CN115758643A - 一种基于时空特征融合的网络流量预测方法、装置及存储介质 - Google Patents
一种基于时空特征融合的网络流量预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115758643A CN115758643A CN202211488370.5A CN202211488370A CN115758643A CN 115758643 A CN115758643 A CN 115758643A CN 202211488370 A CN202211488370 A CN 202211488370A CN 115758643 A CN115758643 A CN 115758643A
- Authority
- CN
- China
- Prior art keywords
- network
- time
- flow
- model
- training
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时空特征融合的网络流量预测方法、装置及存储介质,属于智能电网技术领域,方法包括:将各网络设备的历史网络流量和空间拓扑输入至预构建的GAN模型,由GAN模型中的生成器进行拟合训练,并输出生成流量;将生成流量和与其相对应的网络流量真实值输入至GAN模型中的鉴别器,进行鉴别训练,并输出相应的鉴别概率;根据鉴别概率,更新生成器和鉴别器中的训练参数;若训练参数达到稳定并收敛,则由GAN模型输出预测流量,否则,继续训练,直到训练参数达到稳定并收敛。该方法通过准确的网络流量预测,能够提高能源互联网切片智能管控平台中所涉及到的FlexE设备动态资源调度和编排算法的性能。
Description
技术领域
本发明涉及一种基于时空特征融合的网络流量预测方法、装置及存储介质,属于智能电网技术领域。
背景技术
目前,网络流量预测大部分都是当作时序数据去处理和建模,但是在实际中,网络设备是在一个巨大的且相互关联的网中存在的,所以挖掘网络流量预测时空相关性是很有必要的。
现阶段的根据网络流量配置带宽技术比较实时或者滞后,而我们需要把带宽配置时间提前,需要与网络流量预测相结合,预测未来时段的流量,然后利用预测的网络流量去配置带宽,在一些任务上可以节约时间,提高工作效率。
GAN在计算机视觉里面取得了巨大的成功,在图像生成以及图像去噪等方向已经成为了主流方法。GAN中生成器用于生成以假乱真的数据或者图像,所以此方法亦可以被用于各种数据的生成,而且GAN在时序预测方面也展现了一定的潜力,因此GAN用于时空也可以更好的来对数据进行预测。
FlexE按照每个FlexE Client业务流所需要的带宽以及FlexE Shim中所对应的每个PHY的5G粒度时隙(Slot)的分布情况,调度并分配FlexE Group中可用的时隙资源,形成FlexE Client业务流到一个或多个时隙资源的映射。因此,影响FlexE业务切片的核心问题在于时隙资源的调度和管理需要适配不断变化的FlexE Client侧的业务特征。快速准确的资源调度和编排算法是解决这一核心问题的关键,也是构建基于Flex-E技术的能源互联网切片智能管控平台的重要环节。如果在资源调度和编排算法工作之前能够提前一段时间对不同FlexE Client端的网络流量进行准确预测,可以为资源调度和编排算法提供不同FlexE Client端未来的流量信息,进一步提高切片智能管控平台中资源调度和编排算法的性能。
发明内容
本发明的目的在于提供一种基于时空特征融合的网络流量预测方法、装置及存储介质,通过GAN模型,结合网络流量的时间信息和空间信息,进行网络流量预测,通过准确的网络流量预测,提高能源互联网切片智能管控平台中所涉及到的FlexE设备动态资源调度和编排算法的性能。
为达到上述目的,本发明提供如下技术方案:
第一方面,本发明提供一种基于时空特征融合的网络流量预测方法,包括:
将各网络设备的历史网络流量和空间拓扑输入至预构建的GAN模型,由所述GAN模型中的生成器进行拟合训练,并输出生成流量;
将所述生成流量和与其相对应的网络流量真实值输入至所述GAN模型中的鉴别器,进行鉴别训练,并输出相应的鉴别概率;
根据所述鉴别概率,更新所述生成器和鉴别器中的训练参数;
若所述训练参数达到稳定并收敛,则由所述GAN模型输出预测流量;
否则,继续训练,直到所述训练参数达到稳定并收敛;
其中,所述鉴别概率代表所述生成流量和与其相对应的网络流量真实值的匹配度;所述预测流量为所述生成流量。
结合第一方面,进一步的,所述生成器包括:用于输出时间信息序列的时间信息学习模块、用于输出空间信息序列的空间信息学习模块,以及用于拼接所述时间信息序列和空间信息序列的时空融合模块。
结合第一方面,进一步的,所述时间信息学习模块包括:
使用分段聚合操作,将所述历史网络流量的时序数据进行成倍压缩聚合;
使用格拉姆角场中的对应做角度和/或对应做角度差操作,将压缩聚合后的时序数据进行对应角做差或做和,并使用余弦操作,以获取时序矩阵;
将所述时序矩阵以图像的形式进行表达,以获取时序特征图;
使用卷积操作中的不同卷积核学习所述时序特征图中不同时间间隔的时间相关性,以输出时间信息序列;
其中,将所述历史网络流量的时序数据进行成倍压缩聚合,所采用的倍数通过分段设定。
结合第一方面,进一步的,所述空间信息学习模块包括:
使用未加权图对各所述网络设备的空间拓扑进行描述,并将每一个网络设备视作一个结点;
使用邻接矩阵对各所述网络设备之间的连接关系进行描述;
使用图卷积神经网络在傅里叶域中建立过滤器,并将所述过滤器作用于各所述结点,通过一阶邻域捕捉各所述结点之间的空间信息,并通过堆叠多个卷积层,以构建GCN模型;
通过所述GCN模型,获取中心设备与其周围设备之间的拓扑关系,并进行编码,获取各所述网络设备的空间依赖关系,以输出空间信息序列;
其中,所述未加权图的表达式如公式(1)所示:
G=(V,E) (1)
公式(1)中,G为未加权图的集合,V为网络设备的集合,V={ν1,ν2,…,νN},N为网络设备总数,E为边的集合;
所述邻接矩阵的表达式如公式(2)所示:
A∈RN×N (2)
公式(2)中,A为邻接矩阵,R为实数集合,N为网络设备总数;
其中,所述邻接矩阵包括用于表述任意两个网络设备之间没有连接的0元素,以及用于表述任意两个网络设备之间存在连接的非0元素;
所述GCN模型的表达式如公式(3)所示:
公式(3)中,H(l+1)为GCN模型第l+1层的输出,H(l0为GCN模型第l层的输出,θ(l)为GCN模型第l层的参数,A为邻接矩阵,IN为单位矩阵,为每个结点增加自连接后的邻接矩阵,为结点i与结点j的连接关系,为度矩阵,σ(·)为非线性的Sigmoid函数。
结合第一方面,进一步的,所述时空融合模块包括:以各所述网络设备的ID为关键字,将所述时间信息序列和空间信息序列进行一一对应的拼接处理。
结合第一方面,进一步的,所述鉴别器包括:用于学习时间信息的LSTM模型和用于学习空间信息的GCN模型,所述LSTM模型与GCN模型并联。
结合第一方面,进一步的,所述LSTM模型的函数表达式如公式(4)所示:
公式(4)中,[ht-1,xt]为t时刻输入信息矩阵,ht-1为t-1时刻隐藏信息,xt为t时刻原始特征向量,ft为遗忘门,Wf为遗忘门参数,bf为遗忘门偏移量,it为输入门,Wi为输入门参数,bi为输入门偏移量,为t时刻需要被记忆信息,Wc为记忆参数,bc为记忆偏移量,Ct为整体记忆信息,Ct-1为t时刻之前的整体记忆信息,οt为输出门,Wο为输出门参数,bο为输出门偏移量,ht为t时刻隐藏信息。
第二方面,本发明提供一种基于时空特征融合的网络流量预测装置,包括:
生成模块:将各网络设备的历史网络流量和空间拓扑输入至预构建的GAN模型,由所述GAN模型中的生成器进行拟合训练,并输出生成流量;
鉴别模块:将所述生成流量和与其相对应的网络流量真实值输入至所述GAN模型中的鉴别器,进行鉴别训练,并输出相应的鉴别概率;
更新模块:根据所述鉴别概率,更新所述生成器和鉴别器中的训练参数;
判别模块:若所述训练参数达到稳定并收敛,则由所述GAN模型输出预测流量,否则,继续训练,直到所述训练参数达到稳定并收敛;
其中,所述鉴别概率代表所述生成流量和与其相对应的网络流量真实值的匹配度;所述预测流量为所述生成流量。
第三方面,本发明提供一种基于时空特征融合的网络流量预测装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据第一方面任一项所述方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面任一项所述方法的步骤。
与现有技术相比,本发明的有益效果是:
本发明所提供的基于时空特征融合的网络流量预测方法,不仅能够通过时间信息学习模块、空间信息学习模块、时空融合模块获取数据的时空相关性,还能够通过GNA模型进行训练,以获取更准确的预测结果;将时间序列转换成图像进行处理,通过使用格拉姆角场学习时间信息,结合GCN模型,通过线性层,能够使图像技术和图卷积技术融合,以发挥更好的作用。
附图说明
图1是本发明实施例提供的一种基于时空特征融合的网络流量预测方法流程图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
下面详细描述本专利的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本专利,而不能理解为对本专利的限制。在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
实施例一:
图1是本发明实施例一提供的一种基于时空特征融合的网络流量预测方法流程图,本流程图仅仅示出了本实施例方法的逻辑顺序,在互不冲突的前提下,在本发明其它可能的实施例中,可以以不同于图1所示的顺序完成所示出或描述的步骤。
本实施例提供的基于时空特征融合的网络流量预测方法可应用于终端,可以由基于时空特征融合的网络流量预测装置来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在终端中,例如:任一具备通信功能的平板电脑或计算机设备。参见图1,本实施例的方法具体包括如下步骤:
步骤一:将各网络设备的历史网络流量和空间拓扑输入至预构建的GAN模型,由GAN模型中的生成器进行拟合训练,并输出生成流量;
生成器包括:用于输出时间信息序列的时间信息学习模块、用于输出空间信息序列的空间信息学习模块,以及用于拼接时间信息序列和空间信息序列的时空融合模块。
时间信息学习模块包括:
步骤A:使用分段聚合操作,将历史网络流量的时序数据进行成倍压缩聚合;
步骤B:使用格拉姆角场中的对应做角度和/或对应做角度差操作,将压缩聚合后的时序数据进行对应角做差或做和,并使用余弦操作,以获取时序矩阵;
步骤C:将时序矩阵以图像的形式进行表达,以获取时序特征图;
步骤D:使用卷积操作中的不同卷积核学习时序特征图中不同时间间隔的时间相关性,以输出时间信息序列;
其中,将历史网络流量的时序数据进行成倍压缩聚合,所采用的倍数通过分段设定。
空间信息学习模块包括:
步骤Ⅰ:使用未加权图对各网络设备的空间拓扑进行描述,并将每一个网络设备视作一个结点;
步骤Ⅱ:使用邻接矩阵对各网络设备之间的连接关系进行描述;
步骤Ⅲ:使用图卷积神经网络在傅里叶域中建立过滤器,并将过滤器作用于各结点,通过一阶邻域捕捉各结点之间的空间信息,并通过堆叠多个卷积层,以构建GCN模型;
步骤Ⅳ:通过GCN模型,获取中心设备与其周围设备之间的拓扑关系,并进行编码,获取各网络设备的空间依赖关系,以输出空间信息序列;
其中,未加权图的表达式如公式(1)所示:
G=(V,E) (1)
公式(1)中,G为未加权图的集合,V为网络设备的集合,V={ν1,ν2,…,νN},N为网络设备总数,E为边的集合;
邻接矩阵的表达式如公式(2)所示:
A∈RN×N (2)
公式(2)中,A为邻接矩阵,R为实数集合,N为网络设备总数;
其中,邻接矩阵包括用于表述任意两个网络设备之间没有连接的0元素,以及用于表述任意两个网络设备之间存在连接的非0元素;
GCN模型的表达式如公式(3)所示:
公式(3)中,H(l+1)为GCN模型第l+1层的输出,H(l)为GCN模型第l层的输出,θ(l)为GCN模型第l层的参数,A为邻接矩阵,IN为单位矩阵,为每个结点增加自连接后的邻接矩阵,为结点i与结点j的连接关系,为度矩阵,σ(·)为非线性的Sigmoid函数。
时空融合模块包括:以各网络设备的ID为关键字,将时间信息序列和空间信息序列进行一一对应的拼接处理。首先基于格拉姆角场与图卷积神经网络进行时空拼接,该时空拼接方法在整体生成器模型中处在并联关系为拼接的关键点;其次拼接细节,本着“参数量少、训练快、结果好”的原则进行拼接,在分别的时间和空间组件基础上进行拼接,使对每一个网络设备的流量时序信息和设备空间信息进行一一线性拼接,最后经过线性处理得到预测结果。拼接出的每一个网络设备都包含由时间信息和空间信息构成的信息对,其中,时间信息和空间信息的维度保持一致。由时空融合模块输出的信息对在通过线性层后,最终输出生成流量。
步骤二:将生成流量和与其相对应的网络流量真实值输入至GAN模型中的鉴别器,进行鉴别训练,并输出相应的鉴别概率;
鉴别器包括:用于学习时间信息的LSTM模型和用于学习空间信息的GCN模型,LSTM模型与GCN模型并联。
LSTM模型的函数表达式如公式(4)所示:
公式(4)中,[ht-1,xt]为t时刻输入信息矩阵,ht-1为t-1时刻隐藏信息,xt为t时刻原始特征向量,ft为遗忘门,Wf为遗忘门参数,bf为遗忘门偏移量,it为输入门,Wi为输入门参数,bi为输入门偏移量,为t时刻需要被记忆信息,Wc为记忆参数,bc为记忆偏移量,Ct为整体记忆信息,Ct-1为t时刻之前的整体记忆信息,οt为输出门,Wο为输出门参数,bο为输出门偏移量,ht为t时刻隐藏信息。
鉴别器中的GCN模型的设计方案参照生成器中的GCN模型。
步骤三:根据鉴别概率,更新生成器和鉴别器中的训练参数;
步骤四:若训练参数达到稳定并收敛,则由GAN模型输出预测流量,否则,继续训练,直到训练参数达到稳定并收敛;
通过训练生成对抗网络(GAN),并通过训练好的GAN对不同FlexE Client端的网络流量进行预测;然后,将网络流量的预测结果传输给智能管控平台中资源调度和编排算法,供算法在FlexE资源调度和编排的过程中参考使用。
如图1所示,首先以众多网络设备的历史网络流量和空间拓扑作为GAN模型的整体输入,两者首先进入生成器拟合并训练出生成流量,然后该生成流量与网络流量真实值进入鉴别器进行差距鉴别,通过鉴别概率来反映两数值的鉴别差距;同时利用鉴别概率分别更新鉴别器和生成器中的训练参数,更新的最终目的是减少两数值(生成流量和网络流量真实值)之间的差距,以达到生成流量逼近网络流量真实值的目标;在训练过程中,当训练参数达到稳定并收敛的状态时,由生成器输出该模型的预测流量,即生成流量,资源调度和编排算法利用该预测流量进行资源的调度与编排。
其中,FlexE技术为灵活以太网技术,是基于高速Ethernet接口,通过EthernetMAC层与PHY层解耦,实现灵活控制接口速率,以适应不同的网络传输结构。
GAN为生成对抗网络,是一种深度学习模型,是近年来复杂分布上无监督学习最具前景的方法之一。GAN模型通过框架中(至少)两个模块:生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。原始GAN理论中,并不要求G和D都是神经网络,只需要是能拟合相应生成和判别的函数即可。
格拉姆矩阵公式如公式(5)所示:
视网络流量的时序数据为一组向量V,格拉姆矩阵是来自V的每一对向量的内积矩阵,矩阵中的每个元素<νi,νj>是向量νi和νj之间的向量乘积。
GCN为图卷积网络(Graph Convolutional Networks),将卷积操作从传统数据(图像或网格)推广到图数据。关键是学习一个函数f,通过聚合其自身的特征Xi和邻居的特征Xj来生成节点υi的表示,其中,j∈N(υi)。图卷积网络在构建许多其他复杂的图神经网络模型中发挥着核心作用,包括基于自动编码器的模型、生成模型和时空网络等。
LSTM为长短期记忆网络(Long Short-Term Memory),是一种时间循环神经网络,是为了解决一般的循环神经网络(Recurrent Neural Network,RNN)存在的长期依赖问题而专门设计出来的,所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中,这个重复的结构模块只有一个非常简单的结构,例如一个tanh层。由于独特的设计结构,LSTM适合于处理和预测时间序列中间隔和延迟非常长的重要事件。在LSTM中主要有三个门起到重要作用,遗忘门(forget gate):决定上一时刻的单元状态Ct-1有多少保留到当前时刻Ct;输入门(input gate):决定当前时刻网络的输入xt有多少保存到单元状态Ct;输出门(output gate):控制单元状态Ct有多少输出到LSTM的当前输出值ht。
本实施例采用的基于时空特征融合的网络流量预测方法,使用分段聚合操作,将历史网络流量的时序数据进行成倍压缩聚合,能够减少流量数据的纵向维度,不损坏流量时序的前提下大大减少了模型处理的压力,提高了处理速度;使用格拉姆角场中的对应角度(GASF)和/或对应做角度差(GADF)操作,将已经压缩聚合后的时序数据进行对应角做差或做和,并经过余弦操作以形成一个时序矩阵,能够将其转化为直角坐标系下“类似”内积的操作;生成器和鉴别器之间的竞争使它们成为对手,但是他们的强弱也是一个问题,如果生成器过强会导致鉴别器无法分辨从而生成器无法学习,而鉴别器过强也会导致这样的问题,所以选择鉴别器为GCN+LSTM的模型,鉴别器也可以学习到数据的时空相关性同时复杂度低于生成器模型,有助于生成器模型更好的训练。
实施例二:
本实施例提供一种基于时空特征融合的网络流量预测装置,包括:
生成模块:将各网络设备的历史网络流量和空间拓扑输入至预构建的GAN模型,由GAN模型中的生成器进行拟合训练,并输出生成流量;
鉴别模块:将生成流量和与其相对应的网络流量真实值输入至GAN模型中的鉴别器,进行鉴别训练,并输出相应的鉴别概率;
更新模块:根据鉴别概率,更新生成器和鉴别器中的训练参数;
判别模块:若训练参数达到稳定并收敛,则由GAN模型输出预测流量,否则,继续训练,直到训练参数达到稳定并收敛;
其中,鉴别概率代表生成流量和与其相对应的网络流量真实值的匹配度;预测流量为生成流量。
实施例三:
本实施例提供一种基于时空特征融合的网络流量预测装置,包括处理器及存储介质;
存储介质用于存储指令;
处理器用于根据指令进行操作以执行实施例一中方法的步骤。
实施例四:
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现实施例一中方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于时空特征融合的网络流量预测方法,其特征在于,包括:
将各网络设备的历史网络流量和空间拓扑输入至预构建的GAN模型,由所述GAN模型中的生成器进行拟合训练,并输出生成流量;
将所述生成流量和与其相对应的网络流量真实值输入至所述GAN模型中的鉴别器,进行鉴别训练,并输出相应的鉴别概率;
根据所述鉴别概率,更新所述生成器和鉴别器中的训练参数;
若所述训练参数达到稳定并收敛,则由所述GAN模型输出预测流量,否则,继续训练,直到所述训练参数达到稳定并收敛;
其中,所述鉴别概率代表所述生成流量和与其相对应的网络流量真实值的匹配度;所述预测流量为所述生成流量。
2.根据权利要求1所述的基于时空特征融合的网络流量预测方法,其特征在于,所述生成器包括:用于输出时间信息序列的时间信息学习模块、用于输出空间信息序列的空间信息学习模块,以及用于拼接所述时间信息序列和空间信息序列的时空融合模块。
3.根据权利要求2所述的基于时空特征融合的网络流量预测方法,其特征在于,所述时间信息学习模块包括:
使用分段聚合操作,将所述历史网络流量的时序数据进行成倍压缩聚合;
使用格拉姆角场中的对应做角度和/或对应做角度差操作,将压缩聚合后的时序数据进行对应角做差或做和,并使用余弦操作,以获取时序矩阵;
将所述时序矩阵以图像的形式进行表达,以获取时序特征图;
使用卷积操作中的不同卷积核学习所述时序特征图中不同时间间隔的时间相关性,以输出时间信息序列;
其中,将所述历史网络流量的时序数据进行成倍压缩聚合,所采用的倍数通过分段设定。
4.根据权利要求2所述的基于时空特征融合的网络流量预测方法,其特征在于,所述空间信息学习模块包括:
使用未加权图对各所述网络设备的空间拓扑进行描述,并将每一个网络设备视作一个结点;
使用邻接矩阵对各所述网络设备之间的连接关系进行描述;
使用图卷积神经网络在傅里叶域中建立过滤器,并将所述过滤器作用于各所述结点,通过一阶邻域捕捉各所述结点之间的空间信息,并通过堆叠多个卷积层,以构建GCN模型;
通过所述GCN模型,获取中心设备与其周围设备之间的拓扑关系,并进行编码,获取各所述网络设备的空间依赖关系,以输出空间信息序列;
其中,所述未加权图的表达式如公式(1)所示:
G=(V,E) (1)
公式(1)中,G为未加权图的集合,V为网络设备的集合,V={ν1,ν2,…,νN},N为网络设备总数,E为边的集合;
所述邻接矩阵的表达式如公式(2)所示:
A∈RN×N (2)
公式(2)中,A为邻接矩阵,R为实数集合,N为网络设备总数;
其中,所述邻接矩阵包括用于表述任意两个网络设备之间没有连接的0元素,以及用于表述任意两个网络设备之间存在连接的非0元素;
所述GCN模型的表达式如公式(3)所示:
5.根据权利要求2所述的基于时空特征融合的网络流量预测方法,其特征在于,所述时空融合模块包括:以各所述网络设备的ID为关键字,将所述时间信息序列和空间信息序列进行一一对应的拼接处理。
6.根据权利要求1所述的基于时空特征融合的网络流量预测方法,其特征在于,所述鉴别器包括:用于学习时间信息的LSTM模型和用于学习空间信息的GCN模型,所述LSTM模型与GCN模型并联。
8.一种基于时空特征融合的网络流量预测装置,其特征在于,包括:
生成模块:将各网络设备的历史网络流量和空间拓扑输入至预构建的GAN模型,由所述GAN模型中的生成器进行拟合训练,并输出生成流量;
鉴别模块:将所述生成流量和与其相对应的网络流量真实值输入至所述GAN模型中的鉴别器,进行鉴别训练,并输出相应的鉴别概率;
更新模块:根据所述鉴别概率,更新所述生成器和鉴别器中的训练参数;
判别模块:若所述训练参数达到稳定并收敛,则由所述GAN模型输出预测流量,否则,继续训练,直到所述训练参数达到稳定并收敛;
其中,所述鉴别概率代表所述生成流量和与其相对应的网络流量真实值的匹配度;所述预测流量为所述生成流量。
9.一种基于时空特征融合的网络流量预测装置,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~7任一项所述方法的步骤。
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,该程序被处理器执行时实现权利要求1~7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211488370.5A CN115758643A (zh) | 2022-11-25 | 2022-11-25 | 一种基于时空特征融合的网络流量预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211488370.5A CN115758643A (zh) | 2022-11-25 | 2022-11-25 | 一种基于时空特征融合的网络流量预测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115758643A true CN115758643A (zh) | 2023-03-07 |
Family
ID=85337817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211488370.5A Pending CN115758643A (zh) | 2022-11-25 | 2022-11-25 | 一种基于时空特征融合的网络流量预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115758643A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116743635A (zh) * | 2023-08-14 | 2023-09-12 | 北京大学深圳研究生院 | 一种网络预测与调控方法及网络调控系统 |
CN118200204A (zh) * | 2024-02-18 | 2024-06-14 | 北京中电飞华通信有限公司 | 基于卫星的网络流量预测方法及电子设备 |
-
2022
- 2022-11-25 CN CN202211488370.5A patent/CN115758643A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116743635A (zh) * | 2023-08-14 | 2023-09-12 | 北京大学深圳研究生院 | 一种网络预测与调控方法及网络调控系统 |
CN116743635B (zh) * | 2023-08-14 | 2023-11-07 | 北京大学深圳研究生院 | 一种网络预测与调控方法及网络调控系统 |
CN118200204A (zh) * | 2024-02-18 | 2024-06-14 | 北京中电飞华通信有限公司 | 基于卫星的网络流量预测方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111245673B (zh) | 一种基于图神经网络的sdn时延感知方法 | |
CN113194493B (zh) | 基于图神经网络的无线网络数据缺失属性恢复方法及装置 | |
CN115758643A (zh) | 一种基于时空特征融合的网络流量预测方法、装置及存储介质 | |
Wang et al. | A multitask learning-based network traffic prediction approach for SDN-enabled industrial Internet of Things | |
CN115001937B (zh) | 面向智慧城市物联网的故障预测方法及装置 | |
Asheralieva et al. | Optimizing age of information and security of the next-generation internet of everything systems | |
Chen et al. | Deep-broad learning system for traffic flow prediction toward 5G cellular wireless network | |
Li et al. | A unified federated DNNs framework for heterogeneous mobile devices | |
Han et al. | An efficient genetic algorithm for optimization problems with time-consuming fitness evaluation | |
CN109697511B (zh) | 数据推理方法、装置及计算机设备 | |
CN114338416B (zh) | 一种时空多指标预测方法、装置和存储介质 | |
CN109889525A (zh) | 多通信协议智能感知方法 | |
CN112910680A (zh) | 一种融合多粒度社区信息的网络嵌入方法 | |
CN117914690A (zh) | 一种基于深度学习gcn-lstm的边缘节点网络故障预测方法 | |
CN116679753B (zh) | 一种异构无人系统抗欺骗攻击的编队跟踪控制方法 | |
CN117116287A (zh) | 一种基于多粒度计算的音频场景识别方法 | |
CN115001978B (zh) | 一种基于强化学习模型的云租户虚拟网络智能映射方法 | |
CN117392846A (zh) | 一种时空自适应图学习融合动态图卷积的交通流预测方法 | |
CN114492847B (zh) | 一种高效个性化联邦学习系统和方法 | |
Pragnesh et al. | Compression of convolution neural network using structured pruning | |
CN114445692B (zh) | 图像识别模型构建方法、装置、计算机设备及存储介质 | |
CN116523001A (zh) | 电网薄弱线路识别模型构建方法、装置和计算机设备 | |
CN116306780A (zh) | 一种动态图链接生成方法 | |
CN116911757A (zh) | 一种业务实现方法、装置和存储介质 | |
CN114386600A (zh) | 基于自适应结构和位置编码的网络表征方法 |
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 |