CN116566841B - 一种基于网络流量查询的流量趋势预测方法 - Google Patents
一种基于网络流量查询的流量趋势预测方法 Download PDFInfo
- Publication number
- CN116566841B CN116566841B CN202310516116.XA CN202310516116A CN116566841B CN 116566841 B CN116566841 B CN 116566841B CN 202310516116 A CN202310516116 A CN 202310516116A CN 116566841 B CN116566841 B CN 116566841B
- Authority
- CN
- China
- Prior art keywords
- network
- flow
- trend prediction
- sub
- prediction unit
- 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 36
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
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
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明涉及流量趋势预测领域,尤其涉及一种基于网络流量查询的流量趋势预测方法,对主网络进行网状拓扑并解耦为若干子网络,计算若干所述子网络的时间复杂度和空间复杂度并计算子网络复杂度特征值,将子网络复杂度特征值与复杂度特征阈值进行比对,根据比对结果为若干子网络建立对应的流量趋势预测单元,流量趋势预测单元生成预测流量数据集,计算各流量趋势预测单元准确率,第二准确率水平的流量趋势预测单元获取相邻子网络预测流量值对预测流量值进行修正,根据所有子网络在未来时刻的预测流量值计算主网络在未来时刻的预测流量值。本发明可有效减少预测周期并提高流量趋势预测精准性,进而提高网络鲁棒性和工作效率。
Description
技术领域
本发明涉及流量趋势预测领域,具体为一种基于网络流量查询的流量趋势预测方法。
背景技术
随着网络的迅速发展,网络承载的流量任务也越来越繁杂,当流量出现异常情况时,在网络管理系统发出告警通知后,由网络管理人员着手解决出现的问题,这是一种响应式的行为,即先有问题后处理的方式。这样的方式,很可能由于没有足够的时间来分析和处理而影响网络的正常运行。为了解决上述问题,流量趋势预测技术应运而生,流量趋势预测是一种重要的网络管理技术,它可以预测未来一段时间内网络流量的变化趋势,为网络管理者提供决策支持。
中国专利公开号:CN110267292B公开了一种基于三维卷积神经网络的蜂窝网络流量预测方法,包括以下步骤:将网络流量数据建模为三维张量输入形式得到三维网络流量数据模型;根据三维网络流量数据,获取训练集数据和测试集数据;构造基础三维卷积神经网络;对短时依赖数据进行三维卷积神经网络的训练得到短时特征,对长时依赖数据进行三维卷积神经网络的训练得到长时特征;对短时特征以及长时特征进行融合训练,得到特征矩阵,作为基础三维卷积神经网络的输出,形成训练模型;使用训练模型对待预测的网络流量数据进行预测,得到网络流量预测结果。
可见,现有技术中大多基于卷积神经网络进行流量趋势预测,但现有技术大多为建立一个神经网络模型进行流量趋势预测,存在预测速度慢,误差大,预测精度低等问题。
发明内容
为此,本发明提供一种基于网络流量查询的流量趋势预测方法,用于解决现有流量趋势预测技术中,未考虑到根据网络复杂程度匹配对应的预测模型,且预测速度慢,误差大,预测精度低的问题。
为实现上述目的,本发明提供一种基于网络流量查询的流量趋势预测方法,其包括:
步骤S1,对主网络进行网状拓扑并解耦为若干子网络;
步骤S2,分别获取若干所述子网络的时间复杂度和空间复杂度,基于所述时间复杂度和空间复杂度计算子网络复杂度特征值;
步骤S3,将所述子网络复杂度特征值与复杂度特征阈值进行比对并根据比对结果为子网络建立对应的流量趋势预测单元,所述流量趋势预测单元包括基于卷积神经网络的流量趋势预测单元和基于深度残差神经网络的流量趋势预测单元;
步骤S4,所述流量趋势预测单元获取预设历史时间段内的历史流量数据,对历史流量数据进行预处理,将预处理后的历史流量数据进行特征提取和数据训练获得子网络在预设未来时间段内的预测流量数据集;
步骤S5,当对未来时刻流量值进行预测时,计算各流量趋势预测单元准确率,并判定准确率水平,对于处于第二准确率水平的流量趋势预测单元在未来时刻的预测流量值进行修正;
步骤S6,根据所有子网络在未来时刻的预测流量值计算主网络在未来时刻的预测流量值。
进一步地,在所述步骤S1中,所述网状拓扑具体为,将主网络各个节点及其连接关系转换为可供神经网络处理的网络拓扑结构,并将所述主网络解耦为若干子网络,所述子网络包括若干节点和若干连接线。
进一步地,在所述步骤S2中,所述子网络的时间复杂度Ta依据如下公式计算:
其中,t为子网络工作时间,N为子网络在时间t内的基本操作次数;
所述子网络的空间复杂度Sa依据如下公式计算:
其中,c为子网络中节点数量,b为子网络中连接线数量。
进一步地,在所述步骤S2中,所述子网络复杂度特征值E依据如下公式计算:
其中,α1为时间复杂度转换系数,α2为空间复杂度转换系数;
在所述步骤S3中,将所述子网络复杂度特征值E与所述复杂度特征阈值E0进行比较,
当E≤E0时,为所述子网络建立基于卷积神经网络的流量趋势预测单元;
当E>E0时,为所述子网络建立基于深度残差神经网络的流量趋势预测单元;
若干所述流量趋势预测单元间连接关系与流量趋势预测单元对应的子系统连接关系相同。
进一步地,在所述步骤S4中,所述基于卷积神经网络的流量趋势预测单元获取子网络中预设历史时间段内的历史流量数据,对流量数据进行归一化并通过加权最小二乘法对历史流量数据进行预处理,生成有效历史流量数据集,将历史流量数据集划分为训练集和测试集,经特征提取和数据训练获得子网络在预设未来时间段内的预测流量数据集。
进一步地,在所述步骤S4中,所述基于深度残差神经网络的流量趋势预测单元获取预测流量数据集的方式与基于卷积神经网络的流量趋势预测单元差别在于,所述基于深度残差神经网络的流量趋势预测单元采用多层卷积和池化操作,其余步骤与基于卷积神经网络的流量趋势预测单元相同。
进一步地,在所述步骤S5中,分别计算各子系统对应的流量趋势预测单元的准确率,流量趋势预测单元的准确率C按照以下公式计算:
其中,Fi表示流量趋势预测单元第i次预测的流量值,Ai表示流量趋势预测单元第i次预测的流量实际值,j为历史预测次数。
进一步地,在所述步骤S5中,将流量趋势预测单元的准确率C与预设标准准确率C0进行比对以判定是否对流量趋势预测单元的预测值进行校正;
若为第一准确率水平,则判定流量趋势预测单元无需对预测结果进行校正;
若为第二准确率水平,则判定流量趋势预测单元需对预测结果进行校正;
所述第一准确率水平满足C≥C0,第二准确率水平满足C<C0。
进一步地,在所述步骤S5中,在所述第二准确率水平下,对预测结果的校正方式为,所述流量趋势预测单元获取所有相邻子网络在未来时刻T的预测流量值,所述相邻子网络为与所述流量趋势预测单元对应子网络通过一条及以上连接线连接的子网络,流量趋势预测单元按照以下公式将子网络在未来时刻T的预测流量值V修正为V0:
其中,为第/>个相邻子网络在未来时刻T的预测流量值,/>为第/>个相邻子网络与子网络间的连接线数量,u为相邻子网络的数量,β为预设相关系数,0<β<0.1。
进一步地,在所述步骤S6中,根据所有子网络在未来时刻T的流量值计算主网络在未来时刻T的流量值X,设定:
其中,Vn为第n个子网络在未来时刻T的预测流量值,v为子网络总量。
与现有技术相比,本发明通过将主网络解耦为若干子网络,极大的降低了网络复杂性,可有效减少预测周期并提高采取相关维护措施的效率,进而提高网络鲁棒性和工作效率。
进一步地,本发明建立复杂度特征值及其计算公式,将时间复杂度和空间复杂度进行融合得到的特征值可准确表征子网络的复杂水平,复杂度特征值还可以应用于网络优化程序,根据复杂度特征值建立基于不同神经网络的流量趋势预测单元,对于较复杂的子网络建立计算更精准的基于深度残差神经网络的流量趋势预测单元可在节省网络维护成本前提下保证预测精准性。
进一步地,本发明通过建立流量趋势预测单元,该方法可以对每个子网络的未来流量进行预测,并根据不同子网络之间的历史流量特征向量进行修正,以提高流量预测的准确性和可靠性。
进一步地,本发明通过建立准确率这一参数及其计算方法,可鲜明表征出各流量趋势预测单元的准确程度。
进一步地,本发明通过相邻子网络的预测流量值对子网络的预测流量值进行修正,考虑到了相邻子网络流量的影响,通过建立对预测流量值的修正方法,可利用所述基于深度残差神经网络的流量趋势预测单元的预测结果,精准地对子网络流量预测值进行修正,提高了预测准确性和可靠性。
进一步地,本发明根据子网络间连接线数量,对预设相关系数进行对应的指数调整,使修正过程更加有效。
进一步地,本发明通过计算历史预测值和实际值的差值与其绝对值的比值判定对预测值进行正修正还是负修正,使得修正过程更加精准,进一步提高了流量预测精准度。
附图说明
图1为本发明实施例基于网络流量查询的流量趋势预测方法流程图;
图2为本发明实施例网状拓扑示意图。
实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示,其为本发明实施例基于网络流量查询的流量趋势预测方法流程图,本发明所述基于网络流量查询的流量趋势预测方法包括:
步骤S1,对主网络进行网状拓扑并解耦为若干子网络;
步骤S2,分别获取若干所述子网络的时间复杂度和空间复杂度,基于所述时间复杂度和空间复杂度计算子网络复杂度特征值;
步骤S3,将所述子网络复杂度特征值与复杂度特征阈值进行比对并根据比对结果为子网络建立对应的流量趋势预测单元,所述流量趋势预测单元包括基于卷积神经网络的流量趋势预测单元和基于深度残差神经网络的流量趋势预测单元;
步骤S4,所述流量趋势预测单元获取预设历史时间段内的历史流量数据,对历史流量数据进行预处理,将预处理后的历史流量数据进行特征提取和数据训练获得子网络在预设未来时间段内的预测流量数据集;
步骤S5,当对未来时刻流量值进行预测时,计算各流量趋势预测单元准确率,并判定准确率水平,对于处于第二准确率水平的流量趋势预测单元在未来时刻的预测流量值进行修正;
步骤S6,根据所有子网络在未来时刻的预测流量值计算主网络在未来时刻的预测流量值。
请参阅图2所示,其为本发明实施例网状拓扑示意图,在所述步骤S1中,所述网状拓扑具体为,将主网络各个节点及其连接关系转换为可供神经网络处理的网络拓扑结构,并将所述主网络解耦为若干子网络,所述子网络包括若干节点和若干连接线。
具体步骤为:
步骤S11,通过网络拓扑发现工具、设备配置信息等途径收集主网络的拓扑信息,包括网络设备、网络连接、物理位置;
步骤S12,根据收集到的拓扑信息,将主网络划分为若干子网络。划分的原则根据实际情况来确定,本实施例根据网络设备的位置与用途进行划分。
将主网络解耦为若干子网络,极大的降低了网络复杂性,可有减少预测周期并提高采取相关维护措施的效率,进而提高网络鲁棒性和工作效率。
具体而言,在所述步骤S2中,所述子网络的时间复杂度Ta依据如下公式计算:
其中,t为子网络工作时间,N为子网络在时间t内的基本操作次数;
所述子网络的空间复杂度Sa依据如下公式计算:
其中,c为子网络中节点数量,b为子网络中连接线数量。
所述基本操作指的是网络设备在数据包转发时所执行的基本操作,具体为接收数据包,解析数据包,转发数据包,修改数据包,标记数据包,缓存数据包,发送数据包等,
具体而言,在所述步骤S2中,所述子网络复杂度特征值E依据如下公式计算:
其中,α1为时间复杂度转换系数,α2为空间复杂度转换系数;
在所述步骤S3中,将所述子网络复杂度特征值E与所述复杂度特征阈值E0进行比较,
当E≤E0时,为所述子网络建立基于卷积神经网络的流量趋势预测单元;
当E>E0时,为所述子网络建立基于深度残差神经网络的流量趋势预测单元;
若干所述流量趋势预测单元间连接关系与流量趋势预测单元对应的子系统连接关系相同。
通过建立复杂度特征值及其计算公式,将时间复杂度和空间复杂度进行融合得到的特征值可准确表征子网络的复杂水平,除用于本实施例中判定外,复杂度特征值还可以应用于网络优化等程序,根据复杂度特征值建立基于不同神经网络的流量趋势预测单元,对于较复杂的子网络建立计算更精准的基于深度残差神经网络的流量趋势预测单元可在节省网络维护成本前提下保证预测精准。
具体而言,在所述步骤S4中,所述基于卷积神经网络的流量趋势预测单元获取子网络中预设历史时间段内的历史流量数据,对流量数据进行归一化并通过加权最小二乘法对历史流量数据进行预处理,生成有效历史流量数据集,将历史流量数据集划分为训练集和测试集,经特征提取和数据训练获得子网络在预设未来时间段内的预测流量数据集。
通过卷积神经网络进行流量趋势预测为现有技术,故本实施例不做详细叙述。
具体而言,在所述步骤S4中,所述基于深度残差神经网络的流量趋势预测单元获取预测流量数据集的方式与基于卷积神经网络的流量趋势预测单元差别在于,所述基于深度残差神经网络的流量趋势预测单元采用多层卷积和池化操作,其余步骤与基于卷积神经网络的流量趋势预测单元相同,所述基于深度残差神经网络的流量趋势预测单元通过多层卷积和池化操作得到的数据更加精准,但所需算力更大,故只针对复杂度高的子网络建立。
具体而言,在所述步骤S5中,分别计算各子系统对应的流量趋势预测单元的准确率,流量趋势预测单元的准确率C按照以下公式计算:
其中,Fi表示流量趋势预测单元第i次预测的流量值,Ai表示流量趋势预测单元第i次预测的流量实际值,j为历史预测次数。
由于数据集差异,模型差异,特征差异,样本数量差异,环境差异,不同的流量趋势预测单元建立的神经网络不同,各流量趋势预测单元预测结果及其准确率必定会有差异。通过建立准确率这一参数及其计算方法,可鲜明表征出各流量趋势预测单元的准确程度。
具体而言,在所述步骤S5中,将流量趋势预测单元的准确率C与预设标准准确率C0进行比对以判定是否对流量趋势预测单元的预测值进行校正;
若为第一准确率水平,则判定流量趋势预测单元无需对预测结果进行校正;
若为第二准确率水平,则判定流量趋势预测单元需对预测结果进行校正;
所述第一准确率水平满足C≥C0,第二准确率水平满足C<C0。
具体而言,在所述步骤S5中,在所述第二准确率水平下,对预测结果的校正方式为,所述流量趋势预测单元获取所有相邻子网络在未来时刻T的预测流量值,所述相邻子网络为与所述流量趋势预测单元对应子网络通过一条及以上连接线连接的子网络,流量趋势预测单元按照以下公式将子网络在未来时刻T的预测流量值V修正为V0:
其中,为第/>个相邻子网络在未来时刻T的预测流量值,/>为第/>个相邻子网络与子网络间的连接线数量,u为相邻子网络的数量,β为预设相关系数,0<β<0.1。
通过相邻子网络的预测流量值对子网络的预测流量值进行修正,各个相邻子网络间是协同工作的,并非相互独立,所以本实施例建立如上修正方式,随着连接线数量的增加,相邻子网络与子网络的相关性也逐渐增大,通过上述公式可有效对子网络流量预测值进行修正,提高了预测准确性。
根据子网络间连接线数量,对预设相关系数进行对应的指数调整,使修正过程更加有效。
通过计算历史预测值与实际值的差值与其绝对值的比值判定对预测值进行正修正还是负修正,使得修正过程更加精准,进一步提高了流量预测精准度。
具体而言,在所述步骤S6中,根据所有子网络在未来时刻T的流量值计算主网络在未来时刻T的流量值X,设定:
其中,Vn为第n个子网络在未来时刻T的预测流量值,v为子网络总量。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于网络流量查询的流量趋势预测方法,其特征在于,所述方法包括:
步骤S1,对主网络进行网状拓扑并解耦为若干子网络;
步骤S2,分别获取若干所述子网络的时间复杂度和空间复杂度,基于所述时间复杂度和空间复杂度计算子网络复杂度特征值;
步骤S3,将所述子网络复杂度特征值与复杂度特征阈值进行比对并根据比对结果为子网络建立对应的流量趋势预测单元,所述流量趋势预测单元包括基于卷积神经网络的流量趋势预测单元和基于深度残差神经网络的流量趋势预测单元;
步骤S4,所述流量趋势预测单元获取预设历史时间段内的历史流量数据,对历史流量数据进行预处理,将预处理后的历史流量数据进行特征提取和数据训练获得子网络在预设未来时间段内的预测流量数据集;
步骤S5,当对未来时刻流量值进行预测时,计算各流量趋势预测单元准确率,并判定准确率水平,对于处于第二准确率水平的流量趋势预测单元在未来时刻的预测流量值进行修正;
步骤S6,根据所有子网络在未来时刻的预测流量值计算主网络在未来时刻的预测流量值。
2.根据权利要求1所述的基于网络流量查询的流量趋势预测方法,其特征在于,在所述步骤S1中,所述网状拓扑具体为,将主网络各个节点及其连接关系转换为可供神经网络处理的网络拓扑结构,并将所述主网络解耦为若干子网络,所述子网络包括若干节点和若干连接线。
3.根据权利要求2所述的基于网络流量查询的流量趋势预测方法,其特征在于,在所述步骤S2中,所述子网络的时间复杂度Ta依据如下公式计算:
Ta=N/t
其中,t为子网络工作时间,N为子网络在时间t内的基本操作次数;
所述子网络的空间复杂度Sa依据如下公式计算:
其中,c为子网络中节点数量,b为子网络中连接线数量。
4.根据权利要求3所述的基于网络流量查询的流量趋势预测方法,其特征在于,在所述步骤S2中,所述子网络复杂度特征值E依据如下公式计算:
其中,α1为时间复杂度转换系数,α2为空间复杂度转换系数;
在所述步骤S3中,将所述子网络复杂度特征值E与所述复杂度特征阈值E0进行比较,
当E≤E0时,为所述子网络建立基于卷积神经网络的流量趋势预测单元;
当E>E0时,为所述子网络建立基于深度残差神经网络的流量趋势预测单元;
若干所述流量趋势预测单元间连接关系与流量趋势预测单元对应的子系统连接关系相同。
5.根据权利要求4所述的基于网络流量查询的流量趋势预测方法,其特征在于,在所述步骤S4中,所述基于卷积神经网络的流量趋势预测单元获取子网络中预设历史时间段内的历史流量数据,对流量数据进行归一化并通过加权最小二乘法对历史流量数据进行预处理,生成有效历史流量数据集,将历史流量数据集划分为训练集和测试集,经特征提取和数据训练获得子网络在预设未来时间段内的预测流量数据集。
6.根据权利要求5所述的基于网络流量查询的流量趋势预测方法,其特征在于,在所述步骤S4中,所述基于深度残差神经网络的流量趋势预测单元获取预测流量数据集的方式与基于卷积神经网络的流量趋势预测单元差别在于,所述基于深度残差神经网络的流量趋势预测单元采用多层卷积和池化操作,其余步骤与基于卷积神经网络的流量趋势预测单元相同。
7.根据权利要求6所述的基于网络流量查询的流量趋势预测方法,其特征在于,在所述步骤S5中,分别计算各子系统对应的流量趋势预测单元的准确率,流量趋势预测单元的准确率C按照以下公式计算:
其中,Fi表示流量趋势预测单元第i次预测的流量值,Ai表示流量趋势预测单元第i次预测的流量实际值,j为历史预测次数。
8.根据权利要求7所述的基于网络流量查询的流量趋势预测方法,其特征在于,在所述步骤S5中,将流量趋势预测单元的准确率C与预设标准准确率C0进行比对以判定是否对流量趋势预测单元的预测值进行校正;
若为第一准确率水平,则判定流量趋势预测单元无需对预测结果进行校正;
若为第二准确率水平,则判定流量趋势预测单元需对预测结果进行校正;
所述第一准确率水平满足C≥C0,第二准确率水平满足C<C0。
9.根据权利要求8所述的基于网络流量查询的流量趋势预测方法,其特征在于,在所述步骤S5中,在所述第二准确率水平下,对预测结果的校正方式为,所述流量趋势预测单元获取所有相邻子网络在未来时刻T的预测流量值,所述相邻子网络为与所述流量趋势预测单元对应子网络通过一条及以上连接线连接的子网络,流量趋势预测单元按照以下公式将子网络在未来时刻T的预测流量值V修正为V0:
其中,Vm为第m个相邻子网络在未来时刻T的预测流量值,km为第m个相邻子网络与子网络间的连接线数量,u为相邻子网络的数量,β为预设相关系数,0<β<0.1。
10.根据权利要求9所述的基于网络流量查询的流量趋势预测方法,其特征在于,在所述步骤S6中,根据所有子网络在未来时刻T的流量值计算主网络在未来时刻T的流量值X,设定:
其中,Vn为第n个子网络在未来时刻T的预测流量值,v为子网络总量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310516116.XA CN116566841B (zh) | 2023-05-09 | 2023-05-09 | 一种基于网络流量查询的流量趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310516116.XA CN116566841B (zh) | 2023-05-09 | 2023-05-09 | 一种基于网络流量查询的流量趋势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116566841A CN116566841A (zh) | 2023-08-08 |
CN116566841B true CN116566841B (zh) | 2023-12-01 |
Family
ID=87495962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310516116.XA Active CN116566841B (zh) | 2023-05-09 | 2023-05-09 | 一种基于网络流量查询的流量趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116566841B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110267292A (zh) * | 2019-05-16 | 2019-09-20 | 湖南大学 | 基于三维卷积神经网络的蜂窝网络流量预测方法 |
CN114915563A (zh) * | 2021-12-07 | 2022-08-16 | 天翼数字生活科技有限公司 | 一种网络流量预测方法和系统 |
CN115567405A (zh) * | 2022-09-29 | 2023-01-03 | 南京信息工程大学 | 一种基于自适应反馈调节机制的网络流量灰色预测方法 |
CN115720212A (zh) * | 2022-11-11 | 2023-02-28 | 吉林大学 | 一种基于多源数据融合的网络流量预测及自动优化均衡方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11669751B2 (en) * | 2020-11-27 | 2023-06-06 | At&T Intellectual Property I, L.P. | Prediction of network events via rule set representations of machine learning models |
-
2023
- 2023-05-09 CN CN202310516116.XA patent/CN116566841B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110267292A (zh) * | 2019-05-16 | 2019-09-20 | 湖南大学 | 基于三维卷积神经网络的蜂窝网络流量预测方法 |
CN114915563A (zh) * | 2021-12-07 | 2022-08-16 | 天翼数字生活科技有限公司 | 一种网络流量预测方法和系统 |
CN115567405A (zh) * | 2022-09-29 | 2023-01-03 | 南京信息工程大学 | 一种基于自适应反馈调节机制的网络流量灰色预测方法 |
CN115720212A (zh) * | 2022-11-11 | 2023-02-28 | 吉林大学 | 一种基于多源数据融合的网络流量预测及自动优化均衡方法 |
Non-Patent Citations (2)
Title |
---|
改进布谷鸟搜索算法优化SVM的网络流量预测模型;路璐等;计算机应用与软件;第32卷(第1期);全文 * |
路璐等.改进布谷鸟搜索算法优化SVM的网络流量预测模型.计算机应用与软件.2015,第32卷(第1期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116566841A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7116103B2 (ja) | 光モジュールの故障を予測するための方法、装置、およびデバイス | |
CN112769869B (zh) | 一种基于贝叶斯攻击图的sdn网络安全预测方法及对应系统 | |
JP2018147172A (ja) | 異常検知装置、異常検知方法及びプログラム | |
CN102684902B (zh) | 基于探针预测的网络故障定位方法 | |
CN110557275B (zh) | 基于网络内在特征的电力通信网探测站点选择算法 | |
CN113489619A (zh) | 一种基于时间序列分析的网络拓扑推断方法及装置 | |
CN102739527B (zh) | 网络丢包率探测方法 | |
CN113328869A (zh) | 一种告警聚合的方法和装置 | |
CN116684253A (zh) | 基于智能运维的网络异常管控方法 | |
CN111600805A (zh) | 基于贝叶斯的电力数据网拥塞链路推断算法 | |
CN116566841B (zh) | 一种基于网络流量查询的流量趋势预测方法 | |
CN106792741A (zh) | 一种判断基站扇区间天馈接反的方法和系统 | |
CN113890820A (zh) | 一种数据中心网络故障节点诊断方法及系统 | |
CN113435307A (zh) | 一种基于视觉识别技术的运维方法、系统及存储介质 | |
CN117376084A (zh) | 故障检测方法、电子设备及其介质 | |
KR101027242B1 (ko) | 공정 제어 네트워크에서의 장애 예측 방법 및 장치 | |
TWI735942B (zh) | 基於機器學習預測與防範網路通訊設備發生障礙之系統及方法 | |
CN114338088A (zh) | 变电站电力监控系统网络安全等级的评估算法及评估系统 | |
CN111049683A (zh) | 一种基于注意力机制的大规模网络群实时故障预测方法 | |
CN117896237B (zh) | 一种针对网络组网的多设备互通场景监管系统 | |
CN115802013B (zh) | 基于智能照明的视频监控方法、装置、设备及存储介质 | |
CN114338400B (zh) | Sdn网络动态控制方法及装置 | |
CN117915377A (zh) | 一种无线mesh网络的自组织方法及系统 | |
CN116915452A (zh) | 流量带宽的异常识别方法、装置、终端及电子设备 | |
CN117879978A (zh) | 一种用于网关路由器的入侵检测系统 |
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 |