CN113726550A - 流量预测方法、装置、计算机设备和可读存储介质 - Google Patents

流量预测方法、装置、计算机设备和可读存储介质 Download PDF

Info

Publication number
CN113726550A
CN113726550A CN202110827455.0A CN202110827455A CN113726550A CN 113726550 A CN113726550 A CN 113726550A CN 202110827455 A CN202110827455 A CN 202110827455A CN 113726550 A CN113726550 A CN 113726550A
Authority
CN
China
Prior art keywords
power grid
grid data
packet
flow
target
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.)
Pending
Application number
CN202110827455.0A
Other languages
English (en)
Inventor
孙磊
王莉
王维
王浩
凌雨诗
张雄威
陈永涛
李锦煊
洪丹轲
张国翊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Southern Power Grid Co Ltd
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
China Mobile Group Guangdong Co Ltd
China Southern Power Grid Co Ltd
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mobile Group Guangdong Co Ltd, China Southern Power Grid Co Ltd, Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical China Mobile Group Guangdong Co Ltd
Priority to CN202110827455.0A priority Critical patent/CN113726550A/zh
Publication of CN113726550A publication Critical patent/CN113726550A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • H04L43/0888—Throughput
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Environmental & Geological Engineering (AREA)
  • Medical Informatics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请涉及一种流量预测方法、装置、计算机设备和可读存储介质，该方法通过获取多个电网数据包，基于深度数据包检测技术，根据多个电网数据包确定目标电网数据；将目标电网数据输入流量预测模型，得到预测的流量。本申请提供的流量预测方法可以实现对网络流量的预测，从而可以实现对网络资源的优化配置。

Description

流量预测方法、装置、计算机设备和可读存储介质
技术领域
本申请涉及通信网络技术领域，特别是涉及一种流量预测方法、装置、计算机设备和可读存储介质。
背景技术
智能电网通过与应用设备的双向交互来分配和管理资源，随着社会和技术的发展，智能电网的用户越来越多，对应的应用设备越来越多。对应用设备管理时会产生大量的需求，并且对于不同的应用设备对资源的需求并非是确定的，即应用设备的各项业务流都有自己的带宽需求、可靠性要求以及延迟容忍度。为此在智能电网中引入了网络切片技术。
在电力业务网络切片技术研究中，网络流量监控是网络管理的基础。对于网络流量监控来说，网络流量分析和预测是非常重要的环节，该环节对于网络资源的优化配置具有重要的意义。然而，传统技术中缺少对网络流量进行预测的方法。
发明内容
基于此，有必要针对上述技术问题，提供一种流量预测方法、装置、计算机设备和可读存储介质。
第一方面，本申请一个实施例提供一种流量预测方法，包括：
获取多个电网数据包，多个电网数据包中存储有不同的电网数据，电网数据包括电网中电力设备的状态检测数据和用户的用电数据；
基于深度数据包检测技术，根据多个电网数据包确定目标电网数据，目标电网数据为预测流量所需的数据；
将目标电网数据输入流量预测模型，得到预测的流量；流量预测模型是根据历史电网数据样本进行训练得到的。
在其中一个实施例中，基于深度数据包检测技术，根据多个电网数据包提取目标电网数据，包括：
基于深度数据包检测技术，从多个电网数据包中提取目标电网数据包；
对目标电网数据包进行解析，得到目标电网数据。
在其中一个实施例中，流量预测方法还包括：
对多个电网数据包进行识别训练，得到每个电网数据包对应的识别码。
在其中一个实施例中，对多个电网数据包进行识别训练，得到每个电网数据包对应的识别码，包括：
从每个电网数据包中提取包特征；
获取包特征的频繁项集，并对频繁项集进行过滤，得到识别信息，识别信息用于识别包特征；
生成识别信息对应的识别码，并将识别信息对应的识别码作为电网数据包对应的识别码。
在其中一个实施例中，基于深度数据包检测技术，从多个电网数据包中提取目标电网数据包，包括：
根据每个电网数据包对应的识别码，确定每个电网数据包的包特征；
基于深度数据包检测技术，根据每个电网数据包的包特征，确定目标包特征，并将目标包特征对应的电网数据包作为目标电网数据包。
在其中一个实施例中，流量预测方法还包括：
根据预测的流量，调整网络参数；网络参数包括网络切片的传输带宽和网络切片的时延。
在其中一个实施例中，流量预测模型包括：电网数据管理控制模块和流量确定模块，将目标电网数据输入流量预测模型得到预测的流量，包括：
将目标电网数据输入电网数据管理控制模块，得到预测的电网数据采集策略；
将预测的电网数据采集策略输入流量确定模块，得到预测的流量。
第二方面，本申请一个实施例提供一种流量预测装置，包括：
电网数据包获取模块，用于获取多个电网数据包，多个电网数据包中存储有不同的电网数据，电网数据包括电网中电力设备的状态检测数据和用户的用电数据；
目标电网数据确定模块，用于基于深度数据包检测技术，根据多个电网数据包确定目标电网数据；
预测的流量确定模块，用于将目标电网数据输入流量预测模型，得到预测的流量。
第三方面，本申请一个实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述任一实施例提供的方法的步骤。
第四方面，本申请一个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，计算机程序被处理器执行时实现上述任一实施例提供的方法的步骤。
本申请实施例提供一种流量预测方法、装置、计算机设备和可读存储介质。该方法通过获取多个电网数据包；基于深度数据包检测技术，根据多个电网数据包确定目标电网数据；将目标电网数据输入流量预测模型，得到预测的流量。本实施例提供的流量预测方法通过获取的电网数据包中的目标电网数据，可以实现对网络流量的预测，从而能够实现对资源的优化配置。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统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申请的一些实施例，对于本领域不同技术人员来讲，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为本申请一个实施例提供的流量预测方法的步骤流程示意图；
图2为本申请一个实施例提供的流量预测方法的步骤流程示意图；
图3为本申请一个实施例提供的流量预测方法的步骤流程示意图；
图4为本申请一个实施例提供的流量预测方法的步骤流程示意图；
图5为本申请一个实施例提供的流量预测方法的步骤流程示意图；
图6为本申请一个实施例提供的流量预测装置的结构示意图；
图7为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似改进，因此本申请不受下面公开的具体实施例的限制。
本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。
智能电网通过于应用设备的双向交互来分配和管理资源，随着设备和技术的发展，智能电网的用户越来越多，对应的应用设备越来越多。对应用设备管理时会产生大量的需求，并且对应不同的应用设备对资源的需求并非是确定的，即应用设备的各项业务流都有自己的带宽需求、可靠性要求以及延迟容忍度等。为此在智能网中引入了5G网络切片技术。5G网络切片包括eMBB切片、mMTC切片和uRLLC切片。其中，eMBB切片的应用场景包括广域覆盖和高用户密集度的热点区域，特点是不需要特别的服务质量保障，需要尽可能大的带宽，实现极致的流量吞吐，并尽可能降低时延，优化目标为最小化物理资源消耗，保证较高的吞吐率。mMTC切片的应用场景主要是海量设备连接，设备间传输容量相对较低的非延迟敏感数据，特点是需要较高的数据处理能力及较低的阻塞率，优化目标为最小化链路带宽的资源消耗，来避免传输数据发生阻塞。uRLLC切片的应用场景主要对吞吐量和时延有比较严苛的要求，比如远程医疗及交通安全等，特点是严格的服务质量保障，低传输时延要求，优化目标为最小化链路传输跳数，来降低传输时延。
在电力业务网络切片技术研究中，网络流量监控是网络管理的基础。对于网络流量监控来说，网络流量分析和预测是非常重要的环节，该环节对于网络资源的优化配置具有重要的意义。流量预测准确与否，预测结果的可解释性以及预测结果与实际流量数据是否相符，都直接影响网络的投资和建设规模。然而，传统技术中缺少对网络流量进行预测的方法。针对传统技术中存在的技术问题，提出一种流量预测方法。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
本申请提供的流量预测方法可以通过计算机设备实现。计算机设备包括但不限于控制芯片、个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。本申请提供的方法可以通过JAVA软件实现，也可以应用于其他软件。
请参见图1，本申请一个实施例提供一种流量预测方法，本实施例以计算机设备为执行主体对流量预测方法进行描述，该方法的步骤包括：
步骤100、获取多个电网数据包，多个电网数据包中存储有不同的电网数据，电网数据包括电网中电力设备的状态检测数据和用户的用电数据。
计算机设备获取多个电网数据包，每个电网数据包中存储有不同的电网数据。多个电网数据可以包括设备状态监测数据包、电网运行监控数据包和智能用电信息数据包等。其中，设备状态监测数据包可以是利用物联网技术等对常规机组、水电站坝体、新能源发电、电力设备进行状态监测的数据。电网运行监控数据包可以是重要杆塔的实时监测视频数据。智能电网信息数据包括可以是个人用户用电信息、企业用户用电信息、分布式电源接入以及电动汽车充放电信息等。多个电网数据包可以是存储在计算机设备的存储设备中，使用时直接获取即可。本实施例对获取多个电网数据包的方法不作任何限制，只要能够实现其功能即可。
步骤110、基于深度数据包检测技术，根据多个电网数据包确定目标电网数据。
计算机设备在获取多个电网数据包后，利用深度数据包检测技术在多个电网数据包中确定出目标电网数据。目标电网数据是指需要进行流量预测所需的数据。深度数据包检测技术(Deep Packet Inspection，DPI)是一种基于应用层的流量检测和控制技术，当网络数据流通过基于DPI技术的网络流量管理系统时，该系统通过深入读取多个电网数据包的内容来对开放式系统互联(Open System Interconnect，OSI)七层协议中的应用层信息进行重组，分析第七层分组的净荷内容，匹配业务特征，从而判断业务和应用类型，得到整个应用程序的内容。也就是说，基于DPI技术，可以对多个电网数据包进行识别，识别出每个电网数据包中存储的电网数据的具体类型，从而获取目标电网数据。通常DPI技术主要包括净荷特征匹配技术，不同的应用通常会采用不同协议通迅，而不同的协议具有特殊的特征，例如：特定的端口、特定的字符串或者特定的bit序列。净荷特征匹配技术正是通过识别每个电网数据包中的净荷特征来确定业务流所承载的应用，即每个电网数据包中存储的电网数据类型。净荷特征匹配技术根据测试方式的不同有可以分为固定位置特征匹配、可变位置特征匹配、多连接联合匹配和状态特征匹配四种技术。本实施例对采用DPI技术确定目标电网数据的具体过程不作限制，只要能够实现其功能即可。
步骤120、将目标电网数据输入流量预测模型，得到预测的流量；流量预测模型是根据历史电网数据样本进行训练得到的。
计算机设备将得到的目标电网数据输入流量预测模型中，可以对目标电网数据进行预测的流量。也就是说，通过流量预测模型可以对目标电网数据的下一时刻所需的流量进行预测。流量预测模型可以根据采集的大量电网数据形成的历史电网数据样本进行训练得到的。本实施例对流量预测模型的训练过程不作限制，只要能够实现其功能即可。
在一个可选的实施例中，流量预测模型的训练过程如下：
S1，根据历史电网数据样本建立训练集D＝(X，Y)，流量预测模型的输入为Xt＝(xt-p+1,…xt-1,xt)，输出为Yt＝xt+q，其中，t＝1,2,…,N，N为训练集D中样本总数，P为预测电网数据的长度，q为预测步长。
S2，确定训练集的初始化权重
Figure BDA0003174137440000081
S3、重复下面的迭代过程，直到得到最优的权值。
a)：针对样本权重分布D1，在训练集D上训练弱回归算子后，得到训练弱回归算子：Rp→R；
b)利用弱回归算子评估训练集D中的样本t所属误差信息lt(t)；
c)计算训练误差st；
d)选择系数αt以衡量弱回归算子ht；
e)更新训练集D中的样本权重分布：
Figure BDA0003174137440000082
其中，Zt是规整化系数，用于保证Dt+1(t)的数据分布形式。
f)判断结束条件是否达到；
S34：得到弱回归算子输出结果：{ht，t＝1，2，…T}→H。
在一个具体的实施例中，可以采用以下三种算法设计弱回归算子：
1)线性算子
在这种情况下，弱回归算子可采用
Figure BDA0003174137440000083
其中，权重a根据R·a＝r获得，其中，R是输入矩阵，r是输入输出形成的向量。
2)前馈神经网络
前馈神经网络描述非线性问题方面具有优势，采用三层前馈神经网络作为算子，其中，隐含层包括10个神经元、输出层包含1个神经元，层次之间采用sigmoid转移函数，隐含层跟输出层采用线性转移函数。
3)分段恒定算子
针对输入特征建立分段恒定算子：
Figure BDA0003174137440000091
j＝1，…，Num。
其中，xt-p+k是向量Xt＝(xt-p+1，…，xt-1，xt)中的某一维的特征；bj(j＝1，…，Num)是取值范围xt-p+k的等分点Num构成序列，aj可由xt-p+k在[bj，bj+1]区间的期望确定：aj＝E(xt-p+k|bj≤xt-p+k≤bj+1)，回归算子最终由预测误差的最小值确定。
在这种情况下，可以使用如下公式更新权重：
Figure BDA0003174137440000092
其中，
Figure BDA0003174137440000093
这样更新的权重通过加入Rate参数，能够控制权重更新速度。
本申请实施例提供一种流量预测方法，该方法通过获取多个电网数据包，基于深度数据包监测技术，根据多个电网数据包确定目标电网数据；将目标电网数据输入流量预测模型，得到预测的流量。本申请实施例提供的流量预测方法基于流量预测模型，通过提取的电网数据可以实现网络流量的预测，从而能够实现对网络流量的监控，进而能够实现对网络资源的优化配置。并且，本申请实施例基于深度数据包监测技术，确定目标电网数据，可以缩短确定目标电网数据的的时间，从而可以提高得到预测的流量的效率。
请参见图2，在一个实施例中，提出一种基于深度数据包检测技术，根据多个电网数据包提取目标电网数据实现方式，具体的步骤包括：
步骤200、基于深度数据包检测技术，从多个电网数据包中提取目标电网数据包。
计算机设备在获取多个电网数据包后，根据深度数据包检测技术，对获取的多个电网数据包进行检测，可以确定每个电网数据包中电网数据的类型，从而确定流量预测所需的电网数据包，即目标电网数据包。对于深度数据包检测技术的描述可以参考上述实施例中的描述，在此不再赘述。
步骤210、对目标电网数据包进行解析，得到目标电网数据。
计算机设备在确定目标电网数据包后，对目标电网数据包进行解析，可以得到目标电网数据包中存储的电网数据。本实施例对目标电网数据包进行解析的具体过程不作任何限制，只要能够实现其功能即可。
在本实施例中，先根据深度数据包检测技术确定每个电网数据包中的电网数据的类型，从多个电网数据包中提取目标电网数据包，对其进行解析得到目标电网数据，这样可以避免为了得到目标电网数据对多个电网数据包解析，从而可以提高得到目标电网数据的效率，节省流量预测的时间。
请参见图3，在一个实施例中，在利用深度数据包检测技术时，流量预测方法还包括：
步骤300、对多个电网数据包进行识别训练，得到每个电网数据包对应的识别码。
计算机设备在得到多个电网数据包时，先对多个电网数据包进行识别训练，确定每个电网数据包对应的识别码。每个识别码对应一个电网数据包的包特征。
在本施例中，计算机设备在利用深度数据包检测技术确定目标电网数据包时，根据识别码可以就可以确定每个电网数据包对应的包特征，从而可以确定每个电网数据包中的电网数据的类型，这样可以提高最终确定目标电网数据的效率，节省流量预测的时间。
请继续参见图3，在一个实施例中，提供一种对多个电网数据包进行识别训练，得到每个电网数据包对应的识别码的实现方式，具体步骤包括：
步骤310、从每个电网数据包中提取包特征；
计算机设备在得到多个电网数据包后，针对每一个电网数据包，提取电网数据包的包特征。其中包特征可以包括具有相同偏移的数据包的前N个字节，具有相同便宜的数据包的包长；有完整3次握手的TCP连接的总字节数占电网数据包中所有完整TCP连接的总字节数的百分比；有完整3次握手的TCP连接的总数据包数占电网数据包中所有完整TCP连接的总数据包数的百分比等。本实施例对包特征的具体内容不作任何限制，只要能够实现其功能即可。
在一个可选的实施例中，在从每个电网数据包中提取包特征时遵从识别特征库规则，该规则包括单包规则、多包规则和等差多包规则。多包规则库中的所有特征在多个电网数据包中出现，且电网数据包与包特征之间满足特定的关系。
具体的，多包规则有规则头和多包规则体组成，多包规则体由属性、包字段、包特征三部分组成。
属性：由关键字：-Attribution定义，后面字段为：sequence、direction、succession；
Sequence表示：命中特征的数据包是否要求按序，例如：假设有1，2，3个数据包特征，按序表示特征匹配顺序一定为1，2，3，如果是1，3，2等其他顺序，均表示不匹配；
Direction表示：命中特征的多个数据包是否同方向，例如：假设有1，2两个数据包特征，同向要求两个数据包全部来自客户端、服务器，如果一个来自客户端、另一个来自服务器则表示失败；
Succession表示：命中特征的多个数据包是否连续，例如：假设第4，5个数据包匹配，则表示命中；如果第4，6个包匹配，则表示不命中。
三个字段的取值只能为0、1。比如：sequence:1表示按序、succession:0表示可以不连续、direction:1表示同方向。需要注意的是：三个字段不要求顺序，但是一定要存在；属性字段一定要紧跟在规则头后、包字段、包特征之前出现，且为必须字段。
包字段：由关键字：-Packet来定义，后面不跟任何字段，用来定义一个数据包内容的所有特征。此字段最少2个，最多8个。
包特征：包特征以关键字：-PacketLen来定义，表示特定数据包的包长满足一定的条件，值为固定格式、特定语意的一个串。
等差多包规则表示一条数据流中同向连续三个数据包之间满足等差运算，所述等差多包规则由等差关键字、入口条件及等差规则顺次组成；
等差关键字：由-Arithmetic来定义等差多包规则；
入口条件：由关键字-EntryPoint来定义，表示满足此入口条件的报文才进行等差多包识别；
等差规则体：由关键字-ArithmeticPattern来定义多包规则体，表示其后的内容为等差规则体，等差规则体由一个或多个-Pattern来定义；
此关键定义的pattern关键字包含三种操作符：const/arith/noconst，分别表示：连续三个包的相同位置的取值为：常量、等差、不确定值。
Pattern的取值和定义：特征串以关键子：Pattern来定义，值为固定格式、特定语意的一个串。
步骤320、获取包特征的频繁项集，并对频繁项集进行过滤，得到识别信息，识别信息用于识别包特征；
计算机设备在获取每个电网数据包的包特征后，获取包特征的频繁项集。其中频繁项集是指一个由各级频繁项组成的集合，K级频繁项是指一个包含K个单项的频繁项，频繁项是指一个频繁度大于或等初始频繁度的项，频繁度是指一个项在事务数据库中出现的次数，项是指由一个或多个单项组成的序列，单项是指应用层载荷中一个字节经过编码后的表示。计算机设备在得到包特征对应的频繁项集后，对该频繁项集进行过滤可以得到可以识别该包特征的信息，即识别信息。本实施例对获取包特征的频繁项集，以及对频繁项集进行过滤的具体方法不作限制，只要能够实现其功能即可。
步骤330、生成识别信息对应的识别码，并将识别信息对应的的识别码作为电网数据包对应的识别码。
计算机设备根据得到识别信息生成与识别信息对应的识别码。每一个电网数据包对应一个包特征，一个包特征对应一个识别信息，一个识别信息对应一个识别码。计算机设备在得到识别信息对应的识别码后，可以将其作为电网数据包对应的识别码。也就是说，根据该识别码可以确定对应的电网数据包。
在本实施例中，根据每个电网数据包的包特征最终生成识别码，这样可以便于根据该识别码确定对应的电网数据包的包特征，从而便于后续根据识别码快速便捷的获取与其对应的电网数据包的包特征。
请参见图4，在一个实施例中，提出一种基于深度数据包检测技术，从多个电网数据包中提取目标电网数据包的实现方式，具体步骤包括：
步骤400、根据每个电网数据包对应的识别码，确定每个电网数据包的包特征。
计算机设备根据得到的识别码以及多个电网数据包，可以确定每个识别码对应的电网数据包，根据识别码与包特征的对应关系，可以确定每个电网数据包对应的包特征。
步骤410、基于深度数据包检测技术，根据每个电网数据包的包特征，确定目标包特征，并将目标包特征对应的电网数据包作为目标电网数据包。
计算机设备在获取多个电网数据包对应的包特征后，根据深度数据包检测技术对获取的每个电网数据包的包特征进行检测，确定预测流量时需要的包特征，即目标包特征。根据该包特征对应的电网数据包可以确定预测流量时所需的电网数据包，即目标电网数据包。
在本实施例中，根据识别码确定目标电网数据包的方法快速简单，可以提高确定目标电网数据包的效率，从而能够提高对流量预测的效率。
在一个实施例中，在得到预测的流量后，流量预测方法还包括：
根据预测的流量，调整网络参数；所述网络参数包括网络切片的传输带宽和网络切片的时延。
计算机设备在得到预测的流量后，需要根据预测的流量，调整网络参数。例如，计算机设备得到的预测流量是流量变大，则对电网数据的实时性要求有所提高，则需要增加网络切片的传输带宽，并减小网络切片的时延。本实施例对具体的调整网络参数的方法不作限制，只要能够实现其功能即可。
在本实施例中，通过调整网络参数，可以实现对网络资源的优化配置，提高流量预测方法的实用性和可靠性。
请参见图5，在一个实施例中，流量预测模型包括：电网数据管理控制模型和流量确定模型，将目标电网数据输入流量预测模型得到预测的流量，包括：
步骤500、将目标电网数据输入电网数据管理控制模型，得到预测的电网数据采集策略。
步骤510、将预测的电网数据采集策略输入流量确定模型，得到预测的流量。
计算机设备将得到的目标电网数据输入流量预测模型中的电网数据管理控制模型，可以得到预测的电网采集策略。电网数据管理控制模型是根据历史电网数据样本训练得到的。计算机设备在根据电网数据管理控制模型确定电网数据包的采集策略后，将该采集策略输入流量确定模型，可以得到实现电网数据的采集策略需要的流量大小，即可以得到预测的流量。预测的流量与预测的电网数据采集策略相对应。
在一个可选的实施例中，电网数据管理控制模型可以将接收到的电网数据与对应的预设阈值进行对比，根据比较结果预测电网的采集策略。其中，电网数据对应的预设阈值可以是根据电网数据的类型确定的。
例如，在目标电网数据是设备状态监测数据，则预设阈值设备的状态参数的最大阈值，将目标电网数据与预设阈值进行对比；若目标电网数据大于预设阈值，电网数据包的采集策略是需要获取与目标电网数据相关的数据对设备状态进行进一步的分析。在获取目标电网数据相关的数据时会导致流量增大，根据采集策略可以得到相对应的流量。
应该理解的是，虽然图中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
请参见图6，本申请一个实施例提供一种流量预测装置10，还装置包括电网数据包获取模块11，目标电网数据确定模块12和预测的流量确定模块13。其中，
电网数据包获取模块11用于获取多个电网数据包，多个电网数据包中存储有不同的电网数据，电网数据包括电网中电力设备的状态检测数据和用户的用电数据；
目标电网数据确定模块12用于基于深度数据包检测技术，根据多个电网数据包确定目标电网数据；
预测的流量确定模块13用于将目标电网数据输入流量预测模型，得到预测的流量；流量预测模型是根据历史电网数据样本进行训练得到的。
在一个实施例中，目标电网数据确定模块12包括第一获取单元和第一确定单元。其中，第一获取单元用于基于深度数据包检测技术，从多个电网数据包中提取目标电网数据包；第一确定单元对目标电网数据包进行解析，得到目标电网数据。
在一个实施例中，流量预测装置10还包括识别码确定模块，该模块用于对多个电网数据包进行识别训练，得到每个电网数据包对应的识别码。
在一个实施例中，识别码确定模块包括第二获取单元、第二确定单元和生成单元。其中，第二获取单元用于从每个电网数据包中提取包特征；第二确定单元用于获取包特征的频繁项集，并对频繁项集进行过滤，得到识别信息，识别信息用于识别包特征；生成单元用于生成识别信息对应的识别码，并将识别信息对应的识别码作为电网数据包对应的识别码。
在一个实施例中，第一获取单元具体用于根据每个电网数据包对应的识别码，确定每个电网数据包的包特征；基于深度数据包检测技术，根据每个电网数据包的包特征，确定目标包特征，并将目标包特征对应的电网数据包作为目标电网数据包。
在一个实施例中，流量预测模块10还包括调整模块，该模块用于根据预测的流量，调整网络参数；网络参数包括网络切片的传输带宽和网络切片的时延。
在一个实施例中，预测的流量确定模块13具体用于将目标电网数据输入电网数据管理控制模块，得到预测的电网数据采集策略；将预测的电网数据采集策略输入流量确定模块，得到预测的流量。
关于上述流量预测装置10的具体限定可以参见上文中对于流量预测方法的限定，在此不在赘述。流量预测装置10中的各个模块可以全部或部分通过软件、硬件及其组合来实现。上述各装置、各模块或者各单元可以以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个装置或模块对应的操作。
请参见图7，在一个实施例中，提供了一种计算机设备，计算机设备可以是服务器，其内部结构图可以如图7所示。计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，计算机设备的处理器用于提供计算和控制能力。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、计算机程序和数据库。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。计算机设备的数据库用于存储电网数据包和流量预测模型等。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。计算机设备被处理器执行时以实现一种流量预测方法。
本领域技术人员可以理解，图7中示出的结构，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。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取多个电网数据包，多个电网数据包中存储有不同的电网数据，电网数据包括电网中电力设备的状态检测数据和用户的用电数据；
基于深度数据包检测技术，根据多个电网数据包确定目标电网数据，目标电网数据为预测流量所需的数据；
将目标电网数据输入流量预测模型，得到预测的流量；流量预测模型是根据历史电网数据样本进行训练得到的。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于深度数据包检测技术，从多个电网数据包中提取目标电网数据包；对目标电网数据包进行解析，得到目标电网数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对多个电网数据包进行识别训练，得到每个电网数据包对应的识别码。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：从每个电网数据包中提取包特征；获取包特征的频繁项集，并对频繁项集进行过滤，得到识别信息，识别信息用于识别包特征；生成识别信息对应的识别码，并将识别信息对应的识别码作为电网数据包对应的识别码。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据每个电网数据包对应的识别码，确定每个电网数据包的包特征；基于深度数据包检测技术，根据每个电网数据包的包特征，确定目标包特征，并将目标包特征对应的电网数据包作为目标电网数据包。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据预测的流量，调整网络参数；网络参数包括网络切片的传输带宽和网络切片的时延。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将目标电网数据输入电网数据管理控制模块，得到预测的电网数据采集策略；将预测的电网数据采集策略输入流量确定模块，得到预测的流量。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取多个电网数据包，多个电网数据包中存储有不同的电网数据，电网数据包括电网中电力设备的状态检测数据和用户的用电数据；
基于深度数据包检测技术，根据多个电网数据包确定目标电网数据，目标电网数据为预测流量所需的数据；
将目标电网数据输入流量预测模型，得到预测的流量；流量预测模型是根据历史电网数据样本进行训练得到的。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于深度数据包检测技术，从多个电网数据包中提取目标电网数据包；对目标电网数据包进行解析，得到目标电网数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对多个电网数据包进行识别训练，得到每个电网数据包对应的识别码。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：从每个电网数据包中提取包特征；获取包特征的频繁项集，并对频繁项集进行过滤，得到识别信息，识别信息用于识别包特征；生成识别信息对应的识别码，并将识别信息对应的识别码作为电网数据包对应的识别码。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据每个电网数据包对应的识别码，确定每个电网数据包的包特征；基于深度数据包检测技术，根据每个电网数据包的包特征，确定目标包特征，并将目标包特征对应的电网数据包作为目标电网数据包。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据预测的流量，调整网络参数；网络参数包括网络切片的传输带宽和网络切片的时延。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将目标电网数据输入电网数据管理控制模块，得到预测的电网数据采集策略；将预测的电网数据采集策略输入流量确定模块，得到预测的流量。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种流量预测方法，其特征在于，包括：
获取多个电网数据包，所述多个电网数据包中存储有不同的电网数据，所述电网数据包括电网中电力设备的状态检测数据和用户的用电数据；
基于深度数据包检测技术，根据所述多个电网数据包确定目标电网数据，所述目标电网数据为预测流量所需的数据；
将所述目标电网数据输入流量预测模型，得到预测的流量；所述流量预测模型是根据历史电网数据样本进行训练得到的。
2.根据权利要求1所述的流量预测方法，其特征在于，所述基于深度数据包检测技术，根据所述多个电网数据包提取目标电网数据，包括：
基于所述深度数据包检测技术，从所述多个电网数据包中提取目标电网数据包；
对所述目标电网数据包进行解析，得到所述目标电网数据。
3.根据权利要求2所述的流量预测方法，其特征在于，所述方法还包括：
对所述多个电网数据包进行识别训练，得到每个所述电网数据包对应的识别码。
4.根据权利要求3所述的流量预测方法，其特征在于，所述对所述多个电网数据包进行识别训练，得到每个所述电网数据包对应的识别码，包括：
从每个所述电网数据包中提取包特征；
获取所述包特征的频繁项集，并对所述频繁项集进行过滤，得到识别信息，所述识别信息用于识别所述包特征；
生成所述识别信息对应的识别码，并将所述识别信息对应的识别码作为所述电网数据包对应的识别码。
5.根据权利要求4所述的流量预测方法，其特征在于，所述基于所述深度数据包检测技术，从所述多个电网数据包中提取目标电网数据包，包括：
根据每个所述电网数据包对应的识别码，确定每个所述电网数据包的包特征；
基于所述深度数据包检测技术，根据每个所述电网数据包的包特征，确定目标包特征，并将所述目标包特征对应的所述电网数据包作为目标电网数据包。
6.根据权利要求1所述的流量预测方法，其特征在于，所述方法还包括：
根据所述预测的流量，调整网络参数；所述网络参数包括网络切片的传输带宽和所述网络切片的时延。
7.根据权利要求1所述的流量预测方法，其特征在于，所述流量预测模型包括：电网数据管理控制模块和流量确定模块，所述将所述目标电网数据输入流量预测模型得到预测的流量，包括：
将所述目标电网数据输入所述电网数据管理控制模块，得到预测的电网数据采集策略；
将所述预测的电网数据采集策略输入所述流量确定模块，得到所述预测的流量。
8.一种流量预测装置，其特征在于，包括：
电网数据包获取模块，用于获取多个电网数据包，所述多个电网数据包中存储有不同的电网数据，所述电网数据包括电网中电力设备的状态检测数据和用户的用电数据；
目标电网数据确定模块，用于基于深度数据包检测技术，根据所述多个电网数据包确定目标电网数据；
预测的流量确定模块，用于将所述目标电网数据输入流量预测模型，得到预测的流量。
9.一种计算机设备，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中任一项所述的方法的步骤。
10.一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中任一项所述的方法的步骤。
CN202110827455.0A 2021-07-21 2021-07-21 流量预测方法、装置、计算机设备和可读存储介质 Pending CN113726550A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110827455.0A CN113726550A (zh) 2021-07-21 2021-07-21 流量预测方法、装置、计算机设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110827455.0A CN113726550A (zh) 2021-07-21 2021-07-21 流量预测方法、装置、计算机设备和可读存储介质

Publications (1)

Publication Number Publication Date
CN113726550A true CN113726550A (zh) 2021-11-30

Family

ID=78673793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110827455.0A Pending CN113726550A (zh) 2021-07-21 2021-07-21 流量预测方法、装置、计算机设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN113726550A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102821101A (zh) * 2012-07-27 2012-12-12 北京中科晶上科技有限公司 Ip数据包识别方法及网关
CN107426049A (zh) * 2017-05-16 2017-12-01 国家计算机网络与信息安全管理中心 一种网络流量精确检测方法、设备及存储介质
CN111740865A (zh) * 2020-06-23 2020-10-02 北京奇艺世纪科技有限公司 一种流量波动趋势预测方法、装置及电子设备
CN112491643A (zh) * 2020-11-11 2021-03-12 北京马赫谷科技有限公司 深度报文检测方法、装置、设备及存储介质
CN112636995A (zh) * 2020-11-11 2021-04-09 北京邮电大学 一种前传网络资源分配方法及装置
CN113079033A (zh) * 2021-03-08 2021-07-06 南京苏宁软件技术有限公司 一种流量控制方法、装置、电子设备及计算机可读介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102821101A (zh) * 2012-07-27 2012-12-12 北京中科晶上科技有限公司 Ip数据包识别方法及网关
CN107426049A (zh) * 2017-05-16 2017-12-01 国家计算机网络与信息安全管理中心 一种网络流量精确检测方法、设备及存储介质
CN111740865A (zh) * 2020-06-23 2020-10-02 北京奇艺世纪科技有限公司 一种流量波动趋势预测方法、装置及电子设备
CN112491643A (zh) * 2020-11-11 2021-03-12 北京马赫谷科技有限公司 深度报文检测方法、装置、设备及存储介质
CN112636995A (zh) * 2020-11-11 2021-04-09 北京邮电大学 一种前传网络资源分配方法及装置
CN113079033A (zh) * 2021-03-08 2021-07-06 南京苏宁软件技术有限公司 一种流量控制方法、装置、电子设备及计算机可读介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘举;: "回归模型中基于机器学习的流量预测算法", 电脑知识与技术, vol. 8, no. 4, pages 801 - 804 *

Similar Documents

Publication Publication Date Title
Sun et al. DL‐IDS: Extracting Features Using CNN‐LSTM Hybrid Network for Intrusion Detection System
Fatani et al. IoT intrusion detection system using deep learning and enhanced transient search optimization
Zhang et al. Network intrusion detection: Based on deep hierarchical network and original flow data
Sinha et al. Efficient deep CNN-BiLSTM model for network intrusion detection
Huong et al. Lockedge: Low-complexity cyberattack detection in iot edge computing
CN112073255B (zh) 基于深度学习的工控网络流量预测方法、装置
Ortet Lopes et al. Towards effective detection of recent DDoS attacks: A deep learning approach
CN112668688B (zh) 一种入侵检测方法、系统、设备及可读存储介质
Chu et al. Industrial control intrusion detection approach based on multiclassification GoogLeNet‐LSTM model
Cheng et al. DDoS Attack Detection via Multi-Scale Convolutional Neural Network.
Rosay et al. Feed-forward neural network for Network Intrusion Detection
CN114386514A (zh) 基于动态网络环境下的未知流量数据识别方法及装置
Blanco et al. Tuning cnn input layout for ids with genetic algorithms
CN117580046A (zh) 一种基于深度学习的5g网络动态安全能力调度方法
Chen et al. Ride: Real-time intrusion detection via explainable machine learning implemented in a memristor hardware architecture
Yan et al. Principal Component Analysis Based Network Traffic Classification.
CN113726550A (zh) 流量预测方法、装置、计算机设备和可读存储介质
Visetbunditkun et al. Ddos attack detection using ensemble machine learning models with rfe algorithm
Zhao et al. IoT intrusion detection model based on gated recurrent unit and residual network
CN117081941A (zh) 基于注意力机制的流量预测方法及其装置、电子设备
Xie et al. A method based on hierarchical spatiotemporal features for Trojan traffic detection
Dener et al. RFSE-GRU: Data balanced classification model for mobile encrypted traffic in big data environment
Guo et al. [Retracted] The Evaluation of DDoS Attack Effect Based on Neural Network
Ke et al. Network traffic prediction based on least squares support vector machine with simple estimation of Gaussian kernel width
Xie et al. Research and application of intrusion detection method based on hierarchical features

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
TA01 Transfer of patent application right

Effective date of registration: 20240126

Address after: 510620, No. two, No. 2, Tianhe South Road, Guangzhou, Guangdong, Tianhe District

Applicant after: Guangzhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd.

Country or region after: China

Applicant after: CHINA SOUTHERN POWER GRID Co.,Ltd.

Address before: No.2, Tianhe south 2nd Road, Tianhe District, Guangzhou City, Guangdong Province

Applicant before: Guangzhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd.

Country or region before: China

Applicant before: CHINA MOBILE GROUP GUANGDONG Co.,Ltd.

Applicant before: CHINA SOUTHERN POWER GRID Co.,Ltd.

TA01 Transfer of patent application right