一种网络流量预测方法和计算机设备技术

本发明专利技术提供了一种网络流量预测方法和计算机设备，网络流量预测方法应用于预测模型，预测模型包括：图卷积

【技术实现步骤摘要】
一种网络流量预测方法和计算机设备


[0001]本申请涉及网络流量处理领域，特别是涉及一种网络流量预测方法和计算机设备。

技术介绍

[0002]随着5G时代的到来，网络结构愈发复杂，网络流量迅猛增长，这为网络服务的维持带来了巨大的挑战。因此，为了有效地维护网络，合理的分配网络资源，适度地控制用户流量，预防网络拥堵，网络流量的预测愈发重要。
[0003]目前对网络流量的预测大概有两类，一是线性模型，如差分自回归滑动平均模型、自回归滑动平均模型、移动平均模型等，但是随着网络数据的复杂化，其特性偏离了早期学者所认为的高斯分布、泊松分布等，所以这些线性模型已经无法准确预测当今非线性且复杂的动态网络流量序列，二是近些年流行的非线性模型，如支持向量机模型具有不错的泛化能力，但其缺少结构化的方法，导致某些模型某些关键参数不能确定，对预测准确率有一定的影响。现有的网络流量预测方法应用于预测非线性且复杂的动态网络流量时，准确率低。
[0004]因此，现有技术有待改进。

技术实现思路

[0005]本专利技术所要解决的技术问题是，现有的网络流量预测方法应用于预测非线性且复杂的动态网络流量时，准确率低。本专利技术提出了一种网络流量预测方法和计算机设备，所述网络流量预测方法应用于预测模型，预测模型包括图卷积
‑
自注意力模块，通过图卷积
‑
自注意力模块可以对非线性的复杂动态网络流量进行预测，并且准确率高。
[0006]第一方面，本专利技术实施例提供了一种网络流量预测方法，应用于预测模型，所述预测模型包括：图卷积
‑
自注意力模块、全连接层和激活层；所述网络流量预测方法包括：
[0007]获取网络流量，并对所述网络流量进行预处理，得到预处理流量组；
[0008]将所述预处理流量组输入所述图卷积
‑
自注意力模块，得到目标流量特征组；
[0009]将所述目标流量特征组输入所述全连接层，得到融合流量特征；
[0010]基于所述激活层和所述融合流量特征确定预测结果。
[0011]作为进一步的改进技术方案，所述对所述网络流量进行预处理，得到预处理流量组，具体包括：
[0012]对所述网络流量进行归一化处理，得到归一化流量；
[0013]利用滑动窗口确定所述归一化流量对应的多个预处理流量，其中，所述滑动窗口的长度为预设长度；
[0014]根据所述多个预处理流量得到预处理流量组。
[0015]作为进一步的改进技术方案，所述对所述网络流量进行归一化处理，得到归一化流量具体包括：
[0016]确定所述网络流量对应的最大值和最小值；
[0017]计算所述网络流量与所述最大值之间的第一差值，计算所述最大值和所述最小值之间的第二差值；
[0018]将所述第一差值和所述第二差值之间的比值作为归一化流量。
[0019]作为进一步的改进技术方案，所述图卷积
‑
自注意力模块包括：图卷积模块和自注意力模块；所述将所述预处理流量组输入所述图卷积
‑
自注意力模块，得到目标流量特征组，具体包括：
[0020]将所述预处理流量组输入所述图卷积模块，得到初始流量特征组；
[0021]将所述初始流量特征组输入所述自注意力模块，得到目标流量特征组。
[0022]作为进一步的改进技术方案，所述基于所述激活层和所述融合流量特征确定预测结果，具体包括：
[0023]将所述融合流量特征输入所述激活层，得归一化结果；
[0024]将所述归一化结果进行反归一化处理，得到预测结果。
[0025]作为进一步的改进技术方案，基于训练数据集对所述预设模型进行训练得到所述预测模型，所述预设模型包括：初始图卷积
‑
自注意力模块、初始全连接层和初始激活层。
[0026]作为进一步的改进技术方案，所述基于训练数据集对所述预设模型进行训练得到的所述预测模型，具体包括：
[0027]确定训练数据集，所述训练数据集包括多个训练子集，每个训练子集包括一个训练网络流量组，以及该训练网络流量组对应的标签组；
[0028]将训练数据集中的训练网络流量组输入所述初始图卷积
‑
自注意力模块，得到训练目标流量特征组；
[0029]将所述训练目标流量特征组输入所述初始全连接层，得到训练融合流量特征；
[0030]将所述训练融合流量特征输入所述初始激活层，得到训练预测结果；
[0031]基于所述训练网络流量组对应的所述训练预测结果，以及所述训练网络流量组对应的标签组确定损失函数值，基于所述损失函数值修改所述预设模型的模型参数，并继续执行所述将训练数据集中的训练网络流量组输入所述初始图卷积
‑
自注意力模块的步骤，直至满足预设训练条件，得到预测模型。
[0032]作为进一步的改进技术方案，所述确定训练数据集包括：
[0033]获取多个原始网络流量；
[0034]对于每个原始网络流量，对该原始网络流量进行归一化处理，得到原始归一化流量，利用预设长度的滑动窗口确定所述原始归一化流量对应的多个原始预处理流量，对于每个原始预处理流量，将所述原始归一化流量中所述原始预处理流量的后一数据作为该原始预处理流量对应的标签，根据该原始网络流量对应的多个原始预处理流量，确定该原始网络流量对应训练网络流量组，根据每个原始预处理流量对应的标签确定该原始网络流量对应的标签组；
[0035]根据每个原始网络流量各自分别对应的训练网络流量组和标签组确定训练数据集。
[0036]第二方面，本专利技术提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0037]获取网络流量，并对所述网络流量进行预处理，得到预处理流量组；
[0038]将所述预处理流量组输入所述图卷积
‑
自注意力模块，得到目标流量特征组；
[0039]将所述目标流量特征组输入所述全连接层，得到融合流量特征；
[0040]基于所述激活层和所述融合流量特征确定预测结果。
[0041]第三方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0042]获取网络流量，并对所述网络流量进行预处理，得到预处理流量组；
[0043]将所述预处理流量组输入所述图卷积
‑
自注意力模块，得到目标流量特征组；
[0044]将所述目标流量特征组输入所述全连接层，得到融合流量特征；
[0045]基于所述激活层和所述融合流量特征确定预测结果。
[0046]与现有技术相比，本专利技术实施例具有以下优点：
[0047]在本专利技术实施例中，获取网络流量，并对所述网络流量进行预处理，得到预处理流量组；将所述预处理流量组输入所述图卷积<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，其特征在于，应用于预测模型，所述预测模型包括：图卷积
‑
自注意力模块、全连接层和激活层；所述网络流量预测方法包括：获取网络流量，并对所述网络流量进行预处理，得到预处理流量组；将所述预处理流量组输入所述图卷积
‑
自注意力模块，得到目标流量特征组；将所述目标流量特征组输入所述全连接层，得到融合流量特征；基于所述激活层和所述融合流量特征确定预测结果。2.根据权利要求1所述的网络流量预测方法，其特征在于，所述对所述网络流量进行预处理，得到预处理流量组，具体包括：对所述网络流量进行归一化处理，得到归一化流量；利用滑动窗口确定所述归一化流量对应的多个预处理流量，其中，所述滑动窗口的长度为预设长度；根据所述多个预处理流量得到预处理流量组。3.根据权利要求2所述的网络流量预测方法，其特征在于，所述对所述网络流量进行归一化处理，得到归一化流量，具体包括：确定所述网络流量对应的最大值和最小值；计算所述网络流量与所述最大值之间的第一差值，计算所述最大值和所述最小值之间的第二差值；将所述第一差值和所述第二差值之间的比值作为归一化流量。4.根据权利要求1所述的网络流量预测方法，其特征在于，所述图卷积
‑
自注意力模块包括：图卷积模块和自注意力模块；所述将所述预处理流量组输入所述图卷积
‑
自注意力模块，得到目标流量特征组，具体包括：将所述预处理流量组输入所述图卷积模块，得到初始流量特征组；将所述初始流量特征组输入所述自注意力模块，得到目标流量特征组。5.根据权利要求1所述的网络流量预测方法，其特征在于，所述基于所述激活层和所述融合流量特征确定预测结果，具体包括：将所述融合流量特征输入所述激活层，得归一化结果；将所述归一化结果进行反归一化处理，得到预测结果。6.根据权利要求1至5中任意一项所述的网络流量预测方法，其特征在于，基于训练数据集对预设模型进行训练得到所述预测模型，所述预设模型包括：初始图卷积

【专利技术属性】
技术研发人员：欧阳勇，杨光泽，叶志伟，高榕，万豆，马莹，刘畅，闫春艳，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：