一种网络流量预测方法及通信设备和存储介质技术

本发明专利技术实施例公开一种网络流量预测方法，包括获取网络流量历史数据；将所述网络流量历史数据输入时序数列预测模型中，得到第一网络流量预测值；将所述第一网络流量预测值以及至少一个与所述第一网络流量预测值有相关性的值输入人工神经网络中，得到第二网络流量预测值。本发明专利技术实施例基于网络流量的自相关特征，将时序数列预测模型和人工神经网络进行结合，得到流量预测模型，以提升网络流量的预测效果。果。果。

【技术实现步骤摘要】
一种网络流量预测方法及通信设备和存储介质


[0001]本专利技术实施例涉及网络流量分析领域，特别涉及一种网络流量预测方法。

技术介绍

[0002]随着传输控制协议/互联网协议(Transmission Control Protocol/Internet Protocol，TCP/IP)网络在现代社会中占据越来越重要的地位，如何更好的理解并且正确预测网络的行为成为信息技术发展中至关重要的一环。对于中/大型网络提供商来说，TCP/IP网络预测已经成为一项重要的任务，并且获得越来越多的关注。通过提升这项任务的准确度，网络提供商可以更好的优化资源，提供更好的服务质量。不仅如此，网络流量预测可以帮助检测网络中的攻击。例如拒绝服务或者垃圾邮件攻击可以通过比较真实流量和预测流量而被检测出。越早检测出这些问题，就可以获得越可靠的网络服务。
[0003]大规模网络系统其自身是复杂的非线性系统，同时又受到多种外界因素影响，其宏观流量行为往往复杂多变，数据中即含有多种周期类波动，又会有非线性升、降趋势，还受到不确定的随机因素的干扰，使得用线性特点表述的流量模型就出现较大误差。所以，如何选择和优化非线性模型成为近年来预测网络流量的研究重点。其中，支持向量机(Support Vector Machine,SVM)、最小二乘支持向量机(Least Squares Support Vector Machines，LS-SVM)、人工神经网络(Artificial Neural Network，ANN)、回声状态网络等都对预测精确度有一定的提高，但是现有的线性模型仍无法准确预测非线性特征明显的网络流量。

技术实现思路

[0004]本专利技术实施例的主要目的在于提供一种网络流量预测方法及通信设备和存储介质，以提升网络流量预测的准确性。
[0005]为了实现本专利技术实施例的目的，本专利技术实施例提供一种网络流量预测方法，包括获取网络流量历史数据；将所述网络流量历史数据输入时序数列预测模型中，得到第一网络流量预测值；将所述第一网络流量预测值以及至少一个与所述第一网络流量预测值有相关性的值输入人工神经网络中，得到第二网络流量预测值。
[0006]为解决上述技术问题，本专利技术实施例还提供了一种通信设备，包括处理器、存储器和通信总线；
[0007]所述通信总线用于将所述处理器和存储器连接；
[0008]所述处理器用于执行所述存储器中存储的一个或多个计算机程序，以实现如上所述的网络流量预测方法的步骤；
[0009]为解决上述技术问题，本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或多个计算机程序，所述一个或多个计算机程序可被处理器执行，以实现如上所述的网络流量预测方法的步骤。
[0010]本专利技术实施例基于网络流量的自相关特征，将时序数列预测模型和人工神经网络
进行结合，得到流量预测模型，以提升网络流量的预测效果。
附图说明
[0011]图1为本专利技术一实施例的一种网络流量预测方法的流程图；
[0012]图2为本专利技术一实施例中采集的网络流量数据的自相关系数分析结果的示意图；
[0013]图3为本专利技术一实施例中网络流量预测模型的示意图；
[0014]图4为本专利技术一实施例中采集的网络流量数据的示意图；
[0015]图5为本专利技术一实施例中采集的地区一的网络流量数据的示意图；
[0016]图6为本专利技术一实施例中采集的地区二的网络流量数据的示意图。
[0017]本专利技术实施例的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0018]下文中将参考附图并结合实施例来详细说明本专利技术。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0019]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0020]实施例1
[0021]在本实施例中提供了一种网络流量预测的方法，图1是根据本专利技术实施例的一种网络流量预测方法的流程图，如图1所示，该流程包括如下步骤：
[0022]步骤S101，获取网络流量历史数据；
[0023]步骤S102，将所述网络流量历史数据输入时序数列预测模型中，得到第一网络流量预测值；
[0024]步骤S103，将所述第一网络流量预测值以及至少一个与所述第一网络流量预测值有相关性的值输入人工神经网络中，得到第二网络流量预测值。
[0025]可选地，所述时序预测模型是长短时记忆模型，当通过长短时记忆模型得到初步的网络流量预测值后，再将该初步的网络流量预测值和至少一个与该初步的网络流量预测值有相关性的值输入到人工神经网络中，例如初步的网络流量预测值预测的是明天下午5点的网络流量，那么与该初步的网络流量预测值有相关性的值包括昨天同一时刻的流量、前天同一时刻的流量等。
[0026]通过以上步骤，提升了网络流量的预测效果。
[0027]实施例2
[0028]图3是根据本专利技术实施例的网络流量预测模型的示意图，如图3 所示，本专利技术实施例结合了长短时记忆模型与人工神经网络模型作为网络流量预测模型，其中长短时记忆模型输入为时序数列，人工神经网络模型的输入为与网络流量预测值的相关性高的值以及长短时记忆模型的输出。基于人工神经网络的网络流量数据预测方法包括如下步骤：
[0029]使用网络流量采集装置或软件采集网络流量历史数据。参照图4 所示，图4是采集的网络流量数据的示意图，以每五分钟为一个时间刻度，可以从图中看到网络流量数据以24小时为周期具有明显的周期性。并且每个周期内具有相似的数据特征。因此，采用下面的自相关系数公式对网络流量数据进行分析。
[0030]通过考察流量数据的自相关系数，得到时间序列数据中其自身与滞后k个时期数据相比的相关程度：
[0031][0032]如图2所示，图2是采集的网络流量数据的自相关系数分析的结果，从图中可以看到在网络流量数据中，自相关系数以二十四小时也就是“天”为单位进行循环，并且呈逐天降低的趋势。所以一天前的网络流量数据与当前时刻的网络流量数据有很大程度上相关性。
[0033]构造长短时记忆模型与人工神经网络相结合的神经网络结构，使用所述网络流量的历史数据结合与网络流量预测值的相关性高的值进行训练建模，以生成深度神经网络流量预测模型。其中长短时记忆模型为递归神经网络(recursive neural network，RNN)的一个变种，下面将详细说明相关网络结构的原理。
[0034]RNN是近年来机器学习与深度学习领域比较热门的学习方法，与传统的前馈神经网络(Feedforward Neural Network，FNN)不同，FNN 的神经元通过输入层、隐藏层、输出层的连接进行信息的传递。各个输入项之间相互独立，同一层的神经元之间没有连接。而RNN在网络中引本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络流量预测方法，包括：获取网络流量历史数据；将所述网络流量历史数据输入时序数列预测模型中，得到第一网络流量预测值；将所述第一网络流量预测值以及至少一个与所述第一网络流量预测值有相关性的值输入人工神经网络中，得到第二网络流量预测值。2.根据权利要求1所述的方法，其特征在于，所述将所述网络流量历史数据输入时序数列预测模型中包括：将所述网络流量历史数据输入长短时记忆模型中。3.一种通信设备，...

【专利技术属性】
技术研发人员：巫忠正，郭洋，
申请(专利权)人：中兴通讯股份有限公司，
类型：发明
国别省市：