CN115348179B - 网络流量边界预测方法、装置、设备及介质 - Google Patents

网络流量边界预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN115348179B
CN115348179B CN202210957336.1A CN202210957336A CN115348179B CN 115348179 B CN115348179 B CN 115348179B CN 202210957336 A CN202210957336 A CN 202210957336A CN 115348179 B CN115348179 B CN 115348179B
Authority
CN
China
Prior art keywords
value
residual
prediction
flow
boundary
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
Application number
CN202210957336.1A
Other languages
English (en)
Other versions
CN115348179A (zh
Inventor
马浩鹏
阮科
黄晓莹
邓丽洁
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 Telecom Corp Ltd
Original Assignee
China Telecom Corp 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 Telecom Corp Ltd filed Critical China Telecom Corp Ltd
Priority to CN202210957336.1A priority Critical patent/CN115348179B/zh
Publication of CN115348179A publication Critical patent/CN115348179A/zh
Application granted granted Critical
Publication of CN115348179B publication Critical patent/CN115348179B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • 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
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本公开提供了一种网络流量边界预测方法、装置、设备及介质，涉及数据通信及时间序列边界预测技术领域。该方法包括：通过预先训练的流量预测模型，得到预测流量值；统计预测流量值与真实值的残差空间；对残差空间抽样建模，得到流量上边界预测值和下边界预测值。根据本公开实施例，能够使网络规划人员清楚了解未来网络流量的状况，以实现更近一步的仿真及网络调整。

Description

网络流量边界预测方法、装置、设备及介质
技术领域
本公开涉及数据通信及时间序列边界预测技术领域，尤其涉及一种网络流量边界预测方法、装置、设备及介质。
背景技术
在网络规划仿真的过程中，规划人员需要根据现网的历史流量数据，预测未来三年的流量规模。流量预测的核心需求在于需要准确预测未来网络流量的边界而不是流量值。相关技术中的时序预测模型大多是采用监督式训练，然而已有的历史流量数据仅有流量值，而无法给出一个真实的流量上下界信息，因此无法直接完成模型训练和流量边界预测。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供一种网络流量边界预测方法、装置、设备及介质，至少在一定程度上解决相关技术中流量预测模型无法准确预测流量边界的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供了一种网络流量边界预测方法，其特征在于，包括：
通过预先训练的流量预测模型，得到预测流量值；
统计预测流量值与真实值的残差空间；
对残差空间抽样建模，得到流量上边界预测值和下边界预测值。
在本公开的一个实施例中，对残差空间抽样建模，得到流量上边界预测值和下边界预测值，包括：
设定所需预测边界的置信度值；
基于置信度值多次随机采样残差空间，得到流量上边界预测值和下边界预测值。
在本公开的一个实施例中，基于置信度值多次随机采样残差空间，得到流量上边界预测值和下边界预测值，包括：
基于置信度值多次随机采样残差空间，得到残差上界和下界对应的多个信息空间；
在每个信息空间上做平滑处理后，得到流量上边界预测值和下边界预测值。
在本公开的一个实施例中，基于置信度值多次随机采样残差空间，得到残差上界和下界对应的多个信息空间，包括：
通过VRB模型基于置信度值多次随机采样残差空间，得到残差上界和下界对应的多个信息空间。
在本公开的一个实施例中，在每个信息空间上做平滑处理后，得到流量上边界预测值和下边界预测值，包括：
在每个信息空间上做平滑处理；
设置统计特征，聚合多个残差空间，得到流量上边界预测值和下边界预测值。
在本公开的一个实施例中，在每个信息空间上做平滑处理，包括：
利用MAS算法在每个信息空间上做平滑处理。
在本公开的一个实施例中，对残差空间抽样建模，得到流量上边界预测值和下边界预测值之前，方法还包括：
设定残差滤波阈值，基于残差滤波阈值滤除残差空间中的噪声。
在本公开的一个实施例中，流量预测模型采用Informer模型。
在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
根据本公开的另一个方面，提供一种网络流量边界预测装置，包括：
流量预测模块，用于通过预先训练的流量预测模型，得到预测流量值；
残差统计模块，用于统计预测流量值与真实值的残差空间；
边界预测模块，用于对残差空间抽样建模，得到流量上边界预测值和下边界预测值。
根据本公开的又一个方面，提供一种电子设备，包括：存储器，用于存储指令；处理器，用于调用所述存储器中存储的指令，实现上述的网络流量边界预测方法。
根据本公开的又一个方面，提供一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被处理器执行时实现上述的网络流量边界预测方法。
根据本公开的又一个方面，提供一种计算机程序产品，计算机程序产品存储有指令，所述指令在由计算机执行时，使得计算机实施上述的网络流量边界预测方法。
根据本公开的又一个方面，提供一种芯片，包括至少一个处理器和接口；
接口，用于为至少一个处理器提供程序指令或者数据；
至少一个处理器用于执行程序指令，以实现上述的网络流量边界预测方法。
本公开实施例所提供的网络流量边界预测方法、装置、设备及介质，通过预先训练的流量预测模型，得到预测流量值；然后统计预测流量值与真实值的残差空间，对残差空间抽样建模，得到流量上边界预测值和下边界预测值，使得IP网络规划人员清楚了解未来网络流量的状况，以实现更近一步的仿真及网络调整。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
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。
显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示出本公开实施例中一种网络流量边界预测方法流程图；
图2示出本公开实施例中S106步骤的具体实现流程图；
图3示出本公开实施例中模型训练流程示意图；
图4示出本公开实施例中一种网络流量边界预测方法流程图；
图5示出本公开实施例中基于流量预测模型得到预测流量值后的处理流程示意图；
图6示出本公开实施例中一种网络流量边界预测装置示意图；
图7示出本公开实施例中一种电子设备的结构框图。
具体实施方式
下面将参考附图更全面地描述示例实施方式。
需要说明的是，示例实施方式能够以多种形式实施，不应被理解为限于在此阐述的范例。
在网络规划仿真的过程中，规划人员需要根据现网的历史流量数据，预测未来三年的流量规模，要求尽可能准确估计流量的上下边界，以便于提前模拟网络状态，调整网络拓扑。在满足未来网络需求的前提下，减少设备成本，提高网络资源利用率。
流量预测的核心需求在于需要准确预测未来网络流量的边界而不是流量值。目前存在的时序预测模型(线性回归、LSTM、RNN、BPNN)大多是采用监督式训练，然而已有的历史流量数据仅有流量值，而无法给出一个真实的流量上下界信息，因此无法直接完成模型训练和流量边界预测。
为解决上述问题，本公开实施例利用预测性能优异的Informer模型预测网络流量，并在已有的预测结果上基于VRB(Validation Residual Boostrap)和MAS模型分析多个残差空间，最终得到流量预测边界以及置信度，既保证了预测准确率，又满足了网络流量边界预测的需求。
下面结合附图及实施例对本示例实施方式进行详细说明。
图1示出本公开实施例中一种网络流量边界预测方法流程图，如图1所示，本公开实施例中提供的网络流量边界预测方法包括如下步骤：
S102，通过预先训练的流量预测模型，得到预测流量值。
流量预测模型可以采用神经网络模型。
作为一个示例，流量预测模型可以是Informer模型。Informer模型是基于Transformer改进的高效的长时间序列预测模型。Informer模型，具有如下特征：
ProbSpare self-attention机制，有效降低了时间复杂度和内存使用量；
通过将级联层输入减半来突出Self-attention中的主导因子，有效地处理过长的输入序列；
对长时间序列进行一次预测而不是一步步方式进行预测，极大提高了长序列预测的推理速度。
在一些实施例中，本公开实施例还可以包括构建及训练流量预测模型的过程。本公开实施例中流量预测模型可以是基于历史流量数据训练得到的。
作为一个示例，本公开实施例建立Informer模型，利用Gaussian分布将模型参数初始化，建立损失MSE损失函数，并训练模型。每完成一个epoch，根据验证误差调节模型超参，多次迭代后得到预测效果优异的模型，也就是训练后的流量预测模型。
相应地，利用训练后的流量预测模型预测未来的网络流量，得到预测流量值。
S104，统计预测流量值与真实值的残差空间。
残差，实际观察值与估计值(拟合值)之间的差。本公开实施例中，残差可以是真实值与预测流量值之间的差。
S106，对残差空间抽样建模，得到流量上边界预测值和下边界预测值。
本公开中对残差空间抽样建模可以是基于VRB(Validation Residual Boostrap，验证集残差抽样)，对残差空间进行分析。
VRB是指在验证集上得到真实值与预测值的残差，然后时序序列做采样。
本公开实施例利用预测性能优异的Informer模型预测网络流量，并在已有的预测结果上基于VRB分析多个残差空间，最终得到流量预测边界，既保证了预测准确率，又满足了网络流量边界预测的需求。
在一些实施例中，如图2所示，上述S106对残差空间抽样建模，得到流量上边界预测值和下边界预测值，可以包括：
S1061，设定所需预测边界的置信度值；
S1062，基于置信度值多次随机采样残差空间，得到流量上边界预测值和下边界预测值。
设定所需预测边界的置信度值C，基于C多次随机采样残差空间，令每个预测点存在多个预测边界值。
在一些实施例中，S1062，可以实现如下：
基于置信度值多次随机采样残差空间，得到残差上界和下界对应的多个信息空间；
在每个信息空间上做平滑处理后，得到流量上边界预测值和下边界预测值。
作为一个示例，基于置信度值多次随机采样残差空间，得到残差上界和下界对应的多个信息空间，包括：通过VRB模型基于置信度值多次随机采样残差空间，得到残差上界和下界对应的多个信息空间。
作为一个示例，在每个信息空间上做平滑处理后，得到流量上边界预测值和下边界预测值，包括：在每个信息空间上做平滑处理；设置统计特征，聚合多个残差空间，得到流量上边界预测值和下边界预测值。
其中，在每个信息空间上做平滑处理，可以是利用MAS(Moving AverageSmoothing，移动平滑)算法在每个信息空间上做平滑处理。
本公开实施例利用MAS算法分别平滑上界值和下界值，得到最终流量预测的上界U、下界L，置信度C。
在一些实施例中，对残差空间抽样建模，得到流量上边界预测值和下边界预测值之前，上述方法还可以包括：设定残差滤波阈值，基于残差滤波阈值滤除残差空间中的噪声。
本公开实施例设置置信度值C，并在原有预测模型的基础上对残差空间进一步抽样建模，得到多个上下界估计值，之后又通过MAS平滑结果，得到最终的流量上下界预测值，以及该区间的可信程度，使得IP网络规划人员清楚了解未来网络流量的状况，以实现更近一步的仿真及网络调整。
需要说明的是，在通过预先训练的流量预测模型，得到预测流量值之前，还可以包括构建及训练流量预测模型的过程。本公开实施例中流量预测模型可以是基于历史流量数据训练得到的。
本公开实施例中的流量预测模型可以是神经网络模型。作为一个示例，本公开实施例中的流量预测模型可以是Informer模型。
如图3所示，本公开实施例可以将历史流量数据划分为训练集、验证集和测试集。
基于训练集训练模型，更新模型参数空间；基于验证集调整训练过程中超参；基于测试集测试预测结果。最终得到训练后的流量预测模型。
将待预测序列输入到训练后的流量预测模型，例如Informer模型，便可以得到预测结果，也就是预测流量值。
图4示出本公开实施例中一种网络流量边界预测方法流程图，如图4所示，本公开实施例中提供的网络流量边界预测方法包括如下步骤：
S402，训练流量预测模型(Informer模型)；
S404，在验证数据与测试数据上随机抽样，搜索残差空间；
S406，利用MAS平滑残差空间，得到最终稳定的网络流量预测的上下边界，以及该边界的空间置信度。
上述S402中，建立Informer模型，利用Gaussian分布将模型参数初始化，建立损失MSE损失函数，并训练模型。每完成一个epoch，根据验证误差调节模型超参，多次迭代后得到预测效果优异的模型。
上述S404可以包括如下步骤：
利用模型预测未来的网络流量，得到流量预测值；
统计预测值与真实值的残差区间；
设定残差滤波阈值threshold，基于该值滤除残差中的噪声；
设定所需预测边界的置信度值C，基于C多次随机采样残差空间，令每个预测点存在多个预测边界值。
上述S406中，利用MAS算法分别平滑上界值和下界值，得到最终流量预测的上界U、下界L，置信度C。
图5示出本公开实施例中基于流量预测模型得到预测流量值后的处理流程，例如基于Infomer得到预测流量值后的处理流程，如图5所示，上述处理过程包括如下步骤：
S501，利用网络流量的真实值和预测值得到残差空间R；
S502，设置残差阈值Threshold；
利用网络流量的真实值和预测值得到残差空间R，并设置残差阈值Threshold。
S503，判断残差值是否大于Threshold；
在残差值大于Threshold时，执行S504，过滤掉该残差值；
在残差值不大于Threshold时，执行S505，设置预测边界智信度C；
在残差空间过滤超过残差阈值的成分，这部分可以理解为原始数据和预测结果间的白噪声污染。
S506，在残差空间基于置信度C重复抽样多次；
S507，统计所有残差空间的上届及下届；
设置预测边界置信度C，并于残差空间重复抽象多次，得到残差上界和下界多个信息空间。
S508，利用MAS平滑上届及下届的残差空间；
S509，根据需求设计统计指标，可以是最值、均值、以及分位值；
S510，得到最终流量预测结果的上边界和下边界，以及该边界区间内的置信度。
通过对预测结果和真实值做VRB建模以及MAS处理，得到预测流量的上下界及置信度。
作为一个示例，在每个信息空间上做MAS平滑信息，如下式，最后设置统计特征(极值、均值、N分位等)，聚合多个残差空间，得到最终结果。
其中，T表示在t点上的MAS平滑结果，t表示时间点，k表示平滑颗粒度，在t-k到t+k的线段维度上抽取m个点，取均值作为yt的平滑结果。
本公开实施例设置置信度值C，并在原有预测模型的基础上对残差空间进一步抽样建模，得到多个上下界估计值，之后又通过MAS平滑结果，得到最终的流量上下界预测值，以及该区间的可信程度，使得IP网络规划人员清楚了解未来网络流量的状况，以实现更近一步的仿真及网络调整。
传统基于模型预测未来流量数值的方式越来越难以满足现有网络业务需求，而本公开实施例通过对残差的进一步建模分析，得到预测结果的上下边界及该边界的可信度，能够在一些需要预测边界阈值的业务发挥出较大的力量，可推广至任何需要预测边界的场景中。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。
在一些实施例中，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
基于同一发明构思，本公开实施例中还提供了一种网络流量边界预测装置，如下面的实施例所述。由于该装置实施例解决问题的原理与上述方法实施例相似，因此该装置实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。
图6示出本公开实施例中一种网络流量边界预测装置示意图，如图6所示，该网络流量边界预测装置600，包括：
流量预测模块602，用于通过预先训练的流量预测模型，得到预测流量值；
残差统计模块604，用于统计预测流量值与真实值的残差空间；
边界预测模块606，用于对残差空间抽样建模，得到流量上边界预测值和下边界预测值。
在一些实施例中，边界预测模块606，包括：
置信度设置单元，用于设定所需预测边界的置信度值；
预测单元，用于基于置信度值多次随机采样残差空间，得到流量上边界预测值和下边界预测值。
在一些实施例中，预测单元，具体用于：
基于置信度值多次随机采样残差空间，得到残差上界和下界对应的多个信息空间；
在每个信息空间上做平滑处理后，得到流量上边界预测值和下边界预测值。
在一些实施例中，基于置信度值多次随机采样残差空间，得到残差上界和下界对应的多个信息空间，包括：
通过VRB模型基于置信度值多次随机采样残差空间，得到残差上界和下界对应的多个信息空间。
在一些实施例中，在每个信息空间上做平滑处理后，得到流量上边界预测值和下边界预测值，包括：
在每个信息空间上做平滑处理；
设置统计特征，聚合多个残差空间，得到流量上边界预测值和下边界预测值。
在一些实施例中，在每个信息空间上做平滑处理，包括：
利用MAS算法在每个信息空间上做平滑处理。
在一些实施例中，该网络流量边界预测装置600，还可以包括：
过滤模块，用于对残差空间抽样建模，得到流量上边界预测值和下边界预测值之前，设定残差滤波阈值，基于残差滤波阈值滤除残差空间中的噪声。
在一些实施例中，流量预测模型采用Informer模型。
本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
关于上述实施例中的网络流量边界预测装置，其中各个模块执行操作的具体方式已经在有关该网络流量边界预测装置方法的实施例中进行了详细描述，此处将不做详细阐述说明。
综上所述，在本申请实施例提供的网络流量边界预测装置中，在保证预测准确率的前提下，满足IP骨干网络仿真过程中流量边界预测的需求，使得网络规划人员能够更好的把控未来网络流量的区间范围。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。
实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
下面参照图7来描述本公开实施例提供的电子设备。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
图7示出本本公实施例提供的一种电子设备700的架构示意图。如图7所示，该电子设备700包括但不限于：至少一个处理器710、至少一个存储器720。
存储器720，用于存储指令。
在一些实施例中，存储器720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(ROM)7203。
在一些实施例中，存储器720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
在一些实施例中，存储器720可存储操作系统。该操作系统可以是实时操作系统(Real Time eXecutive，RTX)、LINUX、UNIX、WINDOWS或OS X之类的操作系统。
在一些实施例中，存储器720中还可以存储有数据。
作为一个示例，处理器710可以读取存储器720中存储的数据，该数据可以与指令存储在相同的存储地址，该数据也可以与指令存储在不同的存储地址。
处理器710，用于调用存储器720中存储的指令，实现本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理器710可以执行上述方法实施例的如下步骤：
通过预先训练的流量预测模型，得到预测流量值；
统计预测流量值与真实值的残差空间；
对残差空间抽样建模，得到流量上边界预测值和下边界预测值。
需要说明的是，上述处理器710可以是通用处理器或者专用处理器。处理器710可以包括一个或者一个以上处理核心，处理器710通过运行指令执行各种功能应用以及数据处理。
在一些实施例中，处理器710可以包括中央处理器(central processing unit，CPU)和/或基带处理器。
在一些实施例中，处理器710可以根据各个控制指令中携带的优先级标识和/或功能类别信息确定一个指令。
本公开中，处理器710和存储器720可以单独设置，也可以集成在一起。
作为一个示例，处理器710和存储器720可以集成在单板或者系统级芯片(systemon chip，SOC)上。
如图7所示，电子设备700以通用计算设备的形式表现。电子设备700还可以包括总线730。
总线730可以为表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备740(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。
并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。
如图7所示，网络适配器760通过总线730与电子设备700的其它模块通信。
应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
可以理解的是，本公开实施例示意的结构并不构成对电子设备700的具体限定。在本公开另一些实施例中，电子设备700可以包括比图7所示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图7所示的部件可以以硬件，软件或软件和硬件的组合实现。
本公开实施例利用预测性能优异的流量预测模型预测网络流量，并在已有的预测结果上分析多个残差空间，最终得到流量预测边界，既保证了预测准确率，又满足了网络流量边界预测的需求。
本公开还提供了一种计算机可读存储介质，其上存储有计算机指令，计算机指令被处理器执行时实现上述方法实施例描述的网络流量边界预测方法。
作为一个示例，计算机指令被处理器执行时实现如下步骤：
通过预先训练的流量预测模型，得到预测流量值；
统计预测流量值与真实值的残差空间；
对残差空间抽样建模，得到流量上边界预测值和下边界预测值。
本公开实施例中计算机可读存储介质，为可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的计算机指令。
作为一个示例，计算机可读存储介质是非易失性存储介质。
在一些实施例中，本公开中的计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、U盘、移动硬盘或者上述的任意合适的组合。
本公开实施例中，计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机指令(可读程序代码)。
这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。
可读存储介质以外的任何可读介质，该可读介质
在一些示例中，计算机可读存储介质上包含的计算指令可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
本公开实施例利用预测性能优异的流量预测模型预测网络流量，并在已有的预测结果上分析多个残差空间，最终得到流量预测边界，既保证了预测准确率，又满足了网络流量边界预测的需求。
本公开实施例还提供一种计算机程序产品，计算机程序产品存储有指令，指令在由计算机执行时，使得计算机实施上述方法实施例描述的网络流量边界预测方法。
作为一个示例，指令在由计算机执行时，使得计算机实施如下步骤：
通过预先训练的流量预测模型，得到预测流量值；
统计预测流量值与真实值的残差空间；
对残差空间抽样建模，得到流量上边界预测值和下边界预测值。
上述指令可以是程序代码。在具体实施时，程序代码可以由一种或多种程序设计语言的任意组合来编写。
程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。
程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本公开实施例利用预测性能优异的流量预测模型预测网络流量，并在已有的预测结果上分析多个残差空间，最终得到流量预测边界，既保证了预测准确率，又满足了网络流量边界预测的需求。
本公开实施例还提供了一种芯片，包括至少一个处理器和接口；
接口，用于为至少一个处理器提供程序指令或者数据；
至少一个处理器用于执行程序指令，以实现上述方法实施例描述的网络流量边界预测方法。
作为一个示例，至少一个处理器用于执行程序指令，以实现如下步骤：
通过预先训练的流量预测模型，得到预测流量值；
统计预测流量值与真实值的残差空间；
对残差空间抽样建模，得到流量上边界预测值和下边界预测值。
在一些实施例中，该芯片还可以包括存储器，该存储器，用于保存程序指令和数据，存储器位于处理器之内或处理器之外。
本公开实施例利用预测性能优异的流量预测模型预测网络流量，并在已有的预测结果上分析多个残差空间，最终得到流量预测边界，既保证了预测准确率，又满足了网络流量边界预测的需求。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。
本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (9)

1.一种网络流量边界预测方法，其特征在于，包括：
通过预先训练的流量预测模型，得到预测流量值；
统计预测流量值与真实值的残差空间；
对所述残差空间抽样建模，得到流量上边界预测值和下边界预测值；
对所述残差空间抽样建模，得到流量上边界预测值和下边界预测值，包括：
设置残差阈值，将所述残差空间中残差值大于所述残差阈值的残差滤除；
在残差空间中的残差值小于或等于所述残差阈值的情况下，设定所需预测边界的置信度值，并基于所述置信度值多次随机采样残差空间，令每个预测点存在多个信息空间，基于多个信息空间得到流量上边界预测值和下边界预测值。
2.根据权利要求1所述的方法，其特征在于，基于多个信息空间得到流量上边界预测值和下边界预测值，包括：
在每个信息空间上做平滑处理后，得到流量上边界预测值和下边界预测值。
3.根据权利要求2所述的方法，其特征在于，基于所述置信度值多次随机采样残差空间，令每个预测点存在多个信息空间，包括：
通过VRB模型基于所述置信度值多次随机采样残差空间，得到残差上界和下界对应的多个信息空间。
4.根据权利要求2所述的方法，其特征在于，在每个信息空间上做平滑处理后，得到流量上边界预测值和下边界预测值，包括：
在每个信息空间上做平滑处理；
设置统计特征，聚合多个残差空间，得到流量上边界预测值和下边界预测值。
5.根据权利要求4所述的方法，其特征在于，在每个信息空间上做平滑处理，包括：
利用MAS算法在每个信息空间上做平滑处理。
6.根据权利要求1所述的方法，其特征在于，所述流量预测模型采用Informer模型。
7.一种网络流量边界预测装置，其特征在于，包括：
流量预测模块，用于通过预先训练的流量预测模型，得到预测流量值；
残差统计模块，用于统计预测流量值与真实值的残差空间；
边界预测模块，用于对所述残差空间抽样建模，得到流量上边界预测值和下边界预测值；
所述边界预测模块用于设置残差阈值，将所述残差空间中残差值大于所述残差阈值的残差滤除；在残差空间中的残差值小于或等于所述残差阈值的情况下，设定所需预测边界的置信度值，并基于所述置信度值多次随机采样残差空间，令每个预测点存在多个信息空间，基于多个信息空间得到流量上边界预测值和下边界预测值。
8.一种电子设备，其特征在于，包括：
存储器，用于存储指令；
处理器，用于调用所述存储器中存储的指令，实现如权利要求1-6任一项所述的网络流量边界预测方法。
9.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1-6中任意一项所述的网络流量边界预测方法。
CN202210957336.1A 2022-08-10 2022-08-10 网络流量边界预测方法、装置、设备及介质 Active CN115348179B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210957336.1A CN115348179B (zh) 2022-08-10 2022-08-10 网络流量边界预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210957336.1A CN115348179B (zh) 2022-08-10 2022-08-10 网络流量边界预测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN115348179A CN115348179A (zh) 2022-11-15
CN115348179B true CN115348179B (zh) 2024-02-02

Family

ID=83951633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210957336.1A Active CN115348179B (zh) 2022-08-10 2022-08-10 网络流量边界预测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115348179B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108089962A (zh) * 2017-11-13 2018-05-29 北京奇艺世纪科技有限公司 一种异常检测方法、装置及电子设备
CN113242153A (zh) * 2021-06-08 2021-08-10 广东嘉贸通科技有限公司 一种基于网络流量监控的面向应用的监控分析方法
CN113411216A (zh) * 2021-06-21 2021-09-17 国网宁夏电力有限公司信息通信公司 基于离散小波变换和fa-elm的网络流量预测方法
CN113408609A (zh) * 2021-06-17 2021-09-17 武汉卓尔信息科技有限公司 一种网络攻击检测方法及系统
CN113542046A (zh) * 2020-04-21 2021-10-22 百度在线网络技术（北京）有限公司 一种流量预估方法、装置、设备及存储介质
CN113705114A (zh) * 2021-10-28 2021-11-26 中南大学 一种数据预测方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200036639A1 (en) * 2018-07-26 2020-01-30 Cable Television Laboratories, Inc. Methods for predicting future network traffic
CN109586954B (zh) * 2018-11-14 2020-09-18 网宿科技股份有限公司 一种网络流量预测方法、装置及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108089962A (zh) * 2017-11-13 2018-05-29 北京奇艺世纪科技有限公司 一种异常检测方法、装置及电子设备
CN113542046A (zh) * 2020-04-21 2021-10-22 百度在线网络技术（北京）有限公司 一种流量预估方法、装置、设备及存储介质
CN113242153A (zh) * 2021-06-08 2021-08-10 广东嘉贸通科技有限公司 一种基于网络流量监控的面向应用的监控分析方法
CN113408609A (zh) * 2021-06-17 2021-09-17 武汉卓尔信息科技有限公司 一种网络攻击检测方法及系统
CN113411216A (zh) * 2021-06-21 2021-09-17 国网宁夏电力有限公司信息通信公司 基于离散小波变换和fa-elm的网络流量预测方法
CN113705114A (zh) * 2021-10-28 2021-11-26 中南大学 一种数据预测方法及装置

Also Published As

Publication number Publication date
CN115348179A (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
US10636293B2 (en) Uncertainty modeling in traffic demand prediction
CN109726763B (zh) 一种信息资产识别方法、装置、设备及介质
CN108809694B (zh) 业务编排方法、系统、装置与计算机可读存储介质
CN111667092A (zh) 基于图卷积神经网络的轨道交通短时客流预测方法和系统
EP4290824A1 (en) Task allocation method and apparatus based on internet-of-things device, and network training method and apparatus
RU2379753C1 (ru) Способ обеспечения устойчивости сетей связи в условиях внешних деструктивных воздействий
US11915106B2 (en) Machine learning for determining suitability of application migration from local to remote providers
CN111294812A (zh) 一种资源扩容规划的方法及系统
CN113886181B (zh) 应用于AIOps故障预警的动态阈值预测方法、设备及介质
WO2020098016A1 (zh) 一种网络流量预测方法、装置及电子设备
CN114666224A (zh) 业务资源容量动态分配方法、装置、设备及存储介质
CN104254083B (zh) 预测业务热点的方法及装置
CN111291883A (zh) 数据处理方法及数据处理装置
CN113822458A (zh) 预测方法、训练方法、装置、电子设备和可读存储介质
CN116453343A (zh) 智能网联环境下基于流量预测的智能交通信号控制优化算法、软件与系统
JP2022095895A (ja) 交通データ予測方法、交通データ予測装置、電子機器、記憶媒体、コンピュータプログラム製品及びコンピュータプログラム
CN115348179B (zh) 网络流量边界预测方法、装置、设备及介质
CN117056709A (zh) 时序预测模型的训练方法、装置和存储介质及电子设备
US20230137184A1 (en) Incremental machine learning for a parametric machine learning model
CN114297453B (zh) 告警预测方法、装置、电子设备及存储介质
US20230186074A1 (en) Fabricating data using constraints translated from trained machine learning models
CN113592160B (zh) 基于融合处理的用户设备的失联风险预测方法、系统和计算机设备
CN116263813A (zh) 通过降维提高分类和回归树性能
CN116490871A (zh) 在数据分析中自动调整数据访问策略
CN111669241A (zh) 一种短波通信信道可用性的高效预测方法

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