CN115225546B - 一种网络流量的预测方法、装置及设备 - Google Patents
一种网络流量的预测方法、装置及设备 Download PDFInfo
- Publication number
- CN115225546B CN115225546B CN202210866486.1A CN202210866486A CN115225546B CN 115225546 B CN115225546 B CN 115225546B CN 202210866486 A CN202210866486 A CN 202210866486A CN 115225546 B CN115225546 B CN 115225546B
- Authority
- CN
- China
- Prior art keywords
- flow
- network
- graph
- topological
- historical time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004891 communication Methods 0.000 claims abstract description 54
- 239000013598 vector Substances 0.000 claims description 73
- 239000011159 matrix material Substances 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000002354 daily effect Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
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
- H04L41/12—Discovery or management of network topologies
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
本公开涉及一种网络流量的预测方法、装置及设备,其中方法包括:获取时域特征;采集在当前短周期内多个历史时间窗的第一流量数据文件;多个历史时间窗包括:在待预测时间之前且与待预测时间相邻的连续多个时间窗;第一流量数据文件包括:当前短周期内,各历史时间窗中的网络节点,与网络节点通信的第一通信节点,各历史时间窗相对相邻上一时间窗的流量一阶差分值;采集在目标长周期内,多个历史时间窗的第二流量数据文件;其中,目标长周期是当前短周期所在长周期的相邻前一长周期;根据第一流量数据文件和第二流量数据文件,得到待预测时间的目标流量增量预测值。本公开能够提高流量数据的预测准确性。
Description
技术领域
本公开涉及网络安全技术领域,尤其涉及一种网络流量的预测方法、装置及设备。
背景技术
随着互联网的快速发展和网络流量的增加,无线网络运营商以及网络管理员需要保证其网络的服务质量,从而对其网络流量进行合理的规划。网络流量预测对于网络流量规划至关重要,而准确有效的网络流量预测可以提前了解网络流量的特征与变化趋势,让管理人员提前制定资源分配策略,从而提高网络资源的利用率,并主动管理即将发生的超载事件从而预防网络拥塞。
目前,网络流量的预测方法通常使用每个时间间隔的累计流量对下一时刻流量进行预测,而网络流量数据是不平稳时间序列数据,同时数据具有周期性,因此对于某个时间窗内波动较大的流量无法有效的预测。
发明内容
为了解决上述技术问题,本公开提供了一种网络流量的预测方法、装置及设备。
本公开提供了一种网络流量的预测方法,包括:
获取时域特征,所述时域特征包括:短周期和由连续多个短周期组成的长周期;
采集在当前短周期内多个历史时间窗的第一流量数据文件;其中,所述多个历史时间窗包括:在待预测时间之前且与所述待预测时间相邻的连续多个时间窗;所述第一流量数据文件包括:所述当前短周期内,各所述历史时间窗中的网络节点,与所述网络节点通信的第一通信节点,各所述历史时间窗相对相邻上一时间窗的流量一阶差分值;
采集在目标长周期内,多个历史时间窗的第二流量数据文件;其中,所述目标长周期是所述当前短周期所在长周期的相邻前一长周期;所述第二流量数据文件包括:所述目标长周期内,各所述历史时间窗中的网络节点,与所述网络节点通信的第二通信节点,多个同一所述历史时间窗的流量平均变化量;
根据所述第一流量数据文件和所述第二流量数据文件,得到所述待预测时间的目标流量增量预测值。
可选的,所述采集在当前短周期内多个历史时间窗的第一流量数据文件,包括:
按照所述时域特征,采集所述网络节点在当前短周期内各所述历史时间窗的流量数据;所述流量数据包括:与所述网络节点通信的第一通信节点、所述网络节点产生的流量大小;
计算各所述历史时间窗相对相邻上一时间窗的所述流量大小的变化量,得到各所述历史时间窗的流量一阶差分值;
按照所述历史时间窗,将所述流量数据、所述流量一阶差分值生成与所述历史时间窗一一对应的第一流量数据文件。
可选的,所述根据所述第一流量数据文件和所述第二流量数据文件,得到所述待预测时间的目标流量增量预测值,包括:
根据所述第一流量数据文件,构建所述当前短周期内各所述历史时间窗对应的第一拓扑图和所述第一拓扑图的特征矩阵;其中,所述第一拓扑图的节点包括:所述网络节点和所述第一通信节点;所述第一拓扑图的节点的特征向量为所述流量一阶差分值;
根据所述第二流量数据文件,构建所述目标长周期内同一所述历史时间窗对应的第二拓扑图和所述第二拓扑图的特征矩阵;其中,所述第二拓扑图的节点包括:所述网络节点和所述第二通信节点;所述第二拓扑图的节点的特征向量为所述流量平均变化量;
通过预先训练好的目标预测网络模型,根据多个所述第一拓扑图及其特征矩阵、多个所述第二拓扑图及其特征矩阵,输出所述待预测时间的目标流量增量预测值。
可选的,所述根据所述第一流量数据文件,构建所述当前短周期内各所述历史时间窗对应的第一拓扑图,包括:
针对所述当前短周期的第一时间窗,在所述网络节点和所述第一通信节点之间添加无向边,构建第一邻接拓扑图;其中,所述第一时间窗是多个所述历史时间窗中的任意一个;
计算所述第一邻接拓扑图中各节点的特征向量之间的余弦距离,得到第一节点相似度;
在所述第一节点相似度高于预设第一相似度阈值的两个节点之间添加无向边,得到第一相似拓扑图;
将所述第一相似拓扑图中各节点的特征向量组成所述第一相似拓扑图的特征矩阵;
将所述第一邻接拓扑图和所述第一相似拓扑图作为第一拓扑图。
可选的,所述根据所述第二流量数据文件,构建所述目标长周期内同一所述历史时间窗对应的第二拓扑图,包括:
针对所述目标长周期的多个同一第一时间窗,在所述网络节点和所述第二通信节点之间添加无向边,构建第二邻接拓扑图;
基于所述第二邻接拓扑图中节点的相似度,构建第二相似拓扑图;
将所述第二邻接拓扑图和所述第二相似拓扑图作为第二拓扑图。
可选的,所述目标预测网络模型包括:第一图注意力网络、第二图注意力网络以及连接于所述第一图注意力网络和所述第二图注意力网络的输出端的门控循环单元GRU模型。
可选的,所述通过预先训练好的目标预测网络模型,根据多个所述第一拓扑图及其特征矩阵、多个所述第二拓扑图及其特征矩阵,输出所述待预测时间的目标流量增量预测值,包括:
将多个所述第一拓扑图及其特征矩阵输入所述第一图注意力网络,得到多个第一拼接向量;
将多个所述第二拓扑图及其特征矩阵输入所述第二图注意力网络,得到多个第二拼接向量;
将所述多个第一拼接向量输入所述GRU模型,通过所述GRU模型根据所述多个第一拼接向量所述待预测时间的第一流量增量预测值;
将所述多个第二拼接向量输入所述GRU模型,通过所述GRU模型根据所述多个第二拼接向量所述待预测时间的第二流量增量预测值;
根据所述第一流量增量预测值和所述第二流量增量预测值得到目标流量增量预测值。
可选的,所述将多个所述第一拓扑图及其特征矩阵输入所述第一图注意力网络,得到多个第一拼接向量,包括:
将多个所述第一拓扑图逐一作为当前第一拓扑图,所述当前第一拓扑图包括:当前第一邻接拓扑图和当前第一相似拓扑图;
将多个所述当前第一邻接拓扑图及其特征矩阵输入所述第一图注意力网络,得到第一嵌入向量;
将所述当前第一相似拓扑图及其特征矩阵输入所述第一图注意力网络,得到第二嵌入向量;
将所述第一嵌入向量和所述第二嵌入向量进行串联,得到第一拼接向量。
本公开还提供了一种网络流量的预测装置,包括:
时域获取模块,用于获取时域特征,所述时域特征包括:短周期和由连续多个短周期组成的长周期;
第一采集模块,用于采集在当前短周期内多个历史时间窗的第一流量数据文件;其中,所述多个历史时间窗包括:在待预测时间之前且与所述待预测时间相邻的连续多个时间窗;所述第一流量数据文件包括:所述当前短周期内,各所述历史时间窗中的网络节点,与所述网络节点通信的第一通信节点,各所述历史时间窗相对相邻上一时间窗的流量一阶差分值;
第二采集模块,用于采集在目标长周期内,多个历史时间窗的第二流量数据文件;其中,所述目标长周期是所述当前短周期所在长周期的相邻前一长周期;所述第二流量数据文件包括:所述目标长周期内,各所述历史时间窗中的网络节点,与所述网络节点通信的第二通信节点,多个同一所述历史时间窗的流量平均变化量;
流量预测模块,用于根据所述第一流量数据文件和所述第二流量数据文件,得到所述待预测时间的目标流量增量预测值。
本公开还提供了一种电子设备,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点:
本公开实施例提供的网络流量的预测方法、装置及设备,其方法包括:获取时域特征,时域特征包括:短周期和由连续多个短周期组成的长周期;采集在当前短周期内多个历史时间窗的第一流量数据文件;第一流量数据文件包括:当前短周期内,各历史时间窗中的网络节点,与网络节点通信的第一通信节点,各历史时间窗相对相邻上一时间窗的流量一阶差分值;采集在目标长周期内,多个历史时间窗的第二流量数据文件;根据第一流量数据文件和第二流量数据文件,得到待预测时间的目标流量增量预测值。本实施例中,第一流量数据文件中包括的流量一阶差分值能够表征流量变化的时序特征,降低流量数据的波动性;第二流量数据文件中包括的流量平均变化量可以准确表征数据周期性性特征;进而根据第一流量数据文件和第二流量数据文件进行流量数据的预测,能够从降低数据波动性和提取数据周期性特征两方面,来提高对波形性较大的流量数据的预测准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开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,对于本领域普通技术人员而言,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为本公开实施例所述网络流量的预测方法的流程图;
图2为本公开实施例所述拓扑图的示意图;
图3为本公开实施例所述目标预测网络模型的示意图;
图4为本公开实施例所述网络流量的预测过程示意图;
图5为本公开实施例所述网络流量的预测装置的结构框图;
图6为本公开实施例所述电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
现有的网络流量的预测方法对于某个时间窗内波动较大的流量无法有效的预测。
在一种示例方案中,可以构建通信网络结构拓扑图,并使用图卷积神经网络和Transformer模型对通信网络拓扑结构和网络流量时间序列信息进行编码,学习数据的空间和时间特征。该方案使用每个时间间隔的累计流量对下一时刻流量进行预测,而网络流量数据是不平稳时间序列数据,同时数据具有周期性,从而对于某个时间窗内波动较大的流量无法有效的预测;同时,该方案对于时域维度没有考虑流量的周期性特征,对于空域维度没有考虑非邻接节点之间的相关性特征,导致对网络流量的预测精度较低。在另一种示例方案中,可以构建基于图神经网络和长短期记忆神经网络结合的模型,其中图神经网络学习网络拓扑结构,提取网络流量的空域特征,将空域特征作为长短期记忆神经网络输入,学习网络流量的时域变化规律,提取网络流量的时域特征。该方案与前一示例方案相似,同样对于某个时间窗内波动较大的流量无法有效的预测,以及,没有考虑流量的周期性特征和非邻接节点之间的相关性;此外,使用的LSTM模型无法提取时域中的长期依赖关系,模型训练时难以收敛。
基于上述问题,为了改善网络流量的预测效果,提高预测精度,本公开实施例提供了一种网络流量的预测方法、装置及设备。以下对本公开实施例展开描述。
图1为本公开实施例提供的一种网络流量的预测方法的流程图,该方法可以由网络流量的预测装置执行,该装置可以采用软件和/或硬件实现。如图1所示,该方法包括如下步骤:
步骤S102,获取时域特征,时域特征包括:短周期和由连续多个短周期组成的长周期。
本实施例中的时域特征可以包括短周期和长周期这两个时间分量。示例性的,短周期可以为日,相应的,由连续多个短周期组成的长周期可以为周;其中,每个短周期,也即每日,还可以划分为多个时间窗,比如每10分钟为一个时间窗、每一小时为一个时间窗等。
步骤S104,采集在当前短周期内多个历史时间窗的第一流量数据文件;其中,第一流量数据文件包括:当前短周期内,各历史时间窗中的网络节点,与网络节点通信的第一通信节点,各历史时间窗相对相邻上一时间窗的流量一阶差分值。多个历史时间窗包括:在待预测时间之前且与待预测时间相邻的连续多个时间窗;当前短周期可以为待预测时间所在的当日。
本实施例的实施过程可以包括:按照时域特征,采集网络节点在当前短周期内各历史时间窗的流量数据;流量数据包括:产生流量数据的网络节点,与网络节点通信的第一通信节点、网络节点产生的流量大小。
具体的,待预测时间可表示为t+1,则在待预测时间之前且与待预测时间相邻的连续多个历史时间窗可以表示为t、t-1、t-2、t-3……。历史时间窗的数量可随意设置,例如以10分钟为一个时间窗的情况下,可以将该数量设置为12,这样可以利用待遇测时间之前两个小时内的流量数据进行流量预测。
按照时域特征,采集网络节点在当前短周期(也即当天)内每个历史时间窗的如下流量数据:与网络节点通信的第一通信节点、网络节点与第一通讯节点通信而产生的总的流量大小。
计算各历史时间窗相对相邻上一时间窗的流量大小的变化量,如,用历史时间窗t的流量大小减去历史时间窗t-1的流量大小,以此类推,得到各历史时间窗的流量一阶差分值。
按照历史时间窗,将流量数据、流量一阶差分值生成与历史时间窗一一对应的第一流量数据文件。具体的,以任一历史时间窗为例,将当前历史时间窗内每个网络节点相关的流量一阶差分值保存到预设格式的第一流量数据文件中。每个历史时间窗均对应一个第一流量数据文件,于是可以按照历史时间窗的时间顺序为各个第一流量数据文件进行依次编号。在此情况下,第一流量数据文件表示为Flowi w(window_idx)k,其中w表示第几个长周期,i表示一个长周期中的第几个短周期,window_idx表示一个短周期中的第几个时间窗,k表示网络节点的编号;沿用上述周和天的示例,第一流量数据文件Flowi w(window_idx)k中,w表示第几周,i表示一周中的第几天,window_idx表示一天中的第几个时间窗,k表示网络节点的编号。
步骤S106,采集在目标长周期内,多个历史时间窗的第二流量数据文件;其中,第二流量数据文件包括:目标长周期内,各历史时间窗中的网络节点,与网络节点通信的第二通信节点,多个同一历史时间窗的流量平均变化量。目标长周期是当前短周期所在长周期的相邻前一长周期,如当日所在周(w)的前一周(w-1)。
在本实施例中,前一周的每一日都包括相同的多个历史时间窗。针对每日的每个历史时间窗,均获取其对应的流量数据;例如对于历史时间窗t,采集在上一周内,每日同一历史时间窗t的流量数据,表示为:上述流量数据中包括网络节点及与其通信的第二通信节点、网络节点产生的流量大小。根据每日历史时间窗t的流量数据,计算前一周多日在历史时间窗t的流量差分的均值,得到历史时间窗t的流量平均变化量,记作/>参照本实施例,可以得到前一周每个历史时间窗的流量平均变化量:/>按照历史时间窗,将流量数据、流量平均变化量生成与历史时间窗一一对应的第二流量数据文件。
在上述实施例中,通过当前短周期内不同历史时间窗的流量一阶差分值,也就是当日不同时间窗的流量变化量,能够有效降低流量数据的波动性;通过目标长周期的多个短周期内同一历史时间窗的流量平均变化量,也就是一周内每天同一时间窗的总数一阶差分的均值,能够准确表征流量变化的周期性特征;进而能够从降低数据波动性和提取数据周期性特征两方面,来提高对波形性较大的流量数据的预测准确性。
步骤S108,根据第一流量数据文件和第二流量数据文件,得到待预测时间的目标流量增量预测值。
在本实施例中,可以根据第一流量数据文件构建当前短周期对应的拓扑图,根据第二流量数据文件构建目标长周期对应的拓扑图;分别基于上述当前短周期和目标长周期这两个时间分量下的拓扑图,在空域维度提取非邻接节点之间的相关性特征;最后基于相关性特征得到待预测时间的目标流量增量预测值。本步骤的实施方式参照如下内容(I)-(III)。
(I)根据第一流量数据文件,构建当前短周期内各历史时间窗对应的第一拓扑图和第一拓扑图的特征矩阵;其中,第一拓扑图的节点包括:网络节点和第一通信节点;第一拓扑图的节点的特征向量为流量一阶差分值。
在本实施例中,针对当前短周期的第一时间窗,在网络节点和第一通信节点之间添加无向边,构建第一邻接拓扑图;其中,第一时间窗t是多个历史时间窗中的任意一个。第一邻接拓扑图中的各个节点为网络节点及其第一通信节点。具体的,参照图2,本实施例可以从第一流量数据文件中获取第一时间窗产生流量数据的网络节点以及与其通信的网络节点,即第一通讯节点。可以通过网络节点之间是否通信来确定第一邻接拓扑图中节点之间的边,若两个网络节点在当前的第一时间窗内通信,则两个网络节点在对应的第一邻接拓扑图的节点之间添加一条无向边,通过上述规则在网络节点及其第一通信节点之间添加无向边,构建网络节点之间的第一邻接拓扑图。
可以理解,对于第一通信节点,可以参照计算网络节点在第一时间窗的流量一阶差分值的方式,计算第一通信节点的流量一阶差分值。本实施例可以将网络节点和第一通信节点的流量一阶差分值作为第一邻接拓扑图中相应节点的特征向量,以及,将第一邻接拓扑图中各节点的特征向量组成第一邻接拓扑图的特征矩阵。
而后,计算第一邻接拓扑图中各节点的特征向量之间的余弦距离,得到第一节点相似度;在第一节点相似度高于预设第一相似度阈值的两个节点之间添加无向边,得到第一相似拓扑图。参照图2,将第一邻接拓扑图中各节点的第一节点相似度生成节点相似性矩阵;若两个节点的第一节点相似度大于第一相似度阈值(如0.5),则在该两个节点之间添加一条无向边,由此构建第一相似拓扑图。将第一相似拓扑图中各节点的特征向量组成第一相似拓扑图的特征矩阵。
将上述第一邻接拓扑图和上述第一相似拓扑图作为第一拓扑图。
根据以上实施例,依次读取多个历史时间窗的第一流量数据文件,并按照上述构建第一拓扑图的实施例,构建当前短周期内每个历史时间窗对应的第一拓扑图,第一拓扑图包括:第一邻接拓扑图和第一相似拓扑图/>的,以及得到每个第一邻接拓扑图的特征矩阵/>每个第一相似拓扑图的特征矩阵/>g为第一拓扑图编号。
(II)根据第二流量数据文件,构建目标长周期内同一历史时间窗对应的第二拓扑图和第二拓扑图的特征矩阵;其中,第二拓扑图的节点包括:网络节点和第二通信节点;第二拓扑图的节点的特征向量为流量平均变化量。
在本实施例中,针对目标长周期的多个同一第一时间窗,在网络节点和第二通信节点之间添加无向边,构建第二邻接拓扑图;基于第二邻接拓扑图中节点的相似度,构建第二相似拓扑图;将第二邻接拓扑图和第二相似拓扑图作为第二拓扑图。在实施时,可以依次读取多个历史时间窗的第二流量数据文件,由此构建第二邻接拓扑图/>及其特征矩阵/>第二相似拓扑图/>及其特征矩阵/>其中,将第二邻接拓扑图中各节点的流量平均变化量组成第二邻接拓扑图的特征矩阵;将第二相似拓扑图中各节点的流量平均变化量组成第二相似拓扑图的特征矩阵。第二邻接拓扑图和第二相似拓扑图的具体构建过程可参照上述第一邻接拓扑图和第一相似拓扑图,在此不再展开描述。
在上述实施例中,在当前短周期和目标长周期中的每个时间分量下,都构建了邻接拓扑图和相似拓扑图,其中,邻接拓扑图通过网络节点之间的是否通信来确定节点之间的边,通过该规则构建的图能够捕获邻接节点之间的连通性特征;相似拓扑图使用节点之间的相关性高低来确定两个节点之间的边,通过该规则构建的图能够捕获节点之间的相关性特征。
(III)通过预先训练好的目标预测网络模型,根据多个第一拓扑图及其特征矩阵、多个第二拓扑图及其特征矩阵,输出待预测时间的目标流量增量预测值。
如图3所示,目标预测网络模型包括:第一图注意力网络(GAT1)、第二图注意力网络(GAT2)以及连接于第一图注意力网络和第二图注意力网络的输出端的GRU(GateRecurrentUnit,门控循环单元)模型。
为便于理解,本实施例首先对图注意力网络(Graph Attention Network,GAT)进行介绍。图注意力网络是一种使用图注意力机制的图神经网络。图注意力网络将注意力机制引入到基于空间域的图神经网络,与基于谱域的图卷积神经网络不同,图注意力网络不需要使用拉普拉斯等矩阵进行复杂的计算,仅通过一阶邻居节点的表征来更新节点特征。其次,图中某个节点的邻接节点对当前节点的影响大小有差异,而图注意力网络使用自注意力机制计算图中某个节点相对与每个邻接节点的注意力,根据注意力大小对邻接节点特征进行加权聚合,生成该节点的加权表达。
图注意力网络对所有节点训练一个共享的权重矩阵W,权重矩阵将每个节点的特征F映射到F′。计算注意力时,将节点i与邻接节点j的特征Fi和Fj分别使用权重矩阵映射到Fi′和Fj′,并将两个输出向量进行拼接。之后使用前馈神经网络a将拼接向量映射到实数上。为了在计算注意力时保留节点i的信息,图注意力网络使用LeakyReLU对输出向量进行激活,最后通过softmax归一化得到最终的注意力系数。计算公式如下所示:eij=LeakyRelu(a[WFi||WFj])。
本实施例中的图注意力网络是经过超参数调节和多批次训练优化后的最优模型,可以将其保存到设备磁盘中,以便于在实际使用时快速调用。
根据以上图注意力网络,本实施例提供分别对应于当前短周期、目标长周期这两个时间分量的第一图注意力网络GAT1、第二图注意力网络GAT2。
在本实施例中,将多个第一拓扑图及其特征矩阵输入第一图注意力网络,得到多个第一拼接向量。
在一具体方式中,将多个第一拓扑图逐一作为当前第一拓扑图,当前第一拓扑图包括:当前第一邻接拓扑图和当前第一相似拓扑图;当前第一邻接拓扑图可表示为当前第一相似拓扑图可表示为/>
将当前第一邻接拓扑图及其特征矩阵输入第一图注意力网络,得到第一嵌入向量。将第一邻接拓扑图及其特征矩阵/>输入第一图注意力网络GAT1,经过图嵌入,第g个第一邻接拓扑图的第k个网络节点输出第一嵌入向量
将当前第一相似拓扑图及其特征矩阵输入第一图注意力网络,得到第二嵌入向量。将第一相似拓扑图及其特征矩阵/>输入第一图注意力网络GAT1,经过图嵌入,第g个图的第k个网络节点输出第二嵌入向量/>
将第一嵌入向量和第二嵌入向量进行串联,得到第一拼接向量,第一拼接向量可表示为
同样的,将多个第二拓扑图及其特征矩阵输入第二图注意力网络,得到多个第二拼接向量。
在具体实施时,将第二邻接拓扑图及其特征矩阵/>输入第二图注意力网络GAT2,得到第三嵌入向量/>将第二相似拓扑图及其特征矩阵/>输入第二图注意力网络GAT2,得到第四嵌入向量/>将第二邻接拓扑图的第三嵌入向量和第二相似拓扑图的第四嵌入向量串联,得到表示为/>的第二拼接向量。
接下来,将多个第一拼接向量输入GRU模型,通过GRU模型根据多个第一拼接向量待预测时间的第一流量增量预测值;将多个第二拼接向量输入GRU模型,通过GRU模型根据多个第二拼接向量待预测时间的第二流量增量预测值;以及,根据第一流量增量预测值和第二流量增量预测值得到目标流量增量预测值。
在本实施例中,多个第一拼接向量组成的向量序列经过GRU模型,通过GRU模型提取该向量序列的时序特征,并根据时序特征预测待预测时间的第一流量增量预测值f1。采用同样的方式,通过GRU模型根据多个第二拼接向量/>得到待预测时间的第二流量增量预测值f2。而后可以将第一流量增量预测值f1和第二流量增量预测值f2的加权平均值,作为目标流量增量预测值/>即:/>其中,a和b分别为权重值。
在得到目标流量增量预测值后,可以将目标流量增量预测值与预设的流量阈值进行比对,如果目标流量增量预测值超过流量阈值,
上述实施例中,在当前短周期和目标长周期中的每个时间分量下,通过第一图注意力网络、第二图注意力网络提取到了邻接拓扑图的连通性特征以及相似拓扑图的相关性特征这两个维度空域特征,充分考虑到了空域维度非邻接节点之间的相关性;在此基础上,通过GRU模型提取流量的时间维度特征。因此,本实施例综合从空域维度和时间维度两方面考虑流量数据的特征,能够有效提高数据的平稳性和对于波动较大流量预测的准确性。
参照图4所示的网络流量的预测过程的示意图,在此根据以上实施例,提供一种实际应用场景中的网络流量的预测方法。在本应用场景中,时域特征的具体示例包括:以日为单位的短周期和以周为单位的长周期,且一日以每10分钟为一个时间窗。本实施例中的网络流量的预测方法,可以通过流量采集功能模块、图构建功能模块、模型训练功能模块和模型预测功能模块实现。
流量采集功能模块采集网络中每个网络节点每日0:00至24:00的流量数据,期间每10分钟记录一次在10分钟内与当前记录的网络节点(可简称为记录节点)通信的所有网络节点(可简称为通信节点),以及当前记录节点与其通信节点通信产生的总的流量大小,并计算当前时间窗流量大小相对于上一时间窗流量大小的差值,即流量一阶差分值。将当前时间窗内每个网络节点相关的流量一阶差分值和通信节点保存到一个预设格式的第一流量数据文件中。每日可生成144个第一流量数据文件,每日时间窗口(10分钟)按时间顺序从1-144进行依次编号。第一流量数据文件可表示为Flowi w(window_idx)k,其中w表示一年中的第几周,i表示一周中的第几天,window_idx表示一天中的第几个时间窗,k表示网络节点的编号。
流量采集功能模块按照上述采集方式,采集当天12个历史时间窗的第一流量数据文件,以及采集前一周每日相同的12个历史时间窗的第二流量数据文件。
针对图构建功能模块,对于当天的每个历史时间窗,根据第一流量数据文件,也即根据当前10分钟内网络中每个记录节点的通信节点以及每个记录节点在该10分钟内产生的流量大小,构建第一邻接拓扑图及其特征矩阵、第一相似拓扑图及其特征矩阵。对于前一周每日同一历史时间窗,根据第二流量数据文件,也即根据每日同一10分钟内,网络中每个记录节点的通信节点以及每个记录节点在该10分钟内产生的流量大小,构建第二邻接拓扑图及其特征矩阵、第二相似拓扑图及其特征矩阵。
模型训练功能模块用于在使用目标预测网络模型进行流量预测之前,先对目标预测网络模型进行训练。其中,目标预测网络模型包括两个图注意力网络和一个GRU模型。训练过程示例为:将训练数据集输入图注意力网络中,学习和挖掘流量数据的时域特征和空域特征;其中,图注意力网络用于提取流量数据的空域特征,GRU模型用于学习提取流量数据的时域特征。经过超参数调节和多批次训练优化模型,得到最优的目标预测网络模型,并将其持久化保存到设备磁盘中。
模型预测功能模块从磁盘中加载预先训练好的目标预测网络模型。将多个第一邻接拓扑图及其特征矩阵、多个第一相似拓扑图及其特征数据输入至第一图注意力网络,以输出第一拼接向量;将多个第二邻接拓扑图及其特征矩阵、多个第二相似拓扑图及其特征数据输入至第二图注意力网络,以输出第二拼接向量。将第一图注意力网络输出的第一拼接向量输入至GRU模型进行流量预测,得到第一流量增量预测值;将第二图注意力网络输出的第二拼接向量输入至GRU模型进行流量预测,得到第二流量增量预测值;将第一流量增量预测值和第二流量增量预测值的加权平均值,作为最终的目标流量增量预测值,该预测值即为预测的当前的网络节点相对于上一时间窗的流量增量。
综上,本公开实施例提供的网络流量的预测方法,采集在当前短周期内多个历史时间窗的第一流量数据文件;采集在目标长周期内,多个历史时间窗的第二流量数据文件;以上可以得到流量一阶差分值和流量平均变化量,其中,流量一阶差分值能够表征流量变化的时序特征,降低流量数据的波动性,流量平均变化量可以准确表征数据周期性性特征;进而根据第一流量数据文件和第二流量数据文件进行流量数据的预测,能够从降低数据波动性和提取数据周期性特征两方面,来提高对波形性较大的流量数据的预测准确性。同时,本实施例在每个时域特征下,均通过连通性构建邻接拓扑图,通过相似性构建相似拓扑图,由此可以在空域维度提取非邻接网络节点之间相关性特征。因此,本实施例综合从空域维度和时间维度两方面考虑流量数据的特征,能够有效提高流量预测的准确性,尤其是能够提高对波动性较大的流量预测的准确性。
图5为本公开实施例提供的一种网络流量的预测装置的结构框图,该装置可以用于实现上述实施例提供的网络流量的预测方法。如图5所示,该装置包括如下模块:
时域获取模块502,用于获取时域特征,所述时域特征包括:短周期和由连续多个短周期组成的长周期;
第一采集模块504,用于采集在当前短周期内多个历史时间窗的第一流量数据文件;其中,所述多个历史时间窗包括:在待预测时间之前且与所述待预测时间相邻的连续多个时间窗;所述第一流量数据文件包括:所述当前短周期内,各所述历史时间窗中的网络节点,与所述网络节点通信的第一通信节点,各所述历史时间窗相对相邻上一时间窗的流量一阶差分值;
第二采集模块506,用于采集在目标长周期内,多个历史时间窗的第二流量数据文件;其中,所述目标长周期是所述当前短周期所在长周期的相邻前一长周期;所述第二流量数据文件包括:所述目标长周期内,各所述历史时间窗中的网络节点,与所述网络节点通信的第二通信节点,多个同一所述历史时间窗的流量平均变化量;
流量预测模块508,用于根据所述第一流量数据文件和所述第二流量数据文件,得到所述待预测时间的目标流量增量预测值。
本实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
图6为本公开实施例提供的一种电子设备的结构示意图。如图6所示,电子设备600包括一个或多个处理器601和存储器602。
处理器601可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备600中的其他组件以执行期望的功能。
存储器602可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器601可以运行所述程序指令,以实现上文所述的本公开的实施例的网络流量的预测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中,电子设备600还可以包括:输入装置603和输出装置604,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
此外,该输入装置603还可以包括例如键盘、鼠标等等。
该输出装置604可以向外部输出各种信息,包括确定出的距离信息、方向信息等。该输出装置604可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图6中仅示出了该电子设备600中与本公开有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备600还可以包括任何其他适当的组件。
进一步,本实施例还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述网络流量的预测方法。
本公开实施例所提供的一种网络流量的预测方法、装置、电子设备及介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种网络流量的预测方法,其特征在于,包括:
获取时域特征,所述时域特征包括:短周期和由连续多个短周期组成的长周期;
采集在当前短周期内多个历史时间窗的第一流量数据文件;其中,所述多个历史时间窗包括:在待预测时间之前且与所述待预测时间相邻的连续多个时间窗;所述第一流量数据文件包括:所述当前短周期内,各所述历史时间窗中的网络节点,与所述网络节点通信的第一通信节点,各所述历史时间窗相对相邻上一时间窗的流量一阶差分值;
采集在目标长周期内,多个历史时间窗的第二流量数据文件;其中,所述目标长周期是所述当前短周期所在长周期的相邻前一长周期;所述第二流量数据文件包括:所述目标长周期内,各所述历史时间窗中的网络节点,与所述网络节点通信的第二通信节点,多个同一所述历史时间窗的流量平均变化量;
根据所述第一流量数据文件和所述第二流量数据文件,得到所述待预测时间的目标流量增量预测值;
所述根据所述第一流量数据文件和所述第二流量数据文件,得到所述待预测时间的目标流量增量预测值,包括:
根据所述第一流量数据文件,构建所述当前短周期内各所述历史时间窗对应的第一拓扑图和所述第一拓扑图的特征矩阵;其中,所述第一拓扑图的节点包括:所述网络节点和所述第一通信节点;所述第一拓扑图的节点的特征向量为所述流量一阶差分值;
根据所述第二流量数据文件,构建所述目标长周期内同一所述历史时间窗对应的第二拓扑图和所述第二拓扑图的特征矩阵;其中,所述第二拓扑图的节点包括:所述网络节点和所述第二通信节点;所述第二拓扑图的节点的特征向量为所述流量平均变化量;
通过预先训练好的目标预测网络模型,根据多个所述第一拓扑图及其特征矩阵、多个所述第二拓扑图及其特征矩阵,输出所述待预测时间的目标流量增量预测值;
所述目标预测网络模型包括:第一图注意力网络、第二图注意力网络以及连接于所述第一图注意力网络和所述第二图注意力网络的输出端的门控循环单元GRU模型;
所述通过预先训练好的目标预测网络模型,根据多个所述第一拓扑图及其特征矩阵、多个所述第二拓扑图及其特征矩阵,输出所述待预测时间的目标流量增量预测值,包括:
将多个所述第一拓扑图及其特征矩阵输入所述第一图注意力网络,得到多个第一拼接向量;
将多个所述第二拓扑图及其特征矩阵输入所述第二图注意力网络,得到多个第二拼接向量;
将所述多个第一拼接向量输入所述GRU模型,通过所述GRU模型根据所述多个第一拼接向量所述待预测时间的第一流量增量预测值;
将所述多个第二拼接向量输入所述GRU模型,通过所述GRU模型根据所述多个第二拼接向量所述待预测时间的第二流量增量预测值;
根据所述第一流量增量预测值和所述第二流量增量预测值得到目标流量增量预测值。
2.根据权利要求1所述的方法,其特征在于,所述采集在当前短周期内多个历史时间窗的第一流量数据文件,包括:
按照所述时域特征,采集所述网络节点在当前短周期内各所述历史时间窗的流量数据;所述流量数据包括:与所述网络节点通信的第一通信节点、所述网络节点产生的流量大小;
计算各所述历史时间窗相对相邻上一时间窗的所述流量大小的变化量,得到各所述历史时间窗的流量一阶差分值;
按照所述历史时间窗,将所述流量数据、所述流量一阶差分值生成与所述历史时间窗一一对应的第一流量数据文件。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一流量数据文件,构建所述当前短周期内各所述历史时间窗对应的第一拓扑图,包括:
针对所述当前短周期的第一时间窗,在所述网络节点和所述第一通信节点之间添加无向边,构建第一邻接拓扑图;其中,所述第一时间窗是多个所述历史时间窗中的任意一个;
计算所述第一邻接拓扑图中各节点的特征向量之间的余弦距离,得到第一节点相似度;
在所述第一节点相似度高于预设第一相似度阈值的两个节点之间添加无向边,得到第一相似拓扑图;
将所述第一相似拓扑图中各节点的特征向量组成所述第一相似拓扑图的特征矩阵;
将所述第一邻接拓扑图和所述第一相似拓扑图作为第一拓扑图。
4.根据权利要求1所述的方法,其特征在于,所述根据所述第二流量数据文件,构建所述目标长周期内同一所述历史时间窗对应的第二拓扑图,包括:
针对所述目标长周期的多个同一第一时间窗,在所述网络节点和所述第二通信节点之间添加无向边,构建第二邻接拓扑图;
基于所述第二邻接拓扑图中节点的相似度,构建第二相似拓扑图;
将所述第二邻接拓扑图和所述第二相似拓扑图作为第二拓扑图。
5.根据权利要求1所述的方法,其特征在于,所述将多个所述第一拓扑图及其特征矩阵输入所述第一图注意力网络,得到多个第一拼接向量,包括:
将多个所述第一拓扑图逐一作为当前第一拓扑图,所述当前第一拓扑图包括:当前第一邻接拓扑图和当前第一相似拓扑图;
将多个所述当前第一邻接拓扑图及其特征矩阵输入所述第一图注意力网络,得到第一嵌入向量;
将所述当前第一相似拓扑图及其特征矩阵输入所述第一图注意力网络,得到第二嵌入向量;
将所述第一嵌入向量和所述第二嵌入向量进行串联,得到第一拼接向量。
6.一种网络流量的预测装置,其特征在于,包括:
时域获取模块,用于获取时域特征,所述时域特征包括:短周期和由连续多个短周期组成的长周期;
第一采集模块,用于采集在当前短周期内多个历史时间窗的第一流量数据文件;其中,所述多个历史时间窗包括:在待预测时间之前且与所述待预测时间相邻的连续多个时间窗;所述第一流量数据文件包括:所述当前短周期内,各所述历史时间窗中的网络节点,与所述网络节点通信的第一通信节点,各所述历史时间窗相对相邻上一时间窗的流量一阶差分值;
第二采集模块,用于采集在目标长周期内,多个历史时间窗的第二流量数据文件;其中,所述目标长周期是所述当前短周期所在长周期的相邻前一长周期;所述第二流量数据文件包括:所述目标长周期内,各所述历史时间窗中的网络节点,与所述网络节点通信的第二通信节点,多个同一所述历史时间窗的流量平均变化量;
流量预测模块,用于根据所述第一流量数据文件和所述第二流量数据文件,得到所述待预测时间的目标流量增量预测值;所述根据所述第一流量数据文件和所述第二流量数据文件,得到所述待预测时间的目标流量增量预测值,包括:
根据所述第一流量数据文件,构建所述当前短周期内各所述历史时间窗对应的第一拓扑图和所述第一拓扑图的特征矩阵;其中,所述第一拓扑图的节点包括:所述网络节点和所述第一通信节点;所述第一拓扑图的节点的特征向量为所述流量一阶差分值;
根据所述第二流量数据文件,构建所述目标长周期内同一所述历史时间窗对应的第二拓扑图和所述第二拓扑图的特征矩阵;其中,所述第二拓扑图的节点包括:所述网络节点和所述第二通信节点;所述第二拓扑图的节点的特征向量为所述流量平均变化量;
通过预先训练好的目标预测网络模型,根据多个所述第一拓扑图及其特征矩阵、多个所述第二拓扑图及其特征矩阵,输出所述待预测时间的目标流量增量预测值;
所述目标预测网络模型包括:第一图注意力网络、第二图注意力网络以及连接于所述第一图注意力网络和所述第二图注意力网络的输出端的门控循环单元GRU模型;
所述通过预先训练好的目标预测网络模型,根据多个所述第一拓扑图及其特征矩阵、多个所述第二拓扑图及其特征矩阵,输出所述待预测时间的目标流量增量预测值,包括:
将多个所述第一拓扑图及其特征矩阵输入所述第一图注意力网络,得到多个第一拼接向量;
将多个所述第二拓扑图及其特征矩阵输入所述第二图注意力网络,得到多个第二拼接向量;
将所述多个第一拼接向量输入所述GRU模型,通过所述GRU模型根据所述多个第一拼接向量所述待预测时间的第一流量增量预测值;
将所述多个第二拼接向量输入所述GRU模型,通过所述GRU模型根据所述多个第二拼接向量所述待预测时间的第二流量增量预测值;
根据所述第一流量增量预测值和所述第二流量增量预测值得到目标流量增量预测值。
7.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-5中任一所述的网络流量的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210866486.1A CN115225546B (zh) | 2022-07-22 | 2022-07-22 | 一种网络流量的预测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210866486.1A CN115225546B (zh) | 2022-07-22 | 2022-07-22 | 一种网络流量的预测方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115225546A CN115225546A (zh) | 2022-10-21 |
CN115225546B true CN115225546B (zh) | 2023-11-28 |
Family
ID=83614498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210866486.1A Active CN115225546B (zh) | 2022-07-22 | 2022-07-22 | 一种网络流量的预测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115225546B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103227999A (zh) * | 2013-05-02 | 2013-07-31 | 中国联合网络通信集团有限公司 | 网络流量预测方法和装置 |
US8995249B1 (en) * | 2013-02-13 | 2015-03-31 | Amazon Technologies, Inc. | Predicting route utilization and non-redundant failures in network environments |
CN110798365A (zh) * | 2020-01-06 | 2020-02-14 | 支付宝(杭州)信息技术有限公司 | 基于神经网络的流量预测方法及装置 |
CN110896357A (zh) * | 2018-09-13 | 2020-03-20 | 中国电信股份有限公司 | 流量预测方法、装置和计算机可读存储介质 |
CN111200531A (zh) * | 2020-01-02 | 2020-05-26 | 国网冀北电力有限公司信息通信分公司 | 一种通信网流量预测方法、装置与电子设备 |
CN111726243A (zh) * | 2020-05-14 | 2020-09-29 | 华为技术有限公司 | 预测节点状态的方法和装置 |
CN111968375A (zh) * | 2020-08-27 | 2020-11-20 | 北京嘀嘀无限科技发展有限公司 | 交通流量的预测方法、装置、可读存储介质及电子设备 |
CN112910710A (zh) * | 2021-02-08 | 2021-06-04 | 清华大学 | 网络流量时空预测方法、装置、计算机设备和存储介质 |
CN113497717A (zh) * | 2020-03-19 | 2021-10-12 | 中国移动通信有限公司研究院 | 网络流量的预测方法、装置、设备及存储介质 |
CN114422381A (zh) * | 2021-12-14 | 2022-04-29 | 西安电子科技大学 | 通信网络流量预测方法、系统、存储介质及计算机设备 |
CN114584476A (zh) * | 2020-11-17 | 2022-06-03 | 中国移动通信有限公司研究院 | 一种流量预测方法、网络训练方法、装置及电子设备 |
-
2022
- 2022-07-22 CN CN202210866486.1A patent/CN115225546B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8995249B1 (en) * | 2013-02-13 | 2015-03-31 | Amazon Technologies, Inc. | Predicting route utilization and non-redundant failures in network environments |
CN103227999A (zh) * | 2013-05-02 | 2013-07-31 | 中国联合网络通信集团有限公司 | 网络流量预测方法和装置 |
CN110896357A (zh) * | 2018-09-13 | 2020-03-20 | 中国电信股份有限公司 | 流量预测方法、装置和计算机可读存储介质 |
CN111200531A (zh) * | 2020-01-02 | 2020-05-26 | 国网冀北电力有限公司信息通信分公司 | 一种通信网流量预测方法、装置与电子设备 |
CN110798365A (zh) * | 2020-01-06 | 2020-02-14 | 支付宝(杭州)信息技术有限公司 | 基于神经网络的流量预测方法及装置 |
CN113497717A (zh) * | 2020-03-19 | 2021-10-12 | 中国移动通信有限公司研究院 | 网络流量的预测方法、装置、设备及存储介质 |
CN111726243A (zh) * | 2020-05-14 | 2020-09-29 | 华为技术有限公司 | 预测节点状态的方法和装置 |
CN111968375A (zh) * | 2020-08-27 | 2020-11-20 | 北京嘀嘀无限科技发展有限公司 | 交通流量的预测方法、装置、可读存储介质及电子设备 |
CN114584476A (zh) * | 2020-11-17 | 2022-06-03 | 中国移动通信有限公司研究院 | 一种流量预测方法、网络训练方法、装置及电子设备 |
CN112910710A (zh) * | 2021-02-08 | 2021-06-04 | 清华大学 | 网络流量时空预测方法、装置、计算机设备和存储介质 |
CN114422381A (zh) * | 2021-12-14 | 2022-04-29 | 西安电子科技大学 | 通信网络流量预测方法、系统、存储介质及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115225546A (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104350471B (zh) | 在处理环境中实时地检测异常的方法和系统 | |
US20170116530A1 (en) | Generating prediction models in accordance with any specific data sets | |
Tastu et al. | Space-time trajectories of wind power generation: Parametrized precision matrices under a Gaussian copula approach | |
CN112289034A (zh) | 基于多模态时空数据的深度神经网络鲁棒交通预测方法 | |
WO2021129086A1 (zh) | 流量预测方法、装置以及存储介质 | |
CN111294812B (zh) | 一种资源扩容规划的方法及系统 | |
CN111160959B (zh) | 一种用户点击转化预估方法及装置 | |
CN109995611B (zh) | 流量分类模型建立及流量分类方法、装置、设备和服务器 | |
CN113435430B (zh) | 基于自适应时空纠缠的视频行为识别方法、系统、设备 | |
WO2023207411A1 (zh) | 一种基于时空数据的流量确定方法、装置、设备和介质 | |
CN116011684A (zh) | 一种基于时空图卷积网络的交通流量预测方法 | |
CN115718826A (zh) | 图结构数据中的目标节点分类方法、系统、设备及介质 | |
Yang et al. | An adaptive IoT network security situation prediction model | |
CN115225546B (zh) | 一种网络流量的预测方法、装置及设备 | |
CN116010228B (zh) | 面向网络安全扫描的时间预估方法及装置 | |
CN116991455A (zh) | 一种api资产识别方法和装置 | |
CN116386312A (zh) | 一种交通量预测模型的构建方法和系统 | |
CN111209105A (zh) | 扩容处理方法、装置、设备及可读存储介质 | |
Sanz-Alcaine et al. | Online voltage prediction using gaussian process regression for fault-tolerant photovoltaic standalone applications | |
CN114880363A (zh) | 一种数据中心流量预测系统及训练方法、预测方法 | |
US11875523B2 (en) | Adaptive stereo matching optimization method and apparatus, device and storage medium | |
Fukuda | Interpolation and forecasting of population census data | |
CN117113148B (zh) | 基于时序图神经网络的风险识别方法、装置及存储介质 | |
JP6959559B2 (ja) | データ数決定装置、データ数決定方法及びデータ数決定プログラム | |
JP6849542B2 (ja) | クラス決定装置、クラス決定方法及びクラス決定プログラム |
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 |