CN114679388B - 一种时间敏感网络数据流量预测方法、系统及存储介质 - Google Patents
一种时间敏感网络数据流量预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN114679388B CN114679388B CN202210164803.5A CN202210164803A CN114679388B CN 114679388 B CN114679388 B CN 114679388B CN 202210164803 A CN202210164803 A CN 202210164803A CN 114679388 B CN114679388 B CN 114679388B
- Authority
- CN
- China
- Prior art keywords
- flow data
- time
- data
- time sequence
- features
- 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
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
-
- 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
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- Environmental & Geological Engineering (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种时间敏感网络数据流量预测方法,可对周期固定的恒定比特速率业务、可变比特速率业务进行精准流量预测,以提高网络带宽利用率。所述方法包括下述步骤:基于当前时刻前的基本传输窗口的流量数据序列,获取其时序特征;将所述时序特征作为参数,利用预测模型,计算当前时刻流量数据预测值;所述预测模型基于历史流量数据序列获得时序特征和流量数据预测值之间的对应关系;所述流量数据序列的时序特征包括正向时序特征和反向时序特征。为提高预测准确性,进一步基于正向时序特征和反向时序特征获取包括正向时序特征之间、正向时序特征和反向时序特征之间、以及反向时序特征之间的关联特征。
Description
技术领域
本公开涉及互联网技术领域,具体涉及一种时间敏感网络数据流量预测方法、系统及存储介质。
背景技术
时间敏感网络(TSN)是一种扩展的标准以太网技术,它向后兼容标准以太网,使得我们可以通过标准以太网便能获得低抖动、低延迟、鲁棒的通信通道,作为一种IEEE标准,时间敏感网络(TSN)将是未来实时以太网通信的重要组成部分。时间敏感网络(TSN)的门控机制如图1,门控制包含有多个门结构和一个门控制列表,图1中T1-T4表示时隙,0和1对应着门的开和关,T1:01111111表示在T1时隙中最左端的门处于开着状态,其他门处于关闭状态。其中门的数量与设备中的队列数量相等,每个队列后都接入一个门结构。由于不同业务时延要求不同,有的业务时延要求微秒级,有的业务时延要求毫秒级或秒级等,时间敏感网络(TSN)利用门控制列表配置和改变门结构的开关状态来控制不同队列的输出和阻塞操作,让时延要求高的业务优先通过,以保证关键业务的时延要求。
目前已有的方案为生成固定门控列表,该过程一般不考虑对可变速率业务进行预测,或按照西安空间无线电技术研究所所提出的预测方案对可变速率业务进行预测,该技术方案采用协方差函数求得同种业务在以往的基本传输窗口流量大小所占权值,属于一种线性平均的预测方法,预测结果不够精确。针对时间敏感网络中的可变比特速率业务,现有预测方案的精度并不能满足应用场景下的要求。
发明内容
针对现有的可变比特速率业务预测不够精确的问题,本发明的目的在于提出一种时间敏感网络数据流量预测方法,不仅可以对周期固定的恒定比特速率业务进行精准流量预测,还可以对可变比特速率业务进行精准流量预测,从而提高网络带宽利用率。
第一方面,本发明提出了一种时间敏感网络数据流量预测方法,所述方法包括下述步骤:
S1、基于当前时刻前的基本传输窗口的流量数据序列,获取所述流量数据序列的时序特征;
S2、将所述时序特征作为参数,利用预测模型,计算当前时刻流量数据预测值;
所述预测模型基于历史流量数据序列获得时序特征和流量数据预测值之间的对应关系;
所述流量数据序列的时序特征包括正向时序特征和反向时序特征。
优选地,在所述方法中,所述流量数据序列的时序特征还包括基于正向时序特征和反向时序特征获得的关联特征;所述关联特征包括正向时序特征之间、正向时序特征和反向时序特征之间、以及反向时序特征之间的特征。
优选地,在所述方法中,所述流量数据序列的时序特征通过BiLSTM(Bi-directional Long Short-Term Memory)神经网络获取。
优选地,在所述方法中,所述流量数据序列的时序特征依次通过BiLSTM(Bi-directional Long Short-Term Memory)神经网络、LSTM(Long Short-Term Memory)神经网络获取。
优选地,在所述方法中,所述预测模型采用DENSE层实现。
优选地,在所述方法中,所述方法还包括下述步骤:
基于流量数据预测值,按下述公式计算各个业务队列的基本传输窗口Wi(n)集合:
式中,i为业务队列序号;符号表示向上取整数,Lin为业务队列i的第n个基本传输窗口的流量数据预测值,Ni为队列i在一个调度周期内分配的传输窗口数量;i=1,2,…,8。
优选地,在所述方法中,所述方法还包括下述步骤:利用各个业务队列的基本传输窗口集合,生成调度表。
优选地,在所述方法中,所述流量数据序列中的数据为在每个TSN门打开一次的时间内,进行多次采样得到的流量数据的平均值。
第二方面,本发明提出了一种时间敏感网络数据流量预测系统,包括交换机,所述交换机存储有能够被执行的上述任一种方法的计算机程序。
第三方面,一种计算机可读存储介质,存储有能够被处理器加载并执行上述任一种方法的计算机程序。
与现有技术相比,本发明具有下述有益技术效果:
(1)本发明方法预测的基础是历史数据流量数据序列获得时序特征和流量数据预测值之间的对应关系,从而利用当前时刻前基本传输窗口的流量数据序列的时序特征,计算当前时刻流量数据预测值。时序特征不仅包括历史数据流量数据的正向时序特征,还包括其反向时序特征,因此不仅可以对周期固定的恒定比特速率业务进行精准流量预测,还可以对可变比特速率业务进行精准流量预测,从而提高网络带宽利用率。
(2)在分析历史数据流量数据双向时序特征的基础上,进一步分析双向时序特征的内部逻辑关系,以进一步提高可变比特速率业务预测的准确性。
(3)在本发明方法的基础上,采用深度学习的BiLSTM模型、或者BiLSTM模型与LSTM模型结合实现本发明方法,由于BiLSTM、LSTM模型是一种非线性的预测方法,可以进一步提高预测的准确率,从而满足更高精度应用场景下的使用。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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、为网络门控机制示意图;
图2、本发明方法流程示意图;
图3、本发明中第一模型结构示意图;
图4、本发明一个实施例中的损失函数精度示意图;
图5、本发明一个实施例中的预测误差分布图;
图6、本发明一个实施例中的流量预测值与实际值对比图;
图7、TSN网络一种拓扑结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。
在实施例1中,采用了图2所示的方法。具体为先采集当前时刻前数据包100个,得到每个包的流量数据,分析它们的时序特征。这100个数据包中的业务可以相同,也可以不同,优先级可以相同,也可以不同。然后将时序特征作为参数,利用预测模型,计算当前时刻流量数据预测值。
其中,时序特征即为找到各个流量数据之间的时序依赖关系,包括正向时序特征和反向时序特征。正向时序特征即:将数据包按时序先后排列成流量数据序列,分析获得这个序列的特征。然后,将其反向排序分析,获取其反向时序特征。
时序特征的获取可以选择现有的BiLSTM(Bi-directional Long Short-TermMemory)神经网络,也可以选择两个LSTM(Long Short-Term Memory)神经网络,一个用于正向时序特征分析,一个用于反向时序特征分析。
实施例1中的预测模型优选采用全连接层DENSE实现,将历史流量数据序列的时序特征和预测值建立对应的非线性关系,有利于提高预测的准确性,特别是当业务中存在可变比特速率业务时,也依然可以具有较高的准确度。
在实施例2中,为了提高预测的准确性,对获得流量数据序列的时序特征,进行进一步分析,获取它们的关联特征;所述关联特征包括正向时序特征之间、正向时序特征和反向时序特征之间、以及反向时序特征之间的特征。分析可用以建模,也可以采用现有的神经网络工具,比如RNN、LSTM(Long Short-Term Memory)神经网络。
上述BiLSTM神经网络、RNN或者LSTM神经网络为用于分析特征或者获取特征的工具,为了避免它们作为特征提取模型时过拟合,并增强模型的鲁棒性和泛化能力,可以在它们的后面加入Dropout层,使神经网络的部分网络参数随机失活,优选为50%的网络参数随机失活。
在实施例3中,由BiLSTM神经网络、LSTM神经网络共同构成特征提取模型,由DENSE层构成预测模型,如图3所示,以实现时间敏感网络的数据流量预测。其中,BiLSTM神经网络用于当前时刻前100个流量数据序列的正向时序特征和反向时序特征的时序特征提取。在BiLSTM神经网络进行特征提取时,随机失活50%的网络参数。其单层unit层数为16,双层共有32个unit层。其提取的特征作为LSTM神经网络的输入,进一步获取正向时序特征和反向时序特征的关联特征。所述关联特征为DENSE层的输入,并将预测值作为输出。
由BiLSTM神经网络、LSTM神经网络以及DENSE层构成的网络模型,模型采用的流量数据为在每个TSN门打开一次的时间内,进行多次采样得到的流量数据的平均值,输出的预测值也为一个平均业务流量。通过多次采样可以提高采样准确性。比如在采样时,取10次速率的平均得到平均速率,然后用平均速率乘单个基本传输窗口时间得到每个传输窗口内的平均流量值,将该值作为流量数据序列中的一个数据。10次可调整,还可以是15次,20次等等。
在训练时,输入的是多个基本传输窗口内的流量,基本传输窗口是一次流量传输最小时间间隔,以3000个数据举例:3000个数据分成2901组:第1-100个数据是第一组输入,第101个数据是第一组输出,第2-101个数据是第二组输入,第102个数据是第二组输出,依次分组直到最后一组:第2900-2999个数据组成2900组的输入,第3000个数据组成最后一组的输出,根据以上数据对神经网络进行训练可得到神经网络的参数。训练完成后,后续无需再进行训练,每输入100个数据可以生成一个预测数据。
训练数据序列本身是按时序排列的,故其具有时序性;又由于其来自具有不同优先级的数据包,故其可以具有优先级性;又因为时间敏感网络会根据数据包的优先级和数据包所属业务,将数据包分为不同的队列,故其可以具有队列性。因此,训练数据总数不能少于1600个,太少则会影响特征提取模型对时序特征的挖掘,以及流量数据序列中隐藏的优先级、队列性特征的挖掘,影响训练的网络参数的准确性。
对图3模型进行仿真,图4是训练和预测的损失函数值,可以看到预测集的损失函数值达到1%的精度。图5是流量预测值和实际值的误差分布。图6是流量预测值和实际值的曲线。实验结果表明,该预测算法的预测结果准确,预测准确率达92%,与真实值十分接近。
采用由BiLSTM神经网络、LSTM神经网络以及DENSE层构成的网络模型进行数据流量预测的方法,可以通过对训练数据集的选取,筛选出体现多维度的数据,可以从时间维度,队列维度,优先级维度等对训练集数据进行选取,按照业务类型调整训练模型所需的数据集,对预测模型进行训练,可适应不同业务场景。比如让TSN交换机其中一个门只传输某个优先级的业务包,选取该门的数据作为训练数据,可以实现按优先级选取训练数据。
在实施例4中,基于流量数据预测值,按下述公式计算各个业务队列的基本传输窗口Wi(n)集合:
式中,i为业务队列序号;符号表示向上取整数,Lin为业务队列i的第n个基本传输窗口的流量数据预测值,Ni为业务队列i在一个调度周期内分配的基本传输窗口数量;i=1,2,…,8。
获得业务队列i所对应的基本传输窗口集合为Tcycle(i)={Wtx(1),Wtx(2),…,Wtx(Ni)},以便提前为业务队列i预留空间。如果利用各个业务队列的基本传输窗口集合Tcycle(i),根据该数据和基本传输窗口在历史调度表中的顺序,则可以生成将要传输的调度表。本方法使得传输窗口大小能够更好地随着可变比特速率的变化进行动态调整,既能优化敏感业务传输时延,又可提高网络带宽利用率。
在实施例5中,构建一个时间敏感网络系统网络拓扑结构如图7所示,整个系统包括Talker,Listener,TSN适配器、TSN域、TSN测试仪表五部分:Talker,Listener作为发送和接收流量的设备。TSN适配器目的是实现工业控制网络数据转换为时间敏感数据。TSN域集成CUC和CNC,用于实现TSN域中多种流量的调度管理。其中CNC为用于收集终端需求的计算机,而CNC用于根据终端需求配置网络参数。TSN测试仪表用于测试时间敏感网络相关机制及网络时延等性能指标。TSN交换机具备gPTP广域时间同步功能。通过各部分协同合作,使得系统满足IEEE802.1 AS及IEEE 802.1 Qbv标准的要求,并可以通过测试仪表测试系统中时延等指标以验证相关功能及性能的实现情况。
TSN网络拓扑有集中式和分布式。集中式TSN网络的调度表或门控列表由中心节点CNC计算并下发至每台TSN交换机,分布式TSN网络的调度表则由网络中的TSN交换机进行计算并进行配置。双向LSTM流量预测算法可以同时内置于TSN CNC节点和TSN交换机的内存中,也可以内置于TSN CNC中(集中式),或者内置于TSN交换机内存中(分布式)。
综上,本发明利用BiLSTM神经网络模型和LSTM神经网络模型,可以方便地获取流量数据序列的双向时序特征,并能深度获取双向时序特征的关联特征,并通过DENSE层建立关联特征和数据流量预测值之间的非线性关系,可以提高预测准确性。而对BiLSTM、LSTM和DENSE构成的总体网络模型训练时,通过从时间维度,队列维度,优先级维度等角度对训练集数据进行选取,或者按照业务类型调整训练模型所需的数据集,可使训练好的总体网络模型适应不同的业务场景。
本发明不限于上述BiLSTM、LSTM和DENSE构成的总体网络模型,其中BiLSTM、LSTM或DENSE部分,以及防止过拟合的Dropout层均可以被调整、改进或替换,它们只是获得时序特征并建立时序特征与流量预测值关联的工具。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下,还可以做出或替换出很多种的形式,这些均属于本发明保护之列。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本公开方法或系统可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本公开而言更多情况下,软件程序实现是更佳的实施方式。
尽管以上结合附图对本发明的实施方案进行了描述,但本发明并不局限于上述的具体实施方案和应用领域,上述的具体实施方案仅仅是示意性的、指导性的,而不是限制性的。
Claims (4)
1.一种时间敏感网络数据流量预测方法,其特征在于,所述方法包括下述步骤:
S1、基于时间敏感网络当前时刻前的多个基本传输窗口的流量数据序列,使用BiLSTM神经网络、LSTM神经网络共同构成特征提取模型获取所述流量数据序列各个流量数据之间的时序依赖关系的时序特征;其中:BiLSTM神经网络用于流量数据序列的正向时序特征和反向时序特征的时序特征提取,将提取的特征作为LSTM神经网络的输入,获取正向时序特征和反向时序特征的关联特征;
S2、将所述时序特征中的关联特征作为参数,利用全连接层DENSE作为预测模型,利用基于历史流量数据序列获得的时序特征中的关联特征和流量数据预测值之间的非线性对应关系,计算当前时刻基本传输窗口的流量数据预测值;
其中:BiLSTM神经网络的输入和DENSE的预测输出均为平均业务流量。
2.根据权利要求1所述的方法,其特征在于,所述流量数据序列中的数据为在每个TSN门打开一次的时间内,进行多次采样得到的流量数据的平均值。
3.一种时间敏感网络数据流量预测系统,其特征在于:包括交换机,所述交换机存储有能够被执行如权利要求1至2中任一项所述的方法的计算机程序。
4.一种计算机可读存储介质,其特征在于:存储有能够被处理器加载并执行如权利要求1至2中任一项所述的方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210164803.5A CN114679388B (zh) | 2022-02-22 | 2022-02-22 | 一种时间敏感网络数据流量预测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210164803.5A CN114679388B (zh) | 2022-02-22 | 2022-02-22 | 一种时间敏感网络数据流量预测方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114679388A CN114679388A (zh) | 2022-06-28 |
CN114679388B true CN114679388B (zh) | 2023-09-05 |
Family
ID=82072406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210164803.5A Active CN114679388B (zh) | 2022-02-22 | 2022-02-22 | 一种时间敏感网络数据流量预测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114679388B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115225543B (zh) * | 2022-07-08 | 2023-10-20 | 北京百度网讯科技有限公司 | 一种流量预测方法、装置、电子设备和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106992937A (zh) * | 2017-04-19 | 2017-07-28 | 天津大学 | 基于garch时间序列算法的拥塞控制方法 |
CN108537392A (zh) * | 2018-04-26 | 2018-09-14 | 重庆大学 | 一种基于时空特征预测轨道交通站点出站客流量的方法 |
CN109961138A (zh) * | 2017-12-14 | 2019-07-02 | 北京中科寒武纪科技有限公司 | 神经网络训练方法及相关产品 |
CN111163014A (zh) * | 2019-12-24 | 2020-05-15 | 西安空间无线电技术研究所 | 一种基于门控制的可变比特速率业务调度方法 |
CN111368142A (zh) * | 2020-04-15 | 2020-07-03 | 华中科技大学 | 一种基于生成对抗网络的视频密集事件描述方法 |
CN111563560A (zh) * | 2020-05-19 | 2020-08-21 | 上海飞旗网络技术股份有限公司 | 基于时序特征学习的数据流分类方法及装置 |
CN111614520A (zh) * | 2020-05-25 | 2020-09-01 | 杭州东方通信软件技术有限公司 | 一种基于机器学习算法的idc流量数据预测方法及装置 |
CN111970163A (zh) * | 2020-06-30 | 2020-11-20 | 网络通信与安全紫金山实验室 | 一种基于注意力机制的lstm模型的网络流量预测方法 |
CN113179223A (zh) * | 2021-04-23 | 2021-07-27 | 中山大学 | 一种基于深度学习和序列化特征的网络应用识别方法及系统 |
CN113313511A (zh) * | 2021-04-30 | 2021-08-27 | 北京奇艺世纪科技有限公司 | 一种视频流量预测方法、装置、电子设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3923182A1 (en) * | 2020-06-13 | 2021-12-15 | Gust Vision, Inc | Method for identifying a video frame of interest in a video sequence, method for generating highlights, associated systems |
-
2022
- 2022-02-22 CN CN202210164803.5A patent/CN114679388B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106992937A (zh) * | 2017-04-19 | 2017-07-28 | 天津大学 | 基于garch时间序列算法的拥塞控制方法 |
CN109961138A (zh) * | 2017-12-14 | 2019-07-02 | 北京中科寒武纪科技有限公司 | 神经网络训练方法及相关产品 |
CN108537392A (zh) * | 2018-04-26 | 2018-09-14 | 重庆大学 | 一种基于时空特征预测轨道交通站点出站客流量的方法 |
CN111163014A (zh) * | 2019-12-24 | 2020-05-15 | 西安空间无线电技术研究所 | 一种基于门控制的可变比特速率业务调度方法 |
CN111368142A (zh) * | 2020-04-15 | 2020-07-03 | 华中科技大学 | 一种基于生成对抗网络的视频密集事件描述方法 |
CN111563560A (zh) * | 2020-05-19 | 2020-08-21 | 上海飞旗网络技术股份有限公司 | 基于时序特征学习的数据流分类方法及装置 |
CN111614520A (zh) * | 2020-05-25 | 2020-09-01 | 杭州东方通信软件技术有限公司 | 一种基于机器学习算法的idc流量数据预测方法及装置 |
CN111970163A (zh) * | 2020-06-30 | 2020-11-20 | 网络通信与安全紫金山实验室 | 一种基于注意力机制的lstm模型的网络流量预测方法 |
CN113179223A (zh) * | 2021-04-23 | 2021-07-27 | 中山大学 | 一种基于深度学习和序列化特征的网络应用识别方法及系统 |
CN113313511A (zh) * | 2021-04-30 | 2021-08-27 | 北京奇艺世纪科技有限公司 | 一种视频流量预测方法、装置、电子设备及介质 |
Non-Patent Citations (1)
Title |
---|
基于双神经网络通道的时间序列预测框架;吴双双等;《舰船电子工程》;20180920(第09期);第84-89页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114679388A (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Troia et al. | Deep learning-based traffic prediction for network optimization | |
Chandrasekaran | Survey of network traffic models | |
Ciucu et al. | Perspectives on network calculus: no free lunch, but still good value | |
CN103987056A (zh) | 基于大数据统计模型的无线网络话务量预测方法 | |
Mohammed et al. | A survey on the common network traffic sources models | |
CN114679388B (zh) | 一种时间敏感网络数据流量预测方法、系统及存储介质 | |
US8990056B2 (en) | Method, computer program product, and apparatus for comparing traffic pattern models of a complex communication system | |
Mosavat-Jahromi et al. | Prediction and modeling of spectrum occupancy for dynamic spectrum access systems | |
Hammad et al. | Analytical approximation of packet delay jitter in simple queues | |
CN111163014A (zh) | 一种基于门控制的可变比特速率业务调度方法 | |
CN112733303A (zh) | 基于确定性网络演算的多策略工业tsn整形器建模方法 | |
Liu et al. | A SDN-based intelligent prediction approach to power traffic identification and monitoring for smart network access | |
CN114866431A (zh) | 基于int预测sfc网络故障的方法、装置及处理器 | |
Ferriol-Galmés et al. | FlowDT: a flow-aware digital twin for computer networks | |
Fadhil et al. | A novel packet end-to-end delay estimation method for heterogeneous networks | |
Salama et al. | Adaptive sampling for QoS traffic parameters using fuzzy system and regression model | |
Budianu et al. | Good-Turing estimation of the number of operating sensors: a large deviations analysis | |
Vitale et al. | An analytical approach to performance analysis of coupled processor systems | |
Fras et al. | Estimating the parameters of measured self similar traffic for modeling in OPNET | |
Jelenkovic et al. | Capacity regions for network multiplexers with heavy-tailed fluid on-off sources | |
Wang et al. | Caseload prediction using graphical evolutionary game theory and time series analysis | |
Watabe et al. | Accurate loss estimation technique utilizing parallel flow monitoring | |
Al-Khatib et al. | Traffic modeling and performance evaluation of wireless smart grid access networks | |
Lin et al. | A Channel Availability Prediction Method Suitable for HF ALE System | |
Dai et al. | A flexible ethernet calendar allocation based on client traffic |
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 |