网络流量预测方法及相关设备技术

本公开实施例提供了一种网络流量预测方法及相关设备，属于网络技术领域。该方法包括：获得第一预设时间段内的目标采样流量流向数据和各流量出口的出口统计流量数据，所述第一预设时间段包括第一历史时间段和第一预测时间段；根据所述目标采样流量流向数据和各流量出口的出口统计流量数据获得所述第一预测时间段内的目标网络流量预测值。采用本公开实施例提供的方案，可以提升网络流量预测的准确性。性。性。

【技术实现步骤摘要】
网络流量预测方法及相关设备


[0001]本公开涉及网络
，具体而言，涉及一种网络流量预测方法、装置、计算机设备和计算机可读存储介质。

技术介绍

[0002]随着深度学习的快速发展，相关技术中，流量预测通常采用基于时间序列模型的深度学习算法，例如长短期记忆(Long Short
‑
Term Memory， LSTM)，是一种较为常用的流量预测算法，尤其用于短期流量预测。
[0003]LSTM是一种专门设计的特殊RNN(Recurrent Neural Network，循环神经网络)，以用于解决一般的RNN存在的梯度消失和梯度爆炸问题。由于独特的门控机制，引入了输入门、输出门和遗忘门，能够捕捉时间序列关系。
[0004]但是，使用LSTM进行流量预测，通常需要使用大量的时间序列数据作为输入进行训练，比较适用于短期流量预测场景。在短期流量预测中，数据采集和需要预测的时间尺度较短，数据量较多。而单纯采用深度学习方法如LSTM，对IP(Internet Protocol，网际互连协议)网络的长期流量预测并不适用，即采用深度学习算法进行网络流量预测尤其是长期流量预测存在准确性较低的问题。

技术实现思路

[0005]本公开实施例提供一种网络流量预测方法、装置、计算机设备和计算机可读存储介质，可以提升网络流量预测的准确性。
[0006]本公开实施例提供一种网络流量预测方法，所述方法包括：获得第一预设时间段内的目标采样流量流向数据和各流量出口的出口统计流量数据，所述第一预设时间段包括第一历史时间段和第一预测时间段；根据所述目标采样流量流向数据和各流量出口的出口统计流量数据获得所述第一预测时间段内的目标网络流量预测值。
[0007]本公开实施例提供一种网络流量预测装置，所述装置包括：采样统计流量流向数据获得单元，用于获得第一预设时间段内的目标采样流量流向数据和各流量出口的出口统计流量数据，所述第一预设时间段包括第一历史时间段和第一预测时间段；目标网络流量预测值获得单元，用于根据所述目标采样流量流向数据和各流量出口的出口统计流量数据获得所述第一预测时间段内的目标网络流量预测值。
[0008]本公开实施例提供了一种计算机设备，包括处理器、存储器、输入输出接口；处理器分别与存储器和输入输出接口相连，其中，输入输出接口用于接收数据及输出数据，存储器用于存储计算机程序，处理器用于调用该计算机程序，以使包含该处理器的计算机设备执行本公开实施例中的网络流量预测方法。
[0009]本公开实施例一方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，该计算机程序适于由处理器加载并执行，以使得具有该处理器的计算机设备执行本公开实施例中的网络流量预测方法。
[0010]本公开实施例一方面提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行本公开实施例中的各种可选方式中提供的方法。
[0011]在本公开的一些实施例所提供的技术方案中，通过同时根据第一预设时间段内的目标采样流量流向数据和各流量出口的出口统计流量数据，所述第一预设时间段包括第一历史时间段和第一预测时间段，来获得所述第一预测时间段内的目标网络流量预测值，可以提高网络流量预测的准确性，可以适用于长期网络流量预测的场景。
附图说明
[0012]图1是本公开实施例提供的一种网络流量预测方法的网络交互架构图。
[0013]图2示意性示出了根据本公开的一实施例的网络流量预测方法的流程图。
[0014]图3示意性示出了根据本公开的一实施例的采用抽样方式采集的流量矩阵数据的示意图。
[0015]图4示意性示出了根据本公开的一实施例的各个出口汇总的总体统计数据的示意图。
[0016]图5示意性示出了根据本公开的另一实施例的网络流量预测方法的流程图。
[0017]图6示意性示出了根据本公开的一实施例的数据降维之后的流量矩阵数据的示意图。
[0018]图7示意性示出了根据本公开的一实施例的线性回归拟合填充缺失数据的示意图。
[0019]图8示意性示出了根据本公开的一实施例的矩阵分解的示意图。
[0020]图9是本公开实施例提供的一种网络流量预测装置的框架示意图。
[0021]图10是本公开实施例提供的一种计算机设备的结构示意图。
具体实施方式
[0022]现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
[0023]在本公开的描述中，除非另有说明，“/”表示“或”的意思，例如， A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在 A，同时存在A和B，单独存在B这三种情况。此外，“至少一个”是指一个或多个，“多个”是指两个或两个以上。“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
[0024]图1是本公开实施例提供的一种网络流量预测方法的网络交互架构图。
[0025]在本公开实施例中，请参见图1，图1是本公开实施例提供的一种网络流量预测的网络交互架构图，本公开实施例可以由用户设备和/或计算机设备实现。其中，用户设备可以从计算机设备101中获取数据，对该数据进行显示，其中，该计算机设备101可以与用户设备之间进行数据交互，该计算机设备101可以是应用程序所在的服务器，也可以属于用户设
备(即是用户设备的后台)等，在此不做限制。其中，该用户设备可以是用户设备102a、用户设备102b或用户设备102c等。
[0026]本公开实施例可以由计算机设备101实现。具体的，计算机设备101从用户设备(例如用户设备102a，或者用户设备102a上安装的应用程序或者所打开的网页)获取第一预设时间段内的目标采样流量流向数据和各流量出口的出口统计流量数据，所述第一预设时间段包括第一历史时间段和第一预测时间段；根据所述目标采样流量流向数据和各流量出口的出口统计流量数据获得所述第一预测时间段内的目标网络流量预测值；将第一预测时间段内的目标网络流量预测值发送至用户设备进行显示。
[0027]本公开实施例可以由用户设备102a、用户设备102b或用户设备102c等中的任意一个用户设备实现。具体的，以用户设备102a为例，用户设备 102a获得第一预设时间段内的目标采样流量流向数据和各流量出口的出口统计流量数据，所述第一预设时间段包括第一历史时间段和第一预测时间段；根据所述目标采样流量流向数据和各流量出口的出口统计流量数据获得所述第一预测时间段内的目本文档来自技高网...

【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，包括：获得第一预设时间段内的目标采样流量流向数据和各流量出口的出口统计流量数据，所述第一预设时间段包括第一历史时间段和第一预测时间段；根据所述目标采样流量流向数据和各流量出口的出口统计流量数据获得所述第一预测时间段内的目标网络流量预测值。2.根据权利要求1所述的方法，其特征在于，获得第一预设时间段内的目标采样流量流向数据，包括：获得包括m维流量出口、m维流量入口和T维采样时间的第一采样流量流向数据，m和T均为大于或等于1的正整数，所述T维采样时间处于所述第一预设时间段内；对所述第一采样流量流向数据进行降维处理，获得包括D维流量出口
‑
流量入口和T维采样时间的第二采样流量流向数据，D等于m乘以m；根据所述第二采样流量流向数据获得所述目标采样流量流向数据。3.根据权利要求2所述的方法，其特征在于，根据所述第二采样流量流向数据获得所述目标采样流量流向数据，包括：对所述第二采样流量流向数据进行归一化处理，获得所述目标采样流量流向数据。4.根据权利要求1所述的方法，其特征在于，根据所述目标采样流量流向数据和各流量出口的出口统计流量数据获得所述第一预测时间段内的目标网络流量预测值，包括：获得采用目标特征数量个数的第一初始分解矩阵和第二初始分解矩阵；利用所述第一初始分解矩阵和所述第二初始分解矩阵获得所述目标采样流量流向数据的预测采样流量流向数据；根据所述目标采样流量流向数据和所述预测采样流量流向数据获得数据恢复误差函数；根据各流量出口的出口统计流量数据和所述预测采样流量流向数据获得总体统计误差函数；根据所述数据恢复误差函数和所述总体统计误差函数获得目标误差函数；根据所述目标误差函数更新所述第一初始分解矩阵和所述第二初始分解矩阵，分别获得第一目标分解矩阵和第二目标分解矩阵；根据所述第一目标分解矩阵和所述第二目标分解矩阵获得目标恢复矩阵，所述目标恢复矩阵中包括所述目标网络流量预测值。5.根据权利要求4所述的方法，其特征在于，所述目标采样流量流向数据包括所述第一历史时间段内的训练集采样流量流向数据和所述第一预测时间段内的填充数据；所述预测采样流量流向数据包括所述训练集采样流量流向数据对应的训练集预测值和所述填充数据的填充预测值；其中，根据所述目标采样流量流向数据和所述预测采样流量流向数据获得数据恢复误差函数，包括：根据所述训练集采样流量流向数据及其训练集预测值获得训练集误差函数；根据所述填充数据及其填充预测值获得填充误差函数；根据所述训练集误差函数和所述填充误差函数获得所述数据恢复误差函数。6.根据权利要求5所述的方法，其特征在于，根据所述训练集误差函数和所述填充误差
函数获得所述数据恢复误差函数，包括：获得所述训练集误差函数的训练集权重参数和所述填充误差函数的目标填充权重参数，所述训练集权重参数大于所述目标填充权重参数；根据所述训练集误差函数及其训练集权重参数、以及所述填充误差函数及其目标填充权重参数，生成所述数据恢复误差函数。7.根据权利要求5所述的方法，其特征在于，根据所述训练集误差函数和所述填充误差函数获得所述数据恢复误差函数，包括：根据所述第一初始分解矩阵和所述第二初始分解矩阵获得分解误差函数；获得所述分解误差函数的目标正则项；根据所述训练集误差函数、所述填充误差函数、以及所述分解误差函...

【专利技术属性】
技术研发人员：徐晓青，唐宏，武娟，刘晓军，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：