一种网络流量的预测方法及系统技术方案

本发明专利技术公开了一种网络流量的预测方法及系统，包括：利用原始流量数据创建灰色模型，并根据灰色模型预测原始流量数据对应的预测值；将预测值作为神经网络的输入并进行仿真，得到初始预测结果；将原始流量数据作为神经网络的输入并进行仿真，得到误差补偿结果；利用误差补偿结果对初始预测结果进行误差补偿，得到最终预测结果。可见，在本实施例中，通过网络流量的实测数据设计相应的灰色模型，不仅可以确切地模拟网络数据量的变化趋势，准确地预算出近期内数据到达的总量，且对过去的历史数据量无过多的要求，算法的时间复杂度低，并且在本实施例中利用神经网络对其进行修正，可以充分综合序列之间的关联，同时提高精度。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种网络流量的预测方法及系统，包括：利用原始流量数据创建灰色模型，并根据灰色模型预测原始流量数据对应的预测值；将预测值作为神经网络的输入并进行仿真，得到初始预测结果；将原始流量数据作为神经网络的输入并进行仿真，得到误差补偿结果；利用误差补偿结果对初始预测结果进行误差补偿，得到最终预测结果。可见，在本实施例中，通过网络流量的实测数据设计相应的灰色模型，不仅可以确切地模拟网络数据量的变化趋势，准确地预算出近期内数据到达的总量，且对过去的历史数据量无过多的要求，算法的时间复杂度低，并且在本实施例中利用神经网络对其进行修正，可以充分综合序列之间的关联，同时提高精度。【专利说明】-种网络流量的预测方法及系统
本专利技术设及网络流量预测
，更具体地说，设及一种网络流量的预测方法 及系统。
技术介绍
随着Internet及其应用的迅速发展，网络规模不断增大，网络应用日益复杂。网络 流量研究及其控制是保证互联网实时业务传送质量的关键问题之一，历来是业界关注的焦 点和研究的热点。网络流量特征是高性能通信协议与网络设备设计、网络性能分析、网络设 计及其网络负载均衡等的基础，因此建立能够准确刻画及预测网络流量的特征及趋势的组 合预测方法，不仅为网络性能的分析和评价提供具有实践意义的方法，而且为基于流量特 征所进行的异常检测、攻击应对等提供理论依据和实践指导。由于互联网是一个高度复杂 的非线性系统，目前对互联网络的流量特征、性能特征、可靠性和安全性特征等缺乏深入的 理解，因此难W确定网络流量的影响因素，从而导致单一的网络流量预测方法的准确率无 法达到理想的水平。 因此，如何准确的预测网络流量是本领域技术人员需要解决的问题。
技术实现思路
本专利技术的目的在于提供一种网络流量的预测方法及系统，W实现准确的预测网络 流量。 为实现上述目的，本专利技术实施例提供了如下技术方案： -种网络流量的预测方法，包括： 利用原始流量数据创建灰色模型，并根据所述灰色模型预测所述原始流量数据对 应的预测值；[000引将所述预测值作为神经网络的输入并进行仿真，得到初始预测结果； 将所述原始流量数据作为所述神经网络的输入并进行仿真，得到误差补偿结果； 利用所述误差补偿结果对所述初始预测结果进行误差补偿，得到最终预测结果。 其中，所述利用所述误差补偿结果对所述初始预测结果进行误差补偿，得到最终 预测结果，包括： 将所述初始预测结果与所述误差补偿结果相加，得到所述最终预测结果。 其中，将所述预测值作为神经网络的输入并进行仿真，得到初始预测结果之前，还 包括： 将所述预测值作为初始神经网络的输入向量，将所述原始流量数据作为所述初始 神经网络的输出向量，设置所述初始神经网络中的每个节点的初始预测参数值;其中，所述 预测参数值至少包括权值和阔值； 通过训练数据对所述初始神经网络进行训练，确定所述初始神经网络中的每个节 点的最终预测参数值，得到所述神经网络。 其中，将所述原始流量数据作为所述神经网络的输入并进行仿真，得到误差补偿 结果，包括： 将所述原始流量数据中每两个连续数据的差作为所述神经网络的输入，并进行仿 真，得到所述误差补偿结果。 -种网络流量的预测系统，包括： 灰色模型创建模块，用于利用原始流量数据创建灰色模型； 预测模块，用于根据所述灰色模型预测所述原始流量数据对应的预测值； 初始预测结果仿真模块，用于将所述预测值作为神经网络的输入并进行仿真，得 到初始预测结果； 神经网络补偿模块，用于将所述原始流量数据作为所述神经网络的输入并进行仿 真，得到误差补偿结果； 最终预测结果误差补偿模块，用于利用所述误差补偿结果对所述初始预测结果进 行误差补偿，得到最终预测结果。 其中，所述最终预测结果误差补偿模块通过将所述初始预测结果与所述误差补偿 结果相加，得到所述最终预测结果。 其中，所述预测系统还包括： 初始预测参数值设置模块，用于将所述预测值作为初始神经网络的输入向量，将 所述原始流量数据作为所述初始神经网络的输出向量，设置所述初始神经网络中的每个节 点的初始预测参数值;其中，所述预测参数值至少包括权值和阔值； 最终预测参数值确定模块，用于通过训练数据对所述初始神经网络进行训练，确 定所述初始神经网络中的每个节点的最终预测参数值，得到所述神经网络。 其中，所述神经网络补偿模块通过将所述原始流量数据中每两个连续数据的差作 为所述神经网络的输入，并进行仿真，得到所述误差补偿结果。 通过W上方案可知，本专利技术实施例提供的一种网络流量的预测方法及系统，包括： 利用原始流量数据创建灰色模型，并根据所述灰色模型预测所述原始流量数据对应的预测 值;将所述预测值作为神经网络的输入并进行仿真，得到初始预测结果;将所述原始流量数 据作为所述神经网络的输入并进行仿真，得到误差补偿结果;利用所述误差补偿结果对所 述初始预测结果进行误差补偿，得到最终预测结果。 可见，在本实施例中，通过网络流量的实测数据设计相应的灰色模型，不仅可W确 切地模拟网络数据量的变化趋势，准确地预算出近期内数据到达的总量，且对过去的历史 数据量无过多的要求，算法的时间复杂度低，并且在本实施例中利用神经网络对其进行修 正，可W充分综合序列之间的关联，同时提高精度。【附图说明】 为了更清楚地说明本专利技术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，下面描述中的附图仅仅是本 专利技术的一些实施例，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W 根据运些附图获得其他的附图。 图1为本专利技术实施例公开的一种网络流量的预测方法流程示意图； 图2为本专利技术实施例公开的另一种网络流量的预测方法流程示意图； 图3为本专利技术实施例公开的一种网络流量的预测系统结构示意图。【具体实施方式】 下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于 本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他 实施例，都属于本专利技术保护的范围。 本专利技术实施例公开了一种网络流量的预测方法及系统，W实现准确的预测网络流 量。 参见图1，本专利技术实施例提供的一种网络流量的预测方法，包括： S101、利用原始流量数据创建灰色模型，并根据所述灰色模型预测所述原始流量 数据对应的预测值； 具体的，在本实施例中，利用原始流量数据创建灰色模型GM(1，1)的具体流程如 下： 从原始流量数据中选取数列组成原始数据序列，并设原始数据序列：[004。X(O) = U(O)(I)，x(0)(2)，...，x(0)(n));将原始数据序列进行累加生成递增数列：[00创 X。) = U(I)(I)，x(i)(2)，…，x(i)(n)); 其中； 若敬列巧化讨程为指数曲线，即可建立微分方程： W差分代替微分，微分方程便可转化为： 简记为化=XB,用最小二乘法求解，则可得该方程组的解：将该方程的解代入原微分方程，可得： X(I) (k+1) = e_ak+b/a;并根据此求得X(i>数列，然后将其累减生成：[0化引 X(W 化）=X(1)化)-x("本文档来自技高网...

【技术保护点】
一种网络流量的预测方法，其特征在于，包括：利用原始流量数据创建灰色模型，并根据所述灰色模型预测所述原始流量数据对应的预测值；将所述预测值作为神经网络的输入并进行仿真，得到初始预测结果；将所述原始流量数据作为所述神经网络的输入并进行仿真，得到误差补偿结果；利用所述误差补偿结果对所述初始预测结果进行误差补偿，得到最终预测结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：陈海林，
申请(专利权)人：上海珍岛信息技术有限公司，
类型：发明
国别省市：上海;31