CN113469415B - 一种网络流量预测方法和计算机设备 - Google Patents
一种网络流量预测方法和计算机设备 Download PDFInfo
- Publication number
- CN113469415B CN113469415B CN202110631952.3A CN202110631952A CN113469415B CN 113469415 B CN113469415 B CN 113469415B CN 202110631952 A CN202110631952 A CN 202110631952A CN 113469415 B CN113469415 B CN 113469415B
- Authority
- CN
- China
- Prior art keywords
- flow
- training
- group
- network
- original
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种网络流量预测方法和计算机设备,网络流量预测方法应用于预测模型,预测模型包括:图卷积‑自注意力模块、全连接层和激活层,网络流量预测方法包括:获取网络流量,确定预处理流量组;将预处理流量组输入图卷积‑自注意力模块得到目标流量特征组;将目标流量特征组输入全连接层得到融合流量特征;基于激活层和融合流量特征确定预测结果。本发明中的图卷积‑自注意力模块,可以提取复杂多变的网络流量数据的空间特征,计算网络流量特征权重,解决网络流量不同数据之间的相互影响力不同的问题,较大地提升网络流量预测的准确率,也就是说,通过图卷积‑自注意力模块可以对非线性的复杂动态网络流量进行预测,并且准确率高。
Description
技术领域
本申请涉及网络流量处理领域,特别是涉及一种网络流量预测方法和计算机设备。
背景技术
随着5G时代的到来,网络结构愈发复杂,网络流量迅猛增长,这为网络服务的维持带来了巨大的挑战。因此,为了有效地维护网络,合理的分配网络资源,适度地控制用户流量,预防网络拥堵,网络流量的预测愈发重要。
目前对网络流量的预测大概有两类,一是线性模型,如差分自回归滑动平均模型、自回归滑动平均模型、移动平均模型等,但是随着网络数据的复杂化,其特性偏离了早期学者所认为的高斯分布、泊松分布等,所以这些线性模型已经无法准确预测当今非线性且复杂的动态网络流量序列,二是近些年流行的非线性模型,如支持向量机模型具有不错的泛化能力,但其缺少结构化的方法,导致某些模型某些关键参数不能确定,对预测准确率有一定的影响。现有的网络流量预测方法应用于预测非线性且复杂的动态网络流量时,准确率低。
因此,现有技术有待改进。
发明内容
本发明所要解决的技术问题是,现有的网络流量预测方法应用于预测非线性且复杂的动态网络流量时,准确率低。本发明提出了一种网络流量预测方法和计算机设备,所述网络流量预测方法应用于预测模型,预测模型包括图卷积-自注意力模块,通过图卷积-自注意力模块可以对非线性的复杂动态网络流量进行预测,并且准确率高。
第一方面,本发明实施例提供了一种网络流量预测方法,应用于预测模型,所述预测模型包括:图卷积-自注意力模块、全连接层和激活层;所述网络流量预测方法包括:
获取网络流量,并对所述网络流量进行预处理,得到预处理流量组;
将所述预处理流量组输入所述图卷积-自注意力模块,得到目标流量特征组;
将所述目标流量特征组输入所述全连接层,得到融合流量特征;
基于所述激活层和所述融合流量特征确定预测结果。
作为进一步的改进技术方案,所述对所述网络流量进行预处理,得到预处理流量组,具体包括:
对所述网络流量进行归一化处理,得到归一化流量;
利用滑动窗口确定所述归一化流量对应的多个预处理流量,其中,所述滑动窗口的长度为预设长度;
根据所述多个预处理流量得到预处理流量组。
作为进一步的改进技术方案,所述对所述网络流量进行归一化处理,得到归一化流量具体包括:
确定所述网络流量对应的最大值和最小值;
计算所述网络流量与所述最大值之间的第一差值,计算所述最大值和所述最小值之间的第二差值;
将所述第一差值和所述第二差值之间的比值作为归一化流量。
作为进一步的改进技术方案,所述图卷积-自注意力模块包括:图卷积模块和自注意力模块;所述将所述预处理流量组输入所述图卷积-自注意力模块,得到目标流量特征组,具体包括:
将所述预处理流量组输入所述图卷积模块,得到初始流量特征组;
将所述初始流量特征组输入所述自注意力模块,得到目标流量特征组。
作为进一步的改进技术方案,所述基于所述激活层和所述融合流量特征确定预测结果,具体包括:
将所述融合流量特征输入所述激活层,得归一化结果;
将所述归一化结果进行反归一化处理,得到预测结果。
作为进一步的改进技术方案,基于训练数据集对所述预设模型进行训练得到所述预测模型,所述预设模型包括:初始图卷积-自注意力模块、初始全连接层和初始激活层。
作为进一步的改进技术方案,所述基于训练数据集对所述预设模型进行训练得到的所述预测模型,具体包括:
确定训练数据集,所述训练数据集包括多个训练子集,每个训练子集包括一个训练网络流量组,以及该训练网络流量组对应的标签组;
将训练数据集中的训练网络流量组输入所述初始图卷积-自注意力模块,得到训练目标流量特征组;
将所述训练目标流量特征组输入所述初始全连接层,得到训练融合流量特征;
将所述训练融合流量特征输入所述初始激活层,得到训练预测结果;
基于所述训练网络流量组对应的所述训练预测结果,以及所述训练网络流量组对应的标签组确定损失函数值,基于所述损失函数值修改所述预设模型的模型参数,并继续执行所述将训练数据集中的训练网络流量组输入所述初始图卷积-自注意力模块的步骤,直至满足预设训练条件,得到预测模型。
作为进一步的改进技术方案,所述确定训练数据集包括:
获取多个原始网络流量;
对于每个原始网络流量,对该原始网络流量进行归一化处理,得到原始归一化流量,利用预设长度的滑动窗口确定所述原始归一化流量对应的多个原始预处理流量,对于每个原始预处理流量,将所述原始归一化流量中所述原始预处理流量的后一数据作为该原始预处理流量对应的标签,根据该原始网络流量对应的多个原始预处理流量,确定该原始网络流量对应训练网络流量组,根据每个原始预处理流量对应的标签确定该原始网络流量对应的标签组;
根据每个原始网络流量各自分别对应的训练网络流量组和标签组确定训练数据集。
第二方面,本发明提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取网络流量,并对所述网络流量进行预处理,得到预处理流量组;
将所述预处理流量组输入所述图卷积-自注意力模块,得到目标流量特征组;
将所述目标流量特征组输入所述全连接层,得到融合流量特征;
基于所述激活层和所述融合流量特征确定预测结果。
第三方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取网络流量,并对所述网络流量进行预处理,得到预处理流量组;
将所述预处理流量组输入所述图卷积-自注意力模块,得到目标流量特征组;
将所述目标流量特征组输入所述全连接层,得到融合流量特征;
基于所述激活层和所述融合流量特征确定预测结果。
与现有技术相比,本发明实施例具有以下优点:
在本发明实施例中,获取网络流量,并对所述网络流量进行预处理,得到预处理流量组;将所述预处理流量组输入所述图卷积-自注意力模块,得到目标流量特征组;将所述目标流量特征组输入所述全连接层,得到融合流量特征;基于所述激活层和所述融合流量特征确定预测结果。本发明提出的网络流量预测方法应用于预测模型,预测模型包括图卷积-自注意力模块,通过图卷积-自注意力模块,可以提取复杂多变的网络流量数据的空间特征,得到更精确的特征表达,计算网络流量特征权重,解决网络流量不同数据之间的相互影响力不同的问题,较大地提升网络流量预测的准确率,也就是说,通过图卷积-自注意力模块可以对非线性的复杂动态网络流量进行预测,并且准确率高。
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中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种网络流量预测方法的流程示意图;
图2为本发明实施例中一种计算机设备的内部结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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、完整的描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
发明人经过研究发现,随着5G时代的到来,网络结构愈发复杂,网络流量迅猛增长,这为网络服务的维持带来了巨大的挑战。因此,为了有效地维护网络,合理的分配网络资源,适度地控制用户流量,预防网络拥堵,网络流量的预测愈发重要。
目前对网络流量的预测大概有两类,一是线性模型,如差分自回归滑动平均模型、自回归滑动平均模型、移动平均模型等,但是随着网络数据的复杂化,其特性偏离了早期学者所认为的高斯分布、泊松分布等,所以这些线性模型已经无法准确预测当今非线性且复杂的动态网络流量序列,二是近些年流行的非线性模型,如支持向量机模型具有不错的泛化能力,但其缺少结构化的方法,导致某些模型某些关键参数不能确定,对预测准确率有一定的影响。此外还有灰色理论模型,其可以由少量样本进行预测,并能取得较高精度的预测效果,但是由于缺少并行计算的能力,系统的轻微变化可能导致较大的误差。混沌理论模型作为非线性模型的一种,主要应用于分析网络流量的自相似特征,但其计算需要较多的存储空间,且运算周期长。总的来说,现有的网络流量预测方法应用于预测非线性且复杂的动态网络流量时,准确率低。
为了解决上述问题,本发明获取网络流量,并对所述网络流量进行预处理,得到预处理流量组;将所述预处理流量组输入所述图卷积-自注意力模块,得到目标流量特征组;将所述目标流量特征组输入所述全连接层,得到融合流量特征;基于所述激活层和所述融合流量特征确定预测结果。本发明提出的网络流量预测方法应用于预测模型,预测模型包括图卷积-自注意力模块,通过图卷积-自注意力模块,可以提取复杂多变的网络流量数据的空间特征,得到更精确的特征表达,计算网络流量特征权重,解决网络流量不同数据之间的相互影响力不同的问题,较大地提升网络流量预测的准确率,也就是说,通过图卷积-自注意力模块可以对非线性的复杂动态网络流量进行预测,并且准确率高。
本发明提供的一种网络流量预测方法可以应用于预测模型,也就是说通过预测模型实现所述网络流量预测方法,所述预测模型包括:图卷积-自注意力模块、全连接层和激活层。所述预测模型可以转移到电子设备中使用,所述电子设备可以以各种形式来实现,例如,PC机、服务器、手机、平板电脑、掌上电脑、个人数字助理(Personal DigitalAssistant,PDA)等。另外,该方法所实现的功能可以通过电子设备中的处理器调用程序代码来实现,当然程序代码可以保存在计算机存储介质中,可见,所述电子设备至少包括处理器和存储介质。
下面结合附图,详细说明本发明的各种非限制性实施方式。
参见图1,示出了本发明实施例中的一种网络流量预测方法,包括以下步骤:
S1、获取网络流量,并对所述网络流量进行预处理,得到预处理流量组。
在本发明实施例中,所述预处理包括:对网络流量进行归一化处理,将归一化处理后的网络流量划分为多个预处理流量,得到预处理流量组。具体的,对所述网络流量进行预处理,得到预处理流量组,包括:对所述网络流量进行归一化处理,得到归一化流量;利用滑动窗口确定所述归一化流量对应的多个预处理流量,其中,所述滑动窗口的长度为预设长度;根据所述多个预处理流量得到预处理流量组。
在本发明实施例中,所述对所述网络流量进行归一化处理,得到归一化流量具体包括:确定所述网络流量对应的最大值和最小值;计算所述网络流量与所述最大值之间的第一差值,计算所述最大值和所述最小值之间的第二差值;将所述第一差值和所述第二差值之间的比值作为归一化流量。
归一化处理可以通过公式(1)表示。
其中,x′是归一化流量,x是网络流量,xmin是最小值,xmax是最大值。公式(1)中x-xmin是第一差值,xmax-xmin是第二差值。
在本发明实施例中,设定所述预设长度为a,表示预处理流量包括a个数据。所述预处理流量组表示为:X={X1,X2,…,Xn},X1,X2,…,Xn均为长度为a的预处理流量。
S2、将所述预处理流量组输入所述图卷积-自注意力模块,得到目标流量特征组。
在本发明实施例中,所述图卷积-自注意力模块包括图卷积模块和自注意力模块。构建图卷积模块,由于空间上的不同的节点对某一节点的影响力存在差别,使用图卷积模块挖掘不同流量节点之间存在的复杂关系,提取网络流量的空间特征。构建自注意力模块,由于网络流量的生成会受到其他节点所影响,使用自注意力模块计算每个节点特征的权重,用以提升网络流量预测的精度。
具体的,步骤S2包括:
S21、将所述预处理流量组输入所述图卷积模块,得到初始流量特征组。
在本发明实施例中,所述预处理流量组包括多个预处理流量,将预处理流量输入所述图卷积模块,得到该预处理流量对应的初始流量特征;根据多个预处理流量各自分别对应的初始流量特征得到初始流量特征组。
在本发明实施例中,步骤S21的过程通过如公式(2)所示的卷积公式表示。
其中,Xα是图卷积模块提取出的网络流量每个节点的空间特征,即初始流量特征,A是邻接矩阵,I是单位矩阵,W是权重矩阵,D是度矩阵,σ是激活函数。
S22、将所述初始流量特征组输入所述自注意力模块,得到目标流量特征组。
在本发明实施例中,对于每个初始流量特征,将初始流量特征输入自注意力模块,得到该初始流量特征对应的目标流量特征。根据多个初始流量特征各自分别对应的目标流量特征得到目标流量特征组。
在本发明实施例中,自注意力模块计算每个节点特征的权重,自注意力模块使用公式(3)计算权重。
r=Xα×(softmax(PTtanh (Xα)))T (3)
其中,r是分配了权重后的网络流量特征,P是可供训练的参数向量,PT是P的转置。
在本发明实施例中,使用tanh激活函数得到网络流量特征的最终表示,即得到目标流量特征。如公式(4)所示。
Xβ=tanh (r) (4)
其中,Xβ是目标流量特征。
S3、将所述目标流量特征组输入所述全连接层,得到融合流量特征。
在本发明实施例中,使用全连接层用于融合目标流量特征组中的各目标流量特征,得到融合流量特征。
S4、基于所述激活层和所述融合流量特征确定预测结果。
在本发明实施例中,将所述融合流量特征输入所述激活层,得归一化结果;将所述归一化结果进行反归一化处理,得到预测结果。具体的,所述激活层利用softmax函数处理所述融合流量,得到归一化结果;由于在预处理所述网络流量时进行了归一化处理,因此对归一化结果进行反归一化处理,可以得到预测结果。反归一化处理如公式(5)所示。
Y=YP(Ymax-Ymin)+Ymin (5)
其中,Y是预测结果,YP是归一化结果,Ymax是归一化结果对应的最大值,Ymin是归一化结果对应的最小值。
接下来介绍所述预测模型的训练过程。
基于训练数据集对所述预设模型进行训练得到所述预测模型,所述预设模型包括:初始图卷积-自注意力模块、初始全连接层和初始激活层。具体的,所述初始图卷积-自注意力模块的结构与所述图卷积-自注意力模块的结构相同,所述初始全连接层的结构和所述全连接层的结构相同,所述初始激活层的结构和所述激活层的结构相同。
在本发明实施例中,所述基于训练数据集对所述预设模型进行训练得到的所述预测模型,具体包括:
M1、确定训练数据集,所述训练数据集包括多个训练子集,每个训练子集包括一个训练网络流量组,以及该训练网络流量组对应的标签组。
在本发明实施例中,所述确定训练数据集包括:获取多个原始网络流量;对于每个原始网络流量,对该原始网络流量进行归一化处理,得到原始归一化流量,利用预设长度的滑动窗口确定所述原始归一化流量对应的多个原始预处理流量,对于每个原始预处理流量,将所述原始归一化流量中所述原始预处理流量的后一数据作为该原始预处理流量对应的标签,根据该原始网络流量对应的多个原始预处理流量,确定该原始网络流量对应训练网络流量组,根据每个原始预处理流量对应的标签确定该原始网络流量对应的标签组;根据每个原始网络流量各自分别对应的训练网络流量组和标签组确定训练数据集。
在本发明实施例中,对训练网络流量进行预处理得到训练网络流量组的过程,与步骤S1中对网络流量进行预处理的过程相同,因此,对训练网络流量预处理得到训练网络流量组的过程,可以参考步骤S1的说明。
在本发明实施例中,所述标签组中包括多个标签,所述多个标签与所述多个原始预处理流量一一对应;对于一个原始预处理流量,将该原始预处理流量在其对应的原始归一化流量中的后一数据作为该原始预处理流量的标签。
例如,设定滑动窗口的预设长度为a,利用滑动窗口确定的多个原始预处理流量均包括a个数据,Y1为一个原始预处理流量,该原始预处理流量的标签为原始归一化流量中,位于Y1后一位的数据,若Y1的最后一个数据,是原始归一化流量中第a个数据,则Y1的标签是原始归一化流量中第a+1个数据。
预测网络流量是确定网络流量的下一数据,原始预处理流量的标签用于反映该原始预处理流量的下一数据,因此,原始预处理流量的标签也是原始预处理流量的真实预测数据。
M2、将训练数据集中的训练网络流量组输入所述初始图卷积-自注意力模块,得到训练目标流量特征组;
M3、将所述训练目标流量特征组输入所述初始全连接层,得到训练融合流量特征;
M4、将所述训练融合流量特征输入所述初始激活层,得到训练预测结果。
在本发明实施例中,步骤M2的过程与上文步骤S2的过程相同,因此,步骤M2的详细介绍可以参考上文步骤S2的说明;同样的,步骤M3的过程与上文步骤S3的过程相同,因此,步骤M3的详细介绍可以参考上文步骤S3的说明。步骤M3中,初始全连接层用于融合所述训练目标流量特征组中的多个训练目标流量特征,得到训练融合流量特征。所述初始激活层采用softmax函数处理所述训练融合流量特征,得到训练预测结果。
M5、基于所述训练网络流量组对应的所述训练预测结果,以及所述训练网络流量组对应的标签组确定损失函数值,基于所述损失函数值修改所述预设模型的模型参数,并继续执行所述将训练数据集中的训练网络流量组输入所述初始图卷积-自注意力模块的步骤,直至满足预设训练条件,得到预测模型。
在本发明实施例中,根据所述训练预测结果和所述标签组进行对比计算准确率,利用交叉熵损失函数调整所述预设模型的模型参数,对预设模型反向传播进行训练,并使用Adam优化算法对网络进行优化。
具体的,将所述训练预测结果记为Ypre,所述训练预测结果包括多个训练预测数据,所述多个训练预测数据与所述多个训练网络流量一一对应,所述多个训练预测数据与所述多个标签一一对应。对于每个训练预测数据,根据该训练预测数据和该训练预测数据对应的标签,确定准确率,再根据每个训练预测数据各自对应的准确率确定损失函数值。如公式(6)所示。
在本发明实施例中,每修改一次预设模型的模型参数,则完成一次训练,所述预设训练条件包括训练次数达到预设次数,或者预设模型收敛。当训练满足预设训练条件时,得到预测模型。
为了解决上述问题,本发明获取网络流量,并对所述网络流量进行预处理,得到预处理流量组;将所述预处理流量组输入所述图卷积-自注意力模块,得到目标流量特征组;将所述目标流量特征组输入所述全连接层,得到融合流量特征;基于所述激活层和所述融合流量特征确定预测结果。本发明提出的网络流量预测方法应用于预测模型,预测模型包括图卷积-自注意力模块,通过图卷积-自注意力模块,可以提取复杂多变的网络流量数据的空间特征,得到更精确的特征表达,计算网络流量特征权重,解决网络流量不同数据之间的相互影响力不同的问题,较大地提升网络流量预测的准确率,也就是说,通过图卷积-自注意力模块可以对非线性的复杂动态网络流量进行预测,并且准确率高。
本发明实施例还提供了一种计算机设备,该设备可以是终端,内部结构如图2所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种网络流量预测方法或一种地图艺术化方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图2所示的仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本发明实施例还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取网络流量,并对所述网络流量进行预处理,得到预处理流量组;
将所述预处理流量组输入所述图卷积-自注意力模块,得到目标流量特征组;
将所述目标流量特征组输入所述全连接层,得到融合流量特征;
基于所述激活层和所述融合流量特征确定预测结果。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取网络流量,并对所述网络流量进行预处理,得到预处理流量组;
将所述预处理流量组输入所述图卷积-自注意力模块,得到目标流量特征组;
将所述目标流量特征组输入所述全连接层,得到融合流量特征;
基于所述激活层和所述融合流量特征确定预测结果。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
Claims (9)
1.一种网络流量预测方法,其特征在于,应用于预测模型,所述预测模型包括:图卷积-自注意力模块、全连接层和激活层;所述网络流量预测方法包括:
获取网络流量,并对所述网络流量进行预处理,得到预处理流量组;将所述预处理流量组输入所述图卷积-自注意力模块,所述图卷积-自注意力模块包括图卷积模块和自注意力模块,得到目标流量特征组,具体为:
将所述预处理流量组输入所述图卷积模块,得到初始流量特征组,将预处理流量输入所述图卷积模块,得到该预处理流量对应的初始流量特征;根据多个预处理流量各自分别对应的初始流量特征得到初始流量特征组,卷积公式表示:
其中,Xα是图卷积模块提取出的网络流量每个节点的空间特征,即初始流量特征,A是邻接矩阵,I是单位矩阵,W是权重矩阵,D是度矩阵,σ是激活函数;
将所述初始流量特征组输入所述自注意力模块,得到目标流量特征组,自注意力模块计算每个节点特征的权重,自注意力模块使用公式(3)计算权重:
r=Xα×(softmax(pTtank(Xα)))T (3)
其中,r是分配了权重后的网络流量特征,P是可供训练的参数向量,PT是P的转置,使用tanh激活函数得到网络流量特征的最终表示,得到目标流量特征:
Xβ=tanh(r) (4)
其中,Xβ是目标流量特征;
将所述目标流量特征组输入所述全连接层,得到融合流量特征;
基于所述激活层和所述融合流量特征确定预测结果。
2.根据权利要求1所述的网络流量预测方法,其特征在于,所述对所述网络流量进行预处理,得到预处理流量组,具体包括:
对所述网络流量进行归一化处理,得到归一化流量;
利用滑动窗口确定所述归一化流量对应的多个预处理流量,其中,所述滑动窗口的长度为预设长度;
根据所述多个预处理流量得到预处理流量组。
3.根据权利要求2所述的网络流量预测方法,其特征在于,所述对所述网络流量进行归一化处理,得到归一化流量,具体包括:
确定所述网络流量对应的最大值和最小值;
计算所述网络流量与所述最大值之间的第一差值,计算所述最大值和所述最小值之间的第二差值;
将所述第一差值和所述第二差值之间的比值作为归一化流量。
4.根据权利要求1所述的网络流量预测方法,其特征在于,所述基于所述激活层和所述融合流量特征确定预测结果,具体包括:
将所述融合流量特征输入所述激活层,得归一化结果;
将所述归一化结果进行反归一化处理,得到预测结果。
5.根据权利要求1至4中任意一项所述的网络流量预测方法,其特征在于,基于训练数据集对预设模型进行训练得到所述预测模型,所述预设模型包括:初始图卷积-自注意力模块、初始全连接层和初始激活层。
6.根据权利要求5所述的网络流量预测方法,其特征在于,所述基于训练数据集对预设模型进行训练得到的所述预测模型,具体包括:
确定训练数据集,所述训练数据集包括多个训练子集,每个训练子集包括一个训练网络流量组,以及该训练网络流量组对应的标签组;
将训练数据集中的训练网络流量组输入所述初始图卷积-自注意力模块,得到训练目标流量特征组;
将所述训练目标流量特征组输入所述初始全连接层,得到训练融合流量特征;
将所述训练融合流量特征输入所述初始激活层,得到训练预测结果;基于所述训练网络流量组对应的所述训练预测结果,以及所述训练网络流量组对应的标签组确定损失函数值,基于所述损失函数值修改所述预设模型的模型参数,并继续执行所述将训练数据集中的训练网络流量组输入所述初始图卷积-自注意力模块的步骤,直至满足预设训练条件,得到预测模型。
7.根据权利要求6所述的网络流量预测方法,其特征在于,所述确定训练数据集包括:
获取多个原始网络流量;
对于每个原始网络流量,对该原始网络流量进行归一化处理,得到原始归一化流量,利用预设长度的滑动窗口确定所述原始归一化流量对应的多个原始预处理流量,对于每个原始预处理流量,将所述原始归一化流量中所述原始预处理流量的后一数据作为该原始预处理流量对应的标签,根据该原始网络流量对应的多个原始预处理流量,确定该原始网络流量对应训练网络流量组,根据每个原始预处理流量对应的标签确定该原始网络流量对应的标签组;
根据每个原始网络流量各自分别对应的训练网络流量组和标签组确定训练数据集。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任意一项所述的网络流量预测方法。
9.一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,所述计算机程序被处理器执行时实现权利要求1至7中任意一项所述的网络流量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110631952.3A CN113469415B (zh) | 2021-06-07 | 2021-06-07 | 一种网络流量预测方法和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110631952.3A CN113469415B (zh) | 2021-06-07 | 2021-06-07 | 一种网络流量预测方法和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469415A CN113469415A (zh) | 2021-10-01 |
CN113469415B true CN113469415B (zh) | 2023-04-07 |
Family
ID=77868671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110631952.3A Active CN113469415B (zh) | 2021-06-07 | 2021-06-07 | 一种网络流量预测方法和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469415B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110995520A (zh) * | 2020-02-28 | 2020-04-10 | 清华大学 | 网络流量预测方法、装置、计算机设备及可读存储介质 |
CN111292195A (zh) * | 2020-02-28 | 2020-06-16 | 中国工商银行股份有限公司 | 风险账户的识别方法及装置 |
CN112598080A (zh) * | 2020-12-30 | 2021-04-02 | 广州大学华软软件学院 | 一种基于注意力的宽度图卷积神经网络模型及其训练方法 |
CN112862092A (zh) * | 2021-01-26 | 2021-05-28 | 中山大学 | 一种异构图卷积网络的训练方法、装置、设备和介质 |
-
2021
- 2021-06-07 CN CN202110631952.3A patent/CN113469415B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110995520A (zh) * | 2020-02-28 | 2020-04-10 | 清华大学 | 网络流量预测方法、装置、计算机设备及可读存储介质 |
CN111292195A (zh) * | 2020-02-28 | 2020-06-16 | 中国工商银行股份有限公司 | 风险账户的识别方法及装置 |
CN112598080A (zh) * | 2020-12-30 | 2021-04-02 | 广州大学华软软件学院 | 一种基于注意力的宽度图卷积神经网络模型及其训练方法 |
CN112862092A (zh) * | 2021-01-26 | 2021-05-28 | 中山大学 | 一种异构图卷积网络的训练方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113469415A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110995520B (zh) | 网络流量预测方法、装置、计算机设备及可读存储介质 | |
CN112910710B (zh) | 网络流量时空预测方法、装置、计算机设备和存储介质 | |
CN110162993B (zh) | 脱敏处理方法、模型训练方法、装置和计算机设备 | |
CN113852432B (zh) | 基于rcs-gru模型的频谱预测感知方法 | |
CN112785005B (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
Zhang et al. | DiGA: Population diversity handling genetic algorithm for QoS-aware web services selection | |
CN114492978A (zh) | 一种基于多层注意力机制的时空序列预测方法及设备 | |
CN115618008A (zh) | 账户状态模型构建方法、装置、计算机设备和存储介质 | |
CN113469415B (zh) | 一种网络流量预测方法和计算机设备 | |
CN114338416A (zh) | 一种时空多指标预测方法、装置和存储介质 | |
CN113947185B (zh) | 任务处理网络生成、任务处理方法、装置、电子设备及存储介质 | |
CN114445692B (zh) | 图像识别模型构建方法、装置、计算机设备及存储介质 | |
CN110929118B (zh) | 网络数据处理方法、设备、装置、介质 | |
CN114528491A (zh) | 信息处理方法、装置、计算机设备和存储介质 | |
CN111667028A (zh) | 一种可靠负样本确定方法和相关装置 | |
CN115392594B (zh) | 一种基于神经网络和特征筛选的用电负荷模型训练方法 | |
CN117874619A (zh) | 客服评分模型的构建方法、装置、计算机设备和存储介质 | |
CN118037355A (zh) | 信息点击率预测方法、装置、电子设备及存储介质 | |
CN117172006A (zh) | 基于gcn模型的观点动力学预测方法、装置和设备 | |
CN114358452A (zh) | 用于预测竞争和合作关系的图模型处理方法、装置 | |
CN116611860A (zh) | 基于宽度学习来预测终端换机的方法和系统 | |
CN116343013A (zh) | 图像处理加速方法、装置、计算机设备和存储介质 | |
CN116881122A (zh) | 测试案例生成方法、装置、设备、存储介质和程序产品 | |
CN114626941A (zh) | 信贷违约预测方法、装置、终端设备以及存储介质 | |
CN117390415A (zh) | 预测模型的训练方法、待预测对象的预测方法、系统 |
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 |