量的标准差，以获得两个链路对应的标准差的乘积；将协方差除以标准差的乘积获得的结果确定为两个链路的流量的相关系数。
在一些实施例中，网络流量预测装置20还包括：异常值处理模块250，被配置为获得待测链路的相关链路在未来时刻的流量；确定待测链路及其相关链路在未来时刻的流量中的异常值；将异常值替换为异常值对应的链路在异常值发生时刻的相邻时刻的流量均值，或者，将异常值替换为异常值对应的链路在异常值发生时刻的前一时刻的流量值与趋势系数的乘积。趋势系数根据异常值发生时刻，异常值对应的链路以外的其他链路的流量值与前一时刻的流量值之商的平均值确定；或者，趋势系数根据异常值发生时刻的前两个时刻中，异常值对应的链路的在后时刻的流量与在先时刻的流量的商确定。
在一些实施例中，网络流量预测装置20还包括：训练模块260，被配置为根据目标链路及其相关链路在一个或多个时刻的流量，生成用于训练的历史流量序列、作为训练数据，训练数据的标记值为目标链路在一个或多个时刻后的历史时刻的流量；采用多个训练数据对神经网络模型进行训练，获得目标链路对应的预测模型，以便当目标链路为待测链路时，采用目标链路对应的预测模型预测目标链路在未来时刻的流量。
在一些实施例中，网络流量预测装置20还包括：异常值处理模块250，被配置为确定目标链路及其相关链路在一个或多个时刻的流量中的异常值；将异常值替换为异常值对应的链路在异常值发生时刻的相邻时刻的流量均值，或者，将异常值替换为异常值对应的链路在异常值发生时刻的前一时刻的流量值与趋势系数的乘积。趋势系数根据异常值发生时刻，异常值对应的链路以外的其他链路的流量值与前一时刻的流量值之商的平均值确定；或者，趋势系数根据异常值发生时刻的前两个时刻中，异常值对应的链路的在后时刻的流量与在先时刻的流量的商确定。
在一些实施例中，异常值是根据每个链路的流量的变化趋势确定的。
图3示出了根据本发明另一些实施例的网络流量预测装置的结构示意图。如图3所示，该实施例的网络流量预测装置30包括：存储器310以及耦接至该存储器310的处理器320，处理器320被配置为基于存储在存储器310中的指令，执行前述任意一个实施例中的网络流量预测方法。
其中，存储器310例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。
图4示出了根据本发明又一些实施例的网络流量预测装置的结构示意图。如图4所示，该实施例的网络流量预测装置40包括：存储器410以及处理器420，还可以包括输入输出接口430、网络接口440、存储接口450等。这些接口430，440，450以及存储器410和处理器420之间例如可以通过总线460连接。其中，输入输出接口430为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口440为各种联网设备提供连接接口。存储接口450为SD卡、U盘等外置存储设备提供连接接口。
本发明的实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现前述任意一种网络流量预测方法。
本领域内的技术人员应当明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (11)
1.一种网络流量预测方法，包括：
获取待测链路的相关链路，其中，所述相关链路为网络中与所述待测链路的流量相关性大于预设程度的链路；
根据待测链路及其相关链路在一个或多个历史时刻的流量，生成历史流量序列；
将所述历史流量序列输入到预先训练的预测模型中，获得所述预测模型输出的、所述待测链路在未来时刻的流量。
2.根据权利要求1所述的网络流量预测方法，其中，所述预测模型为长短记忆网络模型。
3.根据权利要求1所述的网络流量预测方法，还包括：
根据网络中两个链路在多个历史时刻中的流量，计算所述两个链路的流量的相关系数；
在所述两个链路的相关系数大于预设值的情况下，确定所述两个链路互为相关链路。
4.根据权利要求3所述的网络流量预测方法，其中，所述根据网络中两个链路在多个历史时刻中的流量，计算所述两个链路的流量的相关系数包括：
计算网络中两个链路在多个历史时刻中的流量的协方差；
分别计算所述两个链路中的每一个在多个历史时刻中的流量的标准差，以获得所述两个链路对应的标准差的乘积；
将所述协方差除以所述标准差的乘积获得的结果确定为所述两个链路的流量的相关系数。
5.根据权利要求1所述的网络流量预测方法，还包括：
获得所述待测链路的相关链路在未来时刻的流量；
确定所述待测链路及其相关链路在未来时刻的流量中的异常值；
将所述异常值替换为所述异常值对应的链路在异常值发生时刻的相邻时刻的流量均值，或者，将所述异常值替换为所述异常值对应的链路在异常值发生时刻的前一时刻的流量值与趋势系数的乘积；
其中，所述趋势系数根据异常值发生时刻，所述异常值对应的链路以外的其他链路的流量值与前一时刻的流量值之商的平均值确定；或者，所述趋势系数根据异常值发生时刻的前两个时刻中，所述异常值对应的链路的在后时刻的流量与在先时刻的流量的商确定。
6.根据权利要求1所述的网络流量预测方法，还包括：
根据目标链路及其相关链路在一个或多个时刻的流量，生成用于训练的历史流量序列、作为训练数据，其中，所述训练数据的标记值为所述目标链路在所述一个或多个时刻后的历史时刻的流量；
采用多个训练数据对神经网络模型进行训练，获得所述目标链路对应的预测模型，以便当所述目标链路为待测链路时，采用所述目标链路对应的预测模型预测所述目标链路在未来时刻的流量。
7.根据权利要求6所述的网络流量预测方法，还包括：
确定目标链路及其相关链路在一个或多个时刻的流量中的异常值；
将所述异常值替换为所述异常值对应的链路在异常值发生时刻的相邻时刻的流量均值，或者，将所述异常值替换为所述异常值对应的链路在异常值发生时刻的前一时刻的流量值与趋势系数的乘积；
其中，所述趋势系数根据异常值发生时刻，所述异常值对应的链路以外的其他链路的流量值与前一时刻的流量值之商的平均值确定；或者，所述趋势系数根据异常值发生时刻的前两个时刻中，所述异常值对应的链路的在后时刻的流量与在先时刻的流量的商确定。
8.根据权利要求5或7所述的网络流量预测方法，还包括：
根据每个链路的流量的变化趋势确定异常值。
9.一种网络流量预测装置，包括：
获取模块，被配置为获取待测链路的相关链路，其中，所述相关链路为网络中与所述待测链路的流量相关性大于预设程度的链路；
生成模块，被配置为根据待测链路及其相关链路在一个或多个历史时刻的流量，生成历史流量序列；
预测模块，被配置为将所述历史流量序列输入到预先训练的预测模型中，获得所述预测模型输出的、所述待测链路在未来时刻的流量。
10.一种网络流量预测装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如权利要求1～8中任一项所述的网络流量预测方法。
11.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1～8中任一项所述的网络流量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911246779.4A CN113037577B (zh) | 2019-12-09 | 2019-12-09 | 网络流量预测方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911246779.4A CN113037577B (zh) | 2019-12-09 | 2019-12-09 | 网络流量预测方法、装置和计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113037577A true CN113037577A (zh) | 2021-06-25 |
| CN113037577B CN113037577B (zh) | 2023-03-24 |
Family
ID=76450781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911246779.4A Active CN113037577B (zh) | 2019-12-09 | 2019-12-09 | 网络流量预测方法、装置和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113037577B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114071636A (zh) * | 2021-10-28 | 2022-02-18 | 浪潮通信信息系统有限公司 | 链路分配方法及装置 |
| CN115022210A (zh) * | 2022-07-26 | 2022-09-06 | 中国银行股份有限公司 | 一种网络流量预测模型的构建方法、预测方法及装置 |
| CN115412451A (zh) * | 2022-08-04 | 2022-11-29 | 浪潮通信信息系统有限公司 | 一种基于融合模型的互联网链路利用率的预测方法 |
| CN115460124A (zh) * | 2022-09-05 | 2022-12-09 | 中国银行股份有限公司 | 跨机房传输链路优化的方法、装置、设备和存储介质 |
| CN115802366A (zh) * | 2023-02-13 | 2023-03-14 | 网络通信与安全紫金山实验室 | 网络流量预测方法、装置、计算机设备和介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103747477A (zh) * | 2014-01-15 | 2014-04-23 | 广州杰赛科技股份有限公司 | 网络流量分析与预测方法和装置 |
| CN104717106A (zh) * | 2015-03-04 | 2015-06-17 | 贵州电网公司信息通信分公司 | 一种基于多变量序贯分析的分布式网络流量异常检测方法 |
| US20180137412A1 (en) * | 2016-11-16 | 2018-05-17 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
| CN109842563A (zh) * | 2017-11-24 | 2019-06-04 | 中国电信股份有限公司 | 内容分发网络流量调度方法、装置和计算机可读存储介质 |
| CN109921950A (zh) * | 2019-03-28 | 2019-06-21 | 北京奇艺世纪科技有限公司 | 一种网络带宽需求预测方法、装置及电子设备 |
| US20190319868A1 (en) * | 2019-06-25 | 2019-10-17 | Intel Corporation | Link performance prediction technologies |
| CN110351123A (zh) * | 2019-06-19 | 2019-10-18 | 新华三大数据技术有限公司 | 链路流量预测方法、装置及电子设备 |
| CN110460622A (zh) * | 2019-09-12 | 2019-11-15 | 贵州电网有限责任公司 | 一种基于态势感知预测方法的网络异常检测方法 |
-
2019
- 2019-12-09 CN CN201911246779.4A patent/CN113037577B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103747477A (zh) * | 2014-01-15 | 2014-04-23 | 广州杰赛科技股份有限公司 | 网络流量分析与预测方法和装置 |
| CN104717106A (zh) * | 2015-03-04 | 2015-06-17 | 贵州电网公司信息通信分公司 | 一种基于多变量序贯分析的分布式网络流量异常检测方法 |
| US20180137412A1 (en) * | 2016-11-16 | 2018-05-17 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
| CN109842563A (zh) * | 2017-11-24 | 2019-06-04 | 中国电信股份有限公司 | 内容分发网络流量调度方法、装置和计算机可读存储介质 |
| CN109921950A (zh) * | 2019-03-28 | 2019-06-21 | 北京奇艺世纪科技有限公司 | 一种网络带宽需求预测方法、装置及电子设备 |
| CN110351123A (zh) * | 2019-06-19 | 2019-10-18 | 新华三大数据技术有限公司 | 链路流量预测方法、装置及电子设备 |
| US20190319868A1 (en) * | 2019-06-25 | 2019-10-17 | Intel Corporation | Link performance prediction technologies |
| CN110460622A (zh) * | 2019-09-12 | 2019-11-15 | 贵州电网有限责任公司 | 一种基于态势感知预测方法的网络异常检测方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114071636A (zh) * | 2021-10-28 | 2022-02-18 | 浪潮通信信息系统有限公司 | 链路分配方法及装置 |
| CN115022210A (zh) * | 2022-07-26 | 2022-09-06 | 中国银行股份有限公司 | 一种网络流量预测模型的构建方法、预测方法及装置 |
| CN115412451A (zh) * | 2022-08-04 | 2022-11-29 | 浪潮通信信息系统有限公司 | 一种基于融合模型的互联网链路利用率的预测方法 |
| CN115460124A (zh) * | 2022-09-05 | 2022-12-09 | 中国银行股份有限公司 | 跨机房传输链路优化的方法、装置、设备和存储介质 |
| CN115460124B (zh) * | 2022-09-05 | 2024-03-01 | 中国银行股份有限公司 | 跨机房传输链路优化的方法、装置、设备和存储介质 |
| CN115802366A (zh) * | 2023-02-13 | 2023-03-14 | 网络通信与安全紫金山实验室 | 网络流量预测方法、装置、计算机设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113037577B (zh) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113037577B (zh) | 网络流量预测方法、装置和计算机可读存储介质 | |
| CN110490717B (zh) | 基于用户会话及图卷积神经网络的商品推荐方法及系统 | |
| US11521221B2 (en) | Predictive modeling with entity representations computed from neural network models simultaneously trained on multiple tasks | |
| JP6609050B2 (ja) | 時間的因果グラフにおける異常フュージョン | |
| US7107187B1 (en) | Method for modeling system performance | |
| CN111027686B (zh) | 一种滑坡位移的预测方法、装置及设备 | |
| US20150356421A1 (en) | Method for Learning Exemplars for Anomaly Detection | |
| Yuan et al. | Persistency of excitation and performance of deterministic learning | |
| Singh et al. | Software effort estimation by genetic algorithm tuned parameters of modified constructive cost model for nasa software projects | |
| KR102038703B1 (ko) | 동적 전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법 및 그 시스템 | |
| US20230316720A1 (en) | Anomaly detection apparatus, anomaly detection method, and program | |
| JP6631540B2 (ja) | 情報処理システム、変化点検出方法、およびプログラム | |
| Muntwiler et al. | Learning-based moving horizon estimation through differentiable convex optimization layers | |
| CN110490132B (zh) | 数据处理方法和装置 | |
| CN115130894A (zh) | 基于人工智能的生产规划方法、装置、计算机设备及介质 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN113825165A (zh) | 基于时间图网络的5g切片网络拥塞预警方法及装置 | |
| CN112529218A (zh) | 一种基于关联分析的建筑物安全检测方法及系统 | |
| Kuhi et al. | Using probabilistic models for missing data prediction in network industries performance measurement systems | |
| CN111108738B (zh) | 数据处理设备、数据分析设备、数据处理系统和用于处理数据的方法 | |
| Kirschenmann et al. | Decision dependent stochastic processes | |
| CN109711555A (zh) | 一种预测深度学习模型单轮迭代时间的方法和系统 | |
| KR101878320B1 (ko) | 통신 시스템에서 장애 예측 장치 및 방법 | |
| Shao et al. | Self-Adaptive Anomaly Detection With Deep Reinforcement Learning and Topology | |
| KR101328466B1 (ko) | 객체 움직임 예측을 위한 컴퓨터로 구현된 계층적 시간적 메모리 네트워크에서의 마르코프 모델의 입력 제공방법 및 이를 이용한 움직임 예측 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210625 Assignee: Tianyiyun Technology Co.,Ltd. Assignor: CHINA TELECOM Corp.,Ltd. Contract record no.: X2024110000020 Denomination of invention: Network traffic prediction methods, devices, and computer-readable storage media Granted publication date: 20230324 License type: Common License Record date: 20240315 |