一种基于深度学习的多任务数据中心网络流量预测方法技术

本发明专利技术属于流量预测技术领域，公开了一种基于深度学习的多任务数据中心网络流量预测方法，其对获取数据中心网络流量数据进行处理，进行归一化处理，划分训练集和测试集；构建深度学习多任务模型提取数据中心网络流量的特征信息，并进行流量分类任务及进行流量预测任务，预测未来时间段的网络流量。本发明专利技术所述的方法将多种模型融合，并引入多任务学习思想，有效解决数据中心网络流量深度学习模型使用单一以及预测精度的问题。用单一以及预测精度的问题。用单一以及预测精度的问题。

【技术实现步骤摘要】
一种基于深度学习的多任务数据中心网络流量预测方法


[0001]本专利技术属于流量预测
，具体是涉及一种基于深度学习的多任务数据中心网络流量预测方法。

技术介绍

[0002]数据中心已经发展成为当代互联网内容的主要载体，包含着大量的应用数据和计算资源。目前，越来越多的数据和应用被汇聚到数据中心进行处理，这就产生了大量的网络流量。由于大量应用数据以及网络带宽的限制，数据中心网络流量由南北流量为主向东西流量为主转变，东西流量不均衡，流量突发性高，导致网络链路负载不均衡发生拥塞。此外，传统的数据中心网络架构难以扩展网络规模，改变原有的数据中心网络架构势必会引起网络流量不平衡、负载不均衡的问题。负载均衡是数据中心资源管理的一个主要内容，一个良好的流量调度策略是负载均衡的前提。因此，需要对数据中心网络流量进行精确的预测。
[0003]传统的基于统计学的流量预测方法主要用来处理一些简单的数据，如具有线性、周期性等特征的数据；但是数据中心网络流量数据随着数据规模的扩大，呈现出非线性、非平稳的特征，传统的基于统计学的流量预测方法不再适应。因此，深度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的多任务数据中心网络流量预测方法，其特征在于，步骤1、获取数据中心网络流量数据；步骤2、对数据中心网络流量数据进行数据处理并归一化，划分训练集和测试集；步骤3、构建深度学习多任务模型；所述深度学习多任务模型包括BiLSTM
‑
SAE深度学习模型、全连接层、分类器和预测器；所述BiLSTM
‑
SAE深度学习模型对输入的数据中心网络流量数据进行特征信息提取，通过全连接层对特征信息进行整合，全连接层的输出结果分别输入预测器和分类器进行流量预测和流量分类；步骤4、对所述深度学习多任务模型进行训练，将获取得到的数据中心网络流量输入到训练后的深度学习多任务模型，预测未来时间段的网络流量。2.根据权利要求1所述的一种基于深度学习的多任务数据中心网络流量预测方法，其特征在于，步骤1还包括以下步骤：根据预测的需求，从数据中心网络流量数据中获取所需的数据，为在t时刻的流量大小，为在t时刻的其他特征，所述t时刻的其他特征为流量的协议信息，以便进行流量分类任务。3.根据权利要求1所述的一种基于深度学习的多任务数据中心网络流量预测方法，其特征在于，所述BiLSTM
‑
SAE深度学习模型包括LSTM模型、Bi
‑
LSTM模型、SAE模型；其中，SAE模型由AE模型深度堆叠而成，一个AE模型为一层，保留前一层AE编码器的输出结果作为后一层AE编码器的输入；所述AE模型由编码器和解码器组成，所述Bi
‑
LSTM模型组成的循环网络基构成Bi
‑
LSTM编码器并作为AE模型的编码器，LSTM模型组成的循环网络基构成为LSTM解码器并作为AE模型的解码器。4.根据权利要求1所述的一种基于深度学习的多任务数据中心网络流量预测方法，其特征在于，步骤2具体...

【专利技术属性】
技术研发人员：郭永安，王胜蓝，佘昊，王宇翱，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：