CN117201334B - 一种多模态网络流量预测方法及装置 - Google Patents
一种多模态网络流量预测方法及装置 Download PDFInfo
- Publication number
- CN117201334B CN117201334B CN202311481132.6A CN202311481132A CN117201334B CN 117201334 B CN117201334 B CN 117201334B CN 202311481132 A CN202311481132 A CN 202311481132A CN 117201334 B CN117201334 B CN 117201334B
- Authority
- CN
- China
- Prior art keywords
- flow
- network
- historical
- modal network
- modal
- 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 54
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 87
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- 241000728173 Sarima Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
Abstract
本说明书公开了一种多模态网络流量预测方法及装置。所述任务执行方法包括:将获取到的多模态网络中的历史整体流量数据输入到每个模态网络所对应的流量预测模型中,以针对每个模态网络,通过该模态网络对应的流量预测模型,对多模态网络在预设时间段内整体所产生的流量进行预测,得到该模态网络对应的流量预测模型所输出的流量预测值,作为该模态网络对应的流量预测值。再根据每个模态网络下所产生的历史流量数据在历史整体流量数据中的占比,确定出每个模态网络对应的流量预测值的权重,进而根据每个模态网络对应的流量预测值的权重以及每个模态网络对应的流量预测值,得到预测出的多模态网络在预设时间段内整体所产生的流量值。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种多模态网络流量预测方法及装置。
背景技术
随着移动互联网的快速发展,网络的运用规模在各个领域不断扩张,智能化管理网络成为目前需要解决的关键问题。利用流量预测算法,可以对网络性能进行改良,以实现在流量的动态预测中对网络资源进行优化分配,降低能耗等目的。所以,流量的精准预测至关重要。
目前各地运营商可以向用户提供不同形式的网络内容,如文字形式的网络内容、图像形式的网络内容等。而不同形式的网络内容所采用的传输网络有所不同,例如,对于向用户提供视频直播内容的情况来说,需要通过大宽带、低延迟的网络向用户传输数据。所以,不同模态的网络应运而生。而为了保证能够给用户提供良好的网络服务,需要对多个模态网络下所产生的整体流量进行预测,以及时根据实际的网络情况对网络资源进行合理分配。但是,目前对多模态网络下产生的数据进行整体的流量预测时预测的准确率较低。
基于此,如何提高多模态网络流量预测的准确率,则是一个亟待解决的问题。
发明内容
本说明书提供一种多模态网络流量预测方法及装置,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种多模态网络流量预测方法,包括:
获取多模态网络中的历史整体流量数据;
将所述历史整体流量数据输入到每个模态网络所对应的流量预测模型中,以针对每个模态网络,通过该模态网络对应的流量预测模型,对所述多模态网络在预设时间段内整体所产生的流量进行预测,得到该模态网络对应的流量预测模型所输出的流量预测值,作为该模态网络对应的流量预测值;
根据每个模态网络下所产生的历史流量数据在所述历史整体流量数据中的占比,确定出每个模态网络对应的流量预测值的权重;
根据每个模态网络对应的流量预测值的权重以及每个模态网络对应的流量预测值,得到预测出的所述多模态网络在预设时间段内整体所产生的流量值。
可选地,在根据每个模态网络下所产生的历史流量数据在所述历史整体流量数据中的占比,确定出每个模态网络对应的流量预测值的权重之前,所述方法还包括:
将所述历史整体流量数据输入到预设的分类占比模型中,以使所述分类占比模型根据所述历史整体流量数据中包含的各历史流量数据对应的模态网络标识,输出每个模态网络下所产生的历史流量数据在所述历史整体流量数据中的占比。
可选地,根据每个模态网络下所产生的历史流量数据在所述历史整体流量数据中的占比,确定出每个模态网络对应的流量预测值的权重,具体包括:
将每个模态网络下所产生的历史流量数据在所述历史整体流量数据中的占比输入到预先训练的权重拟合模型中,以得到每个模态网络对应的流量预测值的权重。
可选地,训练所述权重拟合模型,具体包括:
获取样本数据,所述样本数据中包含有每个模态网络在指定历史时段所产生的流量数据各自与各模态网络在所述指定历史时段内整体产生的流量数据中的比值;
将所述样本数据输入到所述权重拟合模型中,得到每个模态网络在所述指定历史时段内产生的流量数据的权重;
针对任意一个模态网络,确定该模态网络的流量预测模型预测出的在所述指定历史时段之后的设定时间段整体所产生的流量数据与真实值的偏差,并以所述偏差与所述权重拟合模型输出的该模态网络在所述指定历史时段内产生的流量数据的权重呈负相关关系为优化目标,对所述权重拟合模型进行训练。
本说明书提供了一种多模态网络流量预测装置,包括:
获取模块,用于获取多模态网络中的历史整体流量数据;
预测模块,用于将所述历史整体流量数据输入到每个模态网络所对应的流量预测模型中,以针对每个模态网络,通过该模态网络对应的流量预测模型,对所述多模态网络在预设时间段内整体所产生的流量进行预测,得到该模态网络对应的流量预测模型所输出的流量预测值,作为该模态网络对应的流量预测值;
分类模块,用于根据每个模态网络下所产生的历史流量数据在所述历史整体流量数据中的占比,确定出每个模态网络对应的流量预测值的权重;
整合模块,用于根据每个模态网络对应的流量预测值的权重以及每个模态网络对应的流量预测值,得到预测出的所述多模态网络在预设时间段内整体所产生的流量值。
可选地,在根据每个模态网络下所产生的历史流量数据在所述历史整体流量数据中的占比,确定出每个模态网络对应的流量预测值的权重之前,所述分类模块还用于,将所述历史整体流量数据输入到预设的分类占比模型中,以使所述分类占比模型根据所述历史整体流量数据中包含的各历史流量数据对应的模态网络标识,输出每个模态网络下所产生的历史流量数据在所述历史整体流量数据中的占比。
可选地,所述分类模块具体用于,将每个模态网络下所产生的历史流量数据在所述历史整体流量数据中的占比输入到预先训练的权重拟合模型中,以得到每个模态网络对应的流量预测值的权重。
可选地,所述装置还包括:
训练模块,用于获取样本数据,所述样本数据中包含有每个模态网络在指定历史时段所产生的流量数据各自与各模态网络在所述指定历史时段内整体产生的流量数据中的比值;将所述样本数据输入到所述权重拟合模型中,得到每个模态网络在所述指定历史时段内产生的流量数据的权重;针对任意一个模态网络,确定该模态网络的流量预测模型预测出的在所述指定历史时段之后的设定时间段整体所产生的流量数据与真实值的偏差,并以所述偏差与所述权重拟合模型输出的该模态网络在所述指定历史时段内产生的流量数据的权重呈负相关关系为优化目标,对所述权重拟合模型进行训练。
本说明书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,所述计算机程序被处理器执行时实现上述多模态网络流量预测的方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述多模态网络流量预测的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的多模态网络流量预测方法中,获取多模态网络中的历史整体流量数据,并将历史整体流量数据输入到每个模态网络所对应的流量预测模型中,以针对每个模态网络,通过该模态网络对应的流量预测模型,对多模态网络在预设时间段内整体所产生的流量进行预测,得到该模态网络对应的流量预测模型所输出的流量预测值,作为该模态网络对应的流量预测值。再根据每个模态网络下所产生的历史流量数据在历史整体流量数据中的占比,确定出每个模态网络对应的流量预测值的权重,进而根据每个模态网络对应的流量预测值的权重以及每个模态网络对应的流量预测值,得到预测出的多模态网络在预设时间段内整体所产生的流量值。
从上述方法可以看出,在本说明书提供的多模态网络流量预测方法中,根据每个模态网络下所产生的历史流量数据在历史整体流量数据中的占比,确定出每个模态网络对应的流量预测值的权重,通过这种方式,可以大大提高多模态网络流量预测的准确率。通过预测出的精准的流量数据结果,进而对网络规模进行调节,以使网络资源能够得到更合理的分配。在网络安全方面,提前预测到准确的流量数据,可以实现流量的预警和异常过滤。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中提供的一种多模态网络流量预测方法的流程示意图;
图2为本说明书提供的一种权重拟合模型的神经网络示意图;
图3为本说明书提供的一种多模态网络流量预测装置的示意图;
图4为本说明书提供的一种对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种多模态网络流量预测方法的流程示意图,包括以下步骤:
S101:获取多模态网络中的历史整体流量数据。
在实际应用中,不同的应用场景所采用的传输网络不同,例如,对于向用户提供视频直播内容的情况来说,需要通过大宽带的网络向用户传输数据;再例如,对于向用户提供购物需求的网站来说,需要通过高并发的网络向用户传输数据。
所以,不同模态的网络应运而生,而为了能够给用户提供更加良好的网络服务,需要对多个模态网络下的所产生的整体的流量数据进行预测,以对网络容量进行提前规划、调节网络规模,以及实现自动化网络路由和服务质量(Quality of Service,QoS)管理。并且能够在流量优化中动态分配资源、降低能耗,在网络安全方面可以实现流量预警与异常过滤。相较于传统的被动式的网络管理策略,结合了高精度流量预测算法的主动式网络管理可以大大发挥网络资源的潜力,大幅提高网络能力的利用率。
基于此,提高多模态网络流量预测的准确率至关重要,本说明书提供了一种多模态网络流量预测方法,先获取多模态网络中的历史整体流量数据,并将历史整体流量数据输入到每个模态网络所对应的流量预测模型中,以针对每个模态网络,通过该模态网络对应的流量预测模型,对多模态网络在预设时间段内整体所产生的流量进行预测,得到该模态网络对应的流量预测模型所输出的流量预测值,作为该模态网络对应的流量预测值。再将历史整体流量数据输入到预设的分类占比模型中,以使分类占比模型根据历史整体流量数据中包含的各历史流量数据对应的模态网络标识,输出每个模态网络下所产生的历史流量数据在历史整体流量数据中的占比,再根据每个模态网络下所产生的历史流量数据在历史整体流量数据中的占比,确定出每个模态网络对应的流量预测值的权重,进而根据每个模态网络对应的流量预测值的权重以及每个模态网络对应的流量预测值,得到预测出的多模态网络在预设时间段内整体所产生的流量值。
目前,预测多模态网络流量的模型均假设输入的数据服从单一分布,当遇到突发状况,例如流量激增等,或是在实际场景中出现一个与历史流量走向特点完全不同的流量数据时,现有的流量预测模型无法对这种突发的、陌生的流量数据进行准确预测,无法得知流量数据后续的变化特征。由此可见,本说明书提供的一种多模态网络流量预测的方法可以显著提高多模态网络流量预测的准确率,帮助网络更好的调动资源,合理规划网络规模,利用精准的流量预测,为用户提供一个性能更加优良的网络环境。
在本说明书中,用于实现一种多模态网络流量预测的方法的执行主体可以是诸如笔记本电脑、平板电脑等终端设备,当然,也可以是服务器,为了便于描述,本说明书仅以终端设备作为执行主体为例,对本说明书中提供的一种多模态网络流量预测的方法进行说明。
在多模态网络流量预测方法中,终端设备首先获取多模态网络中的历史整体流量数据,这里的历史整体流量数据可以来自于多种数据源,例如:小型数据中心、5G承载网、高性能计算服务所产生的流量数据和热门网站的流量数据等。并且历史整体流量数据可以是由过去一段时间内的多个时刻的多模态网络产生的整体流量数据组成的。
S102:将所述历史整体流量数据输入到每个模态网络所对应的流量预测模型中,以针对每个模态网络,通过该模态网络对应的流量预测模型,对所述多模态网络在预设时间段内整体所产生的流量进行预测,得到该模态网络对应的流量预测模型所输出的流量预测值,作为该模态网络对应的流量预测值。
终端设备将获取到的历史整体流量数据形成一条连续的时间序列输入到每个模态网络对应的流量预测模型中,其中,连续的时间序列是指将获取到的多个时刻的整体流量数据按时间顺序排列成一条连续的时间序列,再输入到每个模态网络对应的流量预测模型中。针对每个模态网络,通过该模态网络对应的流量预测模型,对多模态网络在预设时间段内整体所产生的流量进行预测,得到该模态网络对应的流量预测模型所输出的流量预测值。其中,预设时间段中至少有部分时间是在历史整体流量数据所对应的时间段之后的。
也就是说,每个模态网络均至少对应有一个流量预测模型,所以对于任意一个模态网络来说,该模态网络下的流量预测模型是以该模态网络下所产生的数据流量的特点作为预测时的主要参考来预测整体流量数据的。
在本说明书中,每个模态网络对应的流量预测模型可以有多种,理论上来说,在预测过程中参与预测的流量预测模型的数量与预测结果准确度成正相关,也就是说,参与预测的流量预测模型越多,容错度越高,预测出的结果越准确。需要说明的是,针对任意一个模态网络,可以有多个流量预测模型参与到整体流量数据的预测中。而多个模态网络对应的流量预测模型可以是循环神经网络LSTM和GRU、统计模型SARIMA和ARMA、Transformer类模型FEDformer和 Informer。
S103:根据每个模态网络下所产生的历史流量数据在所述历史整体流量数据中的占比,确定出每个模态网络对应的流量预测值的权重。
在本说明书中,可以是根据多模态网络传输数据时为流量数据打上的对应的模态网络标识得出每个模态网络下所产生的历史流量数据在历史整体流量数据中的占比,再通过预先设定的每个模态网络下所产生的历史流量数据在历史整体流量数据中的占比与每个模态网络对应的流量预测模型所输出的流量预测值的权重之间的函数关系,得到每个模态网络对应的流量预测值的权重。其中,每个模态网络下所产生的历史流量数据在历史整体流量数据中的占比与每个模态网络对应的流量预测模型所输出的流量预测值的权重成正相关。
当然,也可以是终端设备将历史整体流量数据形成的连续序列输入到预设的分类占比模型中,其中,历史整体流量数据是多模态网络产生的,多模态网络传输时的流量数据由流量包组成,分类占比模型根据历史整体流量数据中包含的各历史流量数据对应的模态网络标识,输出每个模态网络下所产生的历史流量数据在历史整体流量数据中的占比。并将每个模态网络下所产生的历史流量数据在历史整体流量数据中的占比输入到预先训练的权重拟合模型中,以得到每个模态网络对应的流量预测值的权重。
具体地,权重拟合模型需要进行预训练,首先终端设备需要获取样本数据,其中,样本数据中包含有每个模态网络在指定历史时段所产生的流量数据各自与各模态网络在指定历史时段内整体产生的流量数据中的比值,然后,将获得到的样本数据输入到权重拟合模型中,得到每个模态网络在指定历史时段内产生的流量数据的权重。
针对任意一个模态网络,确定该模态网络的流量预测模型预测出的在指定历史时段之后的设定时间段整体所产生的流量数据与真实值的偏差,并以此偏差与权重拟合模型输出的该模态网络根据指定历史时段内所产生的流量数据预测出的指定时间的流量值的权重呈负相关关系为优化目标,对权重拟合模型进行训练。其中,该模态网络的流量预测模型预测出的在指定历史时段之后的设定时间段整体所产生的流量数据可以是由流量预测模型预测出来的,也可以是提前设定的一个流量值。
进一步地,该流量值的本质目的是为了让权重拟合模型学习上述偏差与权重拟合模型输出的该模态网络根据指定历史时段内所产生的流量数据预测出的指定时间的流量值的权重的关系,也就是说,该模态网络的流量预测模型预测出的在指定历史时段之后的设定时间段整体所产生的流量数据与真实值的偏差越大,那么,该模态网络对应的流量预测模型所输出的流量预测值的权重越小,所以该流量值的具体来源是可以有多种的。
在本说明书中,终端设备可以计算出每个模态网络对应的流量预测模型所输出的流量预测值与真实值的均方误差,并通过反向传播算法更新权重拟合模型中的参数直至模型收敛,其中,一个模态网络对应的流量预测模型所输出的流量预测值与真实值的均方误差越小,说明该模态网络对应的流量预测模型所输出的流量预测值比起其他流量预测模型来说更加准确,需要通过反向传播算法更新该流量预测模型的模型参数,以提高该模态网络对应的流量预测模型所输出的流量预测值的权重的准确性。依次对每个模态网络对应的流量预测模型所输出的流量预测值的权重进行调整,以得到与真实值更加接近的多模态网络在预设时间段内整体所产生的预测流量值。
另外,在本说明书中对于权重拟合模型的训练还提供另一种思路,终端设备首先需要获取样本数据,其中,样本数据中包含有每个模态网络在指定历史时段所产生的流量数据各自与各模态网络在指定历史时段内整体产生的流量数据中的比值,再将样本数据输入到权重拟合模型中,得到每个模态网络在指定历史时段内产生的流量数据的权重。针对任意一个模态网络,确定该模态网络的流量预测模型预测出的在指定历史时段之后的设定时间段整体所产生的流量数据与真实值的大小关系,作为该模态网络对应的大小关系,根据该模态网络对应的大小关系,确定该模态网络指定历史时段内所产生的流量数据的权重的正负号,作为参考正负号。以此偏差与权重拟合模型输出的该模态网络在指定历史时段内产生的流量数据的权重呈负相关关系,以及最小化该模态网络在指定历史时段内产生的流量数据的权重的正负号与参考正负号之间的偏差为优化目标,对权重拟合模型进行训练。
S104:根据每个模态网络对应的流量预测值的权重以及每个模态网络对应的流量预测值,得到预测出的所述多模态网络在预设时间段内整体所产生的流量值。
在本说明书中,可以将得到的每个模态网络对应的流量预测值与每个模态网络对应的流量预测值的权重加权求和,以得到多模态网络在预设时间段内整体所产生的预测流量值。
具体地,多模态网络在预设时间段内整体所产生的预测流量值可以通过以下公式进行表示:
其中,代表多模态网络在预设时间段内整体所产生的预测流量值,/>、/>、、…、/>分别表示每种流量预测模型输出的流量预测值的权重,/>、/>、…、分别表示每种流量预测模型输出的流量预测值。
下面将以一个具体的实例来解释本说明书提供的方法,先获取多模态网络中的历史整体流量数据,将获取到的历史整体流量数据分别输入到六种流量预测模型中,得到六个流量预测值,其中,流量预测模型分别是循环神经网络LSTM和GRU、统计模型SARIMA和ARMA、Transformer类模型FEDformer和 Informer。在本实例中,输入的历史整体流量数据的时间长度可以是36个单位时间,也可以理解为,有36个时间间隔相同的时刻的历史整体流量数据按时间顺序组成的时间序列。
然后,将获取到的历史整体流量数据输入到分类占比模型中,若设定多模态网络的模态总数为6,那么分类占比模型输出的结果维度也为6,其用于表示每个模态网络下所产生的历史流量数据在历史整体流量数据中的占比。进一步地,将分类占比模型输出的结果输入到权重拟合模型中,权重拟合模型输出维度为6的结果,其结果用于表示每个模态网络对应的流量预测模型所输出的流量预测值的权重,每一个维度对应一种流量预测模型。需要指出的是,输入到流量预测模型的历史整体流量数据的时间长度与输入到分类占比模型的历史整体流量数据的时间长度需要保持一致,且输出的结果的时间长度也要保持一致。
在得到每个模态网络下所产生的历史流量数据在历史整体流量数据中的占比后,将这些占比作为一个序列输入到权重拟合模型中,其中,权重拟合模型具体的模型结构如图2所示。
图2为本说明书提供的一种权重拟合模型的神经网络示意图。
图2中的权重拟合模型由两层全连接层与一层激活层组成,其中全连接层1和全连接层2的神经元个数与流量预测模型的个数相适应。激活层采用的激活函数为sigmoid函数。当终端设备将每个模态网络下所产生的历史流量数据在历史整体流量数据中的占比输入到权重拟合模型中时,分别通过全连接层1、全连接层2、激活层和输出层,根据这些层的运算,得到每个模态网络对应的流量预测模型所输出的流量预测值的权重。
从上述方法可以看出,当流量数据来源是多模态网络时,目前已无法高效准确的处理流量数据,并且难以预测出陌生的流量数据的特征走向,而本说明书提供的方法可以将多个模态网络产生的历史整体流量数据分别输入到不同的流量预测模型中,再根据权重拟合模型得到的各流量预测模型所输出的预测流量值对应的权重,得到多模态网络在预设时间段内整体所产生的流量值。这种方法可以使得到的流量预测值更加准确,并且在一定程度上提高了网络的鲁棒性。
进一步地,通过引入分类占比模型和权重拟合模型,可以得到更加准确的各个模态网络下所产生的历史流量数据在历史整体流量数据中的占比,基于对权重拟合模型的大量训练,进而得到更加合理准确的各流量预测模型所输出的预测流量值对应的权重。然后,通过加权求和的方式得到更加接近真实值的流量预测值。也就是说,在网络遇到突发状况或者突然加入拥有陌生特征的数据时,可以根据准确的流量预测值,以对当前的网络容量进行规划,并对网络规模进行调节,实现自动化网络路由和QoS管理,在动态的网络流量预测中,合理分配资源,降低能耗,充分发挥网络资源的潜力,大幅提高网络能力的利用率。
以上为本说明书的一个或多个实施多模态网络流量预测方法,基于同样的思路,本说明书还提供了相应的多模态网络流量预测装置,如图3所示。
图3为本说明书提供的一种多模态网络流量预测装置的示意图,包括:
获取模块301,用于获取多模态网络中的历史整体流量数据;
预测模块302,用于将所述历史整体流量数据输入到每个模态网络所对应的流量预测模型中,以针对每个模态网络,通过该模态网络对应的流量预测模型,对所述多模态网络在预设时间段内整体所产生的流量进行预测,得到该模态网络对应的流量预测模型所输出的流量预测值,作为该模态网络对应的流量预测值;
分类模块303,用于根据每个模态网络下所产生的历史流量数据在所述历史整体流量数据中的占比,确定出每个模态网络对应的流量预测值的权重;
整合模块304,用于根据每个模态网络对应的流量预测值的权重以及每个模态网络对应的流量预测值,得到预测出的所述多模态网络在预设时间段内整体所产生的流量值。
可选地,在所述分类模块303执行根据每个模态网络下所产生的历史流量数据在所述历史整体流量数据中的占比,确定出每个模态网络对应的流量预测值的权重之前,所述分类模块303还用于,将所述历史整体流量数据输入到预设的分类占比模型中,以使所述分类占比模型根据所述历史整体流量数据中包含的各历史流量数据对应的模态网络标识,输出每个模态网络下所产生的历史流量数据在所述历史整体流量数据中的占比。
可选地,所述分类模块303具体用于,将每个模态网络下所产生的历史流量数据在所述历史整体流量数据中的占比输入到预先训练的权重拟合模型中,以得到每个模态网络对应的流量预测值的权重。
可选地,所述装置还包括:
训练模块305,用于获取样本数据,所述样本数据中包含有每个模态网络在指定历史时段所产生的流量数据各自与各模态网络在所述指定历史时段内整体产生的流量数据中的比值;将所述样本数据输入到所述权重拟合模型中,得到每个模态网络在所述指定历史时段内产生的流量数据的权重;针对任意一个模态网络,确定该模态网络的流量预测模型预测出的在所述指定历史时段之后的设定时间段整体所产生的流量数据与真实值的偏差,并以所述偏差与所述权重拟合模型输出的该模态网络在所述指定历史时段内产生的流量数据的权重呈负相关关系为优化目标,对所述权重拟合模型进行训练。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种多模态网络流量预测方法。
本说明书还提供了图4所示的一种对应于图1的电子设备的示意结构图。如图4所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的多模态网络流量预测方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(ProgrammableLogic Device, PLD)(例如现场可编程门阵列(Field Programmable Gate Array,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(HardwareDescription Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(AdvancedBoolean Expression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(JavaHardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby HardwareDescription Language)等,目前最普遍使用的是VHDL(Very-High-Speed IntegratedCircuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书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,本说明书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。
本说明书是参照根据本说明书实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书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,本说明书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。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (6)
1.一种多模态网络流量预测方法,其特征在于,包括:
获取多模态网络中的历史整体流量数据;
将所述历史整体流量数据输入到每个模态网络所对应的流量预测模型中,以针对每个模态网络,通过该模态网络对应的流量预测模型,对所述多模态网络在预设时间段内整体所产生的流量进行预测,得到该模态网络对应的流量预测模型所输出的流量预测值,作为该模态网络对应的流量预测值;
根据每个模态网络下所产生的历史流量数据在所述历史整体流量数据中的占比,确定出每个模态网络对应的流量预测值的权重,其中,将每个模态网络下所产生的历史流量数据在所述历史整体流量数据中的占比输入到预先训练的权重拟合模型中,以得到每个模态网络对应的流量预测值的权重,训练所述权重拟合模型的步骤包括:获取样本数据,所述样本数据中包含有每个模态网络在指定历史时段所产生的流量数据各自与各模态网络在所述指定历史时段内整体产生的流量数据中的比值;将所述样本数据输入到所述权重拟合模型中,得到每个模态网络在所述指定历史时段内产生的流量数据的权重;针对任意一个模态网络,确定该模态网络的流量预测模型预测出的在所述指定历史时段之后的设定时间段整体所产生的流量数据与真实值的偏差,并以所述偏差与所述权重拟合模型输出的该模态网络在所述指定历史时段内产生的流量数据的权重呈负相关关系为优化目标,对所述权重拟合模型进行训练;
根据每个模态网络对应的流量预测值的权重以及每个模态网络对应的流量预测值,得到预测出的所述多模态网络在预设时间段内整体所产生的流量值。
2.如权利要求1所述的方法,其特征在于,在根据每个模态网络下所产生的历史流量数据在所述历史整体流量数据中的占比,确定出每个模态网络对应的流量预测值的权重之前,所述方法还包括:
将所述历史整体流量数据输入到预设的分类占比模型中,以使所述分类占比模型根据所述历史整体流量数据中包含的各历史流量数据对应的模态网络标识,输出每个模态网络下所产生的历史流量数据在所述历史整体流量数据中的占比。
3.一种多模态网络流量预测装置,其特征在于,包括:
获取模块,获取多模态网络中的历史整体流量数据;
预测模块,将所述历史整体流量数据输入到每个模态网络所对应的流量预测模型中,以针对每个模态网络,通过该模态网络对应的流量预测模型,对所述多模态网络在预设时间段内整体所产生的流量进行预测,得到该模态网络对应的流量预测模型所输出的流量预测值,作为该模态网络对应的流量预测值;
分类模块,根据每个模态网络下所产生的历史流量数据在所述历史整体流量数据中的占比,确定出每个模态网络对应的流量预测值的权重,其中,将每个模态网络下所产生的历史流量数据在所述历史整体流量数据中的占比输入到预先训练的权重拟合模型中,以得到每个模态网络对应的流量预测值的权重;
整合模块,根据每个模态网络对应的流量预测值的权重以及每个模态网络对应的流量预测值,得到预测出的所述多模态网络在预设时间段内整体所产生的流量值;
训练模块,获取样本数据,所述样本数据中包含有每个模态网络在指定历史时段所产生的流量数据各自与各模态网络在所述指定历史时段内整体产生的流量数据中的比值;将所述样本数据输入到所述权重拟合模型中,得到每个模态网络在所述指定历史时段内产生的流量数据的权重;针对任意一个模态网络,确定该模态网络的流量预测模型预测出的在所述指定历史时段之后的设定时间段整体所产生的流量数据与真实值的偏差,并以所述偏差与所述权重拟合模型输出的该模态网络在所述指定历史时段内产生的流量数据的权重呈负相关关系为优化目标,对所述权重拟合模型进行训练。
4.如权利要求3所述的装置,其特征在于,在根据每个模态网络下所产生的历史流量数据在所述历史整体流量数据中的占比,确定出每个模态网络对应的流量预测值的权重之前,所述分类模块还用于,将所述历史整体流量数据输入到预设的分类占比模型中,以使所述分类占比模型根据所述历史整体流量数据中包含的各历史流量数据对应的模态网络标识,输出每个模态网络下所产生的历史流量数据在所述历史整体流量数据中的占比。
5.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~2任一项所述的方法。
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~2任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311481132.6A CN117201334B (zh) | 2023-11-08 | 2023-11-08 | 一种多模态网络流量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311481132.6A CN117201334B (zh) | 2023-11-08 | 2023-11-08 | 一种多模态网络流量预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117201334A CN117201334A (zh) | 2023-12-08 |
CN117201334B true CN117201334B (zh) | 2024-01-26 |
Family
ID=88985500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311481132.6A Active CN117201334B (zh) | 2023-11-08 | 2023-11-08 | 一种多模态网络流量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117201334B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015103523A1 (en) * | 2014-01-06 | 2015-07-09 | Cisco Technology, Inc. | Predictive learning machine-based approach to detect traffic outside of service level agreements |
CN111277434A (zh) * | 2020-01-16 | 2020-06-12 | 北京工业大学 | 一种基于vmd和lstm的网络流量多步预测方法 |
CN115022210A (zh) * | 2022-07-26 | 2022-09-06 | 中国银行股份有限公司 | 一种网络流量预测模型的构建方法、预测方法及装置 |
CA3177585A1 (en) * | 2021-04-16 | 2022-10-16 | Strong Force Vcn Portfolio 2019, Llc | Systems, methods, kits, and apparatuses for digital product network systems and biology-based value chain networks |
CN115225520A (zh) * | 2022-07-15 | 2022-10-21 | 同济大学 | 一种基于元学习框架的多模态网络流量预测方法及装置 |
WO2023273837A1 (zh) * | 2021-06-30 | 2023-01-05 | 中兴通讯股份有限公司 | 模型训练方法、流量预测方法、流量负载均衡的方法、装置及存储介质 |
CN115632978A (zh) * | 2022-09-05 | 2023-01-20 | 鹏城实验室 | 一种多模态网络节点控制方法、装置、设备及存储介质 |
CN116545871A (zh) * | 2023-06-13 | 2023-08-04 | 重庆大学 | 一种多模态网络流量预测方法、装置、介质 |
CN116668321A (zh) * | 2023-06-20 | 2023-08-29 | 中国联合网络通信集团有限公司 | 网络流量预测方法、装置、设备和存储介质 |
-
2023
- 2023-11-08 CN CN202311481132.6A patent/CN117201334B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015103523A1 (en) * | 2014-01-06 | 2015-07-09 | Cisco Technology, Inc. | Predictive learning machine-based approach to detect traffic outside of service level agreements |
CN111277434A (zh) * | 2020-01-16 | 2020-06-12 | 北京工业大学 | 一种基于vmd和lstm的网络流量多步预测方法 |
CA3177585A1 (en) * | 2021-04-16 | 2022-10-16 | Strong Force Vcn Portfolio 2019, Llc | Systems, methods, kits, and apparatuses for digital product network systems and biology-based value chain networks |
WO2023273837A1 (zh) * | 2021-06-30 | 2023-01-05 | 中兴通讯股份有限公司 | 模型训练方法、流量预测方法、流量负载均衡的方法、装置及存储介质 |
CN115225520A (zh) * | 2022-07-15 | 2022-10-21 | 同济大学 | 一种基于元学习框架的多模态网络流量预测方法及装置 |
CN115022210A (zh) * | 2022-07-26 | 2022-09-06 | 中国银行股份有限公司 | 一种网络流量预测模型的构建方法、预测方法及装置 |
CN115632978A (zh) * | 2022-09-05 | 2023-01-20 | 鹏城实验室 | 一种多模态网络节点控制方法、装置、设备及存储介质 |
CN116545871A (zh) * | 2023-06-13 | 2023-08-04 | 重庆大学 | 一种多模态网络流量预测方法、装置、介质 |
CN116668321A (zh) * | 2023-06-20 | 2023-08-29 | 中国联合网络通信集团有限公司 | 网络流量预测方法、装置、设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
基于VMD-DE的混沌网络流量组合预测研究;魏臻;陈颖;程磊;;合肥工业大学学报(自然科学版)(第12期);全文 * |
网络流量预测算法仿真分析;张涛;唐华;张甜甜;;计算机仿真(第09期);全文 * |
高峰期网络流量高精准度预测模型研究;刘维嘉;;网络新媒体技术(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117201334A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115981870B (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
CN116167461B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN116185629A (zh) | 一种任务执行的方法、装置、存储介质及电子设备 | |
CN116151363A (zh) | 分布式强化学习系统 | |
CN116347623B (zh) | 一种任务调度的方法、装置、存储介质及电子设备 | |
CN117635822A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN117201334B (zh) | 一种多模态网络流量预测方法及装置 | |
CN115543945B (zh) | 一种模型压缩的方法、装置、存储介质及电子设备 | |
CN116403097A (zh) | 一种目标检测方法、装置、存储介质及电子设备 | |
CN116304212A (zh) | 一种数据处理系统、方法、设备及存储介质 | |
CN116996397B (zh) | 一种网络丢包优化的方法、装置、存储介质及电子设备 | |
CN117348999B (zh) | 一种业务执行系统及业务执行方法 | |
CN110929871A (zh) | 博弈决策方法和系统 | |
CN116109008B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
CN115841335B (zh) | 数据处理方法、装置及设备 | |
CN116501852B (zh) | 一种可控对话模型训练方法、装置、存储介质及电子设备 | |
CN117194992B (zh) | 一种模型训练、任务执行方法、装置、存储介质及设备 | |
CN117350351B (zh) | 用户响应预测系统的训练方法、用户响应预测方法及装置 | |
CN114124838B (zh) | 大数据平台的数据传输方法、装置及大数据平台管理系统 | |
CN117973869A (zh) | 一种业务风控方法、装置、电子设备及存储介质 | |
CN117931400A (zh) | 一种任务执行方法、装置、存储介质及电子设备 | |
CN117034926A (zh) | 一种针对多领域文本分类模型的模型训练的方法及装置 | |
CN117933707A (zh) | 一种风控模型解释方法、装置、存储介质及电子设备 | |
CN116363418A (zh) | 一种训练分类模型的方法、装置、存储介质及电子设备 | |
CN117593004A (zh) | 数据处理方法、装置及设备 |
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 |