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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。