一种基于LSTM的网络流量预测方法技术

本发明专利技术公开了一种基于LSTM的网络流量预测方法，包括：根据流量信号得到突发脉冲串，突发脉冲串是一个用于模拟突发事件的影响因素信号，将流量信号和突发脉冲串输入到网络流量并行LSTM预测器进行流量预测；其中，网络流量并行LSTM预测器包括两个LSTM预测器，两个LSTM预测器内部各层神经网络的系数相同，内部状态信息可以交换，其中一个为主预测器，另一个用于检测突发时刻，两个预测器之间进行内部状态的交换，主预测器利用突发预测器得到的信息进行多变量预测，使其能够适应突发流量导致的流量模式的变化，从而改进预测的准确度。仿真实验表明，网络流量并行LSTM预测器能够适应不同强度的流量变化，相对于传统的单变量LSTM预测器，其预测准确度提高了10％左右。

A network traffic prediction method based on LSTM

The invention discloses a network traffic prediction method based on LSTM, which includes: a burst pulse string is obtained according to the traffic signal, the burst pulse string is a influencing factor signal used to simulate the emergency, the flow signal and the burst pulse string are input to the network traffic parallel LSTM predictor for traffic prediction; wherein, the network traffic parallel LSTM predictor includes two LSTM predictors, The coefficients of each layer of neural network in the two LSTM predictors are the same, and the internal state information can be exchanged. One is the main predictor, the other is used to detect the burst time, and the internal state is exchanged between the two predictors. The main predictor uses the information obtained by the burst predictor to make multi variable prediction, so that it can adapt to the change of flow mode caused by the burst flow And improve the accuracy of prediction. The simulation results show that the network traffic parallel LSTM predictor can adapt to the traffic changes of different intensities. Compared with the traditional single variable LSTM predictor, its prediction accuracy is improved by about 10%.

【技术实现步骤摘要】
一种基于LSTM的网络流量预测方法
本专利技术涉及网络
，特别涉及一种基于LSTM的网络流量预测方法。
技术介绍
随着互联网规模不断扩大，网络流量数据与业务种类越来越多，网络资源与网络需求的供需矛盾日趋尖锐。网络流量预测有助于分析网络安全状况，科学管理网络及防范不当网络行为，因此，网络流量预测的研究和实现具有重要意义。基于人工智能神经网的网络流量预测方法具有非线性和自适应特点，且具有很高的预测精度。近年来,利用深度神经网络对时间序列进行预测成为一个重要的研究方向。LSTM(LongShort-TermMemory)长短期记忆网络，是一种特殊的循环神经网络(RNN)，它能够学习序列中的长期依赖关系。传统的LSTM网络主要用于序列的预测，即通过t-1,t-2,…,t-n时刻的真实值对第t时刻的数值进行预测。LSTM在序列建模上很强大，能够记忆上文信息，还具备神经网络拟合非线性的能力。LSTM技术应用到网络流量的预测时，需要假定在流量中存在某种变化模式，然而计算机网络中业务流量具有较强的突发性，容易发生短时间内出现大量的流量的情况。因此，实际的信息流是模式流量和突发流量的混合。由于突发流量随机产生，无法知道突发发生的时刻和相关的影响因素，传统的LSTM在训练时无法预先获得对突发流量的任何信息，其训练效果很差。在对同时具有突发性和趋势性、周期性的业务流进行训练时，传统的LSTM预测器只会将突发业务流作为一次普通的业务波动进行对待，导致对突发时刻及其之后业务量的预测出现较大的误差。专利技术内容本专利技术的目的在于克服现有技术中所存在的因突发业务流导致对突发时刻及其之后业务量的预测误差较大的问题，提供一种基于LSTM的网络流量预测方法，以改进对突发性业务流的预测。为了实现上述专利技术目的，本专利技术提供了以下技术方案：一种基于LSTM的网络流量预测方法，包括步骤如下：根据流量信号得到突发脉冲串，将流量信号和突发脉冲串输入到网络流量并行LSTM预测器进行流量预测；其中，所述网络流量并行LSTM预测器包括两个LSTM预测器，两个LSTM预测器内部各层神经网络的系数相同，内部状态信息可以交换；所述突发脉冲串是一个用于模拟突发事件的影响因素信号。优选的，所述的根据流量信号得到突发脉冲串的方法：采用突变点检测算法来检测流量的突变点，利用这些突变点构建突发脉冲串。优选的，所述突变点包括流量的低点、高点，其检测方法包括：S110设定流量变化的第一阈值和第二阈值，查找历史数据的深度范围值，后退步长值；S120查找所述深度范围值区域内的流量低点，如果该低点是当前低点，则进行下一步，并将其记录成一个低点；如果当前低点比上一个低点值之差小于第二阈值，则不做处理；否则，认为找到一个新的低点，将上一个后退步长值个时间点内，高于当前低点的值清空；S130查找所述深度范围值区域内的流量高点，如果该高点是当前高点，则进行下一步，并将其记录为一个高点；如果当前高点比上一个高点值之差小于第一阈值，则不做处理；否则，认为找到一个新的高点，将上一个后退步长值个时间点内，低于当前高点的值清空。优选的，所述网络流量并行LSTM预测器包括主预测器，突发预测器；主预测器，采用流量信号作为输入，输出第一预测结果；突发预测器，流量信号和突发脉冲串作为输入，得到第二预测结果，第二预测结果不直接输出，而是用于与第一预测结果进行比较，以确定突发事件到来的时刻。优选的，所述主预测器、所述突发预测器事先进行训练，其训练方法包括：S210利用步骤S110-S130，从训练用的流量信号中检测出训练用的突发脉冲串；S220利用训练用的流量信号与训练用的突发脉冲串对主预测器和突发预测器分别进行训练。优选的，所述网络流量并行LSTM预测器进行流量预测的方法：S310在第t-1时刻，对于主预测器，将当前的内部状态c1(t-1)、h1(t-1)暂存在状态暂存器中，然后以x(t-1)为输入，即xt-1＝[x(t-1)0]，利用前向算法得到并输出下一个时刻的流量预测值将其输出，同时也存储在结果暂存器中；对于突发预测器，首先将c1(t-1)、h1(t-1)拷贝过来作为自己的内部状态，然后以x(t-1)和当前突发脉冲p(t-1)作为输入，即xt-1＝[x(t-1)p(t-1)]，利用前向算法得到下一个时刻的流量预测值将其保存在突发预测器的预测结果暂存器中，同时将利用前向算法得到的状态c2(t)、h2(t)和输入脉冲p(t-1)也暂存到状态和输入暂存器中；S320在第t时刻，对于主预测器，以x(t)为输入，利用前向算法得到并输出下一个时刻的流量预测值对于突发预测器，利用步骤S310得到下一时刻的预测值并保存；由于获得x(t)的真实值，将其与步骤S310暂存的和进行比较，如果满足且Th1和Th2为一个经验的阈值，则认为真实流量中发生了突发流量，则启动步骤S330的对主预测器内部状态和预测值的更新过程，否则，回到步骤S310；S330对突发流量预测值的更新过程：用之前暂存的突发预测器的状态c2(t)、h2(t)更新主预测器的内部状态寄存器，并将输入值脉冲p(t)拷贝到主预测器的输入端作为输入之一，在主预测器上利用x(t)、脉冲信号p(t)和内部状态c2(t)、h2(t)得到t+1时刻新的预测值并用该值更新步骤S320得到的t+1时刻的原始预测值并输出；更新以后，将主预测器利用前向算法得到的内部状态c1(t)、h1(t)保存到状态暂存器之中。优选的，所述前向算法，包括：更新遗忘门输出：f(t)＝σ(Wfh(t-1)+Ufxt+bf)更新输入门两部分输出：i(t)＝σ(Wih(t-1)+Uixt+bi)g(t)＝tanh(Wgh(t-1)+Ugxt+bg)更新神经元长期状态：s(t)＝s(t-1)⊙f(t)+i(t)⊙g(t)更新输出门输出：o(t)＝σ(Woh(t-1)+Uoxt+bo)h(t)＝o(t)⊙tanh(s(t))其中，f(t)为遗忘门的输出；输入门的第一部分使用σ函数，输出为i(t)；输入门的第二部分使用了tanh激活函数，输出为g(t)；s(t)为LSTM的长期状态信息；o(t)为当前神经元的输出，h(t)为将要传递给下一步的短期隐藏状态信息；遗忘门的隐藏层神经元的权重系数和偏置项分别为Wf、Uf、bf，输入门的隐藏层权重系数和偏置项分别为Wi、Ui、bi、Wg、Ug、bg，输出层的隐藏层权重系数和偏置项为Wo、Uo、bo；⊙表示Hadarmad乘积。与现有技术相比，本专利技术的有益效果：本专利技术根据流量信号得到突发脉冲串，所述突发脉冲串是一个用于模拟突发事件的影响因素信号，将流量信号和突发脉冲串输入到网络流量并行LSTM预测器进行流量预测；其中，所述网络流量并行LSTM预测器包括两个LSTM预测器，两个LSTM预测器内本文档来自技高网...

【技术保护点】
1.一种基于LSTM的网络流量预测方法，其特征在于，包括步骤如下：/n根据流量信号得到突发脉冲串，将流量信号和突发脉冲串输入到网络流量并行LSTM预测器进行流量预测；其中，所述网络流量并行LSTM预测器包括两个LSTM预测器，两个LSTM预测器内部各层神经网络的系数相同，内部状态信息可以交换；所述突发脉冲串是一个用于模拟突发事件的影响因素信号。/n

【技术特征摘要】
1.一种基于LSTM的网络流量预测方法，其特征在于，包括步骤如下：
根据流量信号得到突发脉冲串，将流量信号和突发脉冲串输入到网络流量并行LSTM预测器进行流量预测；其中，所述网络流量并行LSTM预测器包括两个LSTM预测器，两个LSTM预测器内部各层神经网络的系数相同，内部状态信息可以交换；所述突发脉冲串是一个用于模拟突发事件的影响因素信号。


2.根据权利要求1所述的基于LSTM的网络流量预测方法，其特征在于，所述的根据流量信号得到突发脉冲串的方法：
采用突变点检测算法来检测流量的突变点，利用这些突变点构建突发脉冲串。


3.根据权利要求2所述的基于LSTM的网络流量预测方法，其特征在于，所述突变点包括流量的低点、高点，其检测方法包括：
S110设定流量变化的第一阈值和第二阈值，查找历史数据的深度范围值，后退步长值；
S120查找所述深度范围值区域内的流量低点，如果该低点是当前低点，则进行下一步，并将其记录成一个低点；
如果当前低点比上一个低点值之差小于第二阈值，则不做处理；否则，认为找到一个新的低点，将上一个后退步长值个时间点内，高于当前低点的值清空；
S130查找所述深度范围值区域内的流量高点，如果该高点是当前高点，则进行下一步，并将其记录为一个高点；
如果当前高点比上一个高点值之差小于第一阈值，则不做处理；否则，认为找到一个新的高点，将上一个后退步长值个时间点内，低于当前高点的值清空。


4.根据权利要求1所述的基于LSTM的网络流量预测方法，其特征在于，所述网络流量并行LSTM预测器包括主预测器，突发预测器；
主预测器，采用流量信号作为输入，输出第一预测结果；突发预测器，流量信号和突发脉冲串作为输入，得到第二预测结果，第二预测结果不直接输出，而是用于与第一预测结果进行比较，以确定突发事件到来的时刻。


5.根据权利要求4所述的基于LSTM的网络流量预测方法，其特征在于，所述主预测器、所述突发预测器事先进行训练，其训练方法包括：
S210利用步骤S110-S130，从训练用的流量信号中检测出训练用的突发脉冲串；
S220利用训练用的流量信号与训练用的突发脉冲串对主预测器和突发预测器分别进行训练。


6.根据权利要求1所述的基于LSTM的网络流量预测方法，其特征在于，所述网络流量并行LSTM预测器进行流量预测的方法：
S310在第t-1时刻，对于主预测器，将当前的内部状态c1(t-1)、h1(t-1)暂存在状态暂存器中，然后以x(t-1)为输入，即xt-1＝[x(t-1)0]，利...

【专利技术属性】
技术研发人员：卓永宁，李蕊，段玲，梁雪源，黄林，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51