网络流量预测及模型训练方法、装置、设备和存储介质制造方法及图纸

本公开提供了一种网络流量预测及模型训练方法、装置、设备和存储介质，涉及人工智能技术领域，具体涉及深度学习、互联网等技术领域。网络流量预测方法包括：获取多个网络节点的历史流量数据；基于所述多个网络节点中两两节点间的关联关系，对所述历史流量数据进行处理，以获得融合特征；基于所述融合特征，确定所述多个网络节点的未来流量数据。本公开可以提高驾驶网络流量预测的精准度。驾驶网络流量预测的精准度。驾驶网络流量预测的精准度。

【技术实现步骤摘要】
网络流量预测及模型训练方法、装置、设备和存储介质


[0001]本公开涉及人工智能
，具体涉及深度学习、互联网等
，尤其涉及一种网络流量预测及模型训练方法、装置、设备和存储介质。

技术介绍

[0002]随着互联网技术的发展，网络规模不断扩大，网络流量也有了大幅度的增长，网络中经常出现拥塞或过载的现象。对网络流量进行精准的预测可以有效的对网络进行管理，提高网络的综合性能。

技术实现思路

[0003]本公开提供了一种网络流量预测及模型训练方法、装置、设备和存储介质。
[0004]根据本公开的一方面，提供了一种网络流量预测方法，包括：获取多个网络节点的历史流量数据；基于所述多个网络节点中两两节点间的关联关系，对所述历史流量数据进行处理，以获得融合特征；基于所述融合特征，确定所述多个网络节点的未来流量数据。
[0005]根据本公开的另一方面，提供了一种网络流量预测模型的训练方法，所述模型包括：图卷积网络，所述方法包括：获取多个网络节点的样本数据，所述样本数据包括：历史流量数据，以及真实未来流量数据；采用所述图卷积网络，基于所述多个网络节点中两两节点间的关联关系，对所述历史流量数据进行处理，以获得融合特征；基于所述融合特征，获得预测未来流量数据；基于所述真实未来流量数据和所述预测未来流量数据，构建损失函数；基于所述损失函数，调整模型参数直至满足预设条件，所述模型参数包括：所述图卷积网络的模型参数。
[0006]根据本公开的另一方面，提供了一种网络流量预测装置，包括：获取模块，用于获取多个网络节点的历史流量数据；融合模块，用于基于所述多个网络节点中两两节点间的关联关系，对所述历史流量数据进行处理，以获得融合特征；预测模块，用于基于所述融合特征，确定所述多个网络节点的未来流量数据。
[0007]根据本公开的另一方面，提供了一种网络流量预测模型的训练装置，所述模型包括：图卷积网络，所述装置包括：获取模块，用于获取多个网络节点的样本数据，所述样本数据包括：历史流量数据，以及真实未来流量数据；融合模块，用于采用所述图卷积网络，基于所述多个网络节点中两两节点间的关联关系，对所述历史流量数据进行处理，以获得融合特征；预测模块，用于基于所述融合特征，获得预测未来流量数据；构建模块，用于基于所述真实未来流量数据和所述预测未来流量数据，构建损失函数；调整模块，用于基于所述损失函数，调整模型参数直至满足预设条件，所述模型参数包括：所述图卷积网络的模型参数。
[0008]根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一方面的任一项所述的方法。
[0009]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。
[0010]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。
[0011]根据本公开的技术方案，可以提高网络流量预测的精准度。
[0012]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0013]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0014]图1是根据本公开第一实施例的示意图；
[0015]图2是根据本公开实施例提供的微服务场景的示意图；
[0016]图3是根据本公开实施例提供的网络流量预测的整体架构的示意图；
[0017]图4是根据本公开第二实施例的示意图；
[0018]图5是根据本公开第三实施例的示意图；
[0019]图6是根据本公开第四实施例的示意图；
[0020]图7是根据本公开第五实施例的示意图；
[0021]图8是用来实现本公开实施例的网络流量预测方法或网络流量预测模型的训练方法的电子设备的示意图。
具体实施方式
[0022]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0023]相关技术中，存在一些网络流量预测的方案，但精准度有待提升。
[0024]图1是根据本公开第一实施例的示意图，本实施例提供一种网络流量预测方法，该方法包括：
[0025]101、获取多个网络节点的历史流量数据。
[0026]102、基于所述多个网络节点中两两节点间的关联关系，对所述历史流量数据进行处理，以获得融合特征。
[0027]103、基于所述融合特征，确定所述多个网络节点的未来流量数据。
[0028]其中，多个网络节点是存在关联关系的节点，例如，存在调用关系的节点。
[0029]假设多个网络节点的数量为N(正整数)，两两节点可以用第i个节点和第j个节点表示，i,j＝[1,N]，关联关系可以用A
ij
表示。
[0030]其中，A
ij
是位于[0,1]之间的值，具体可以通过训练过程确定。
[0031]其初始值可以为0或1，例如，第i个节点与第j个节点之间存在调用关系，则A
ij
＝1，反之，若两者之间不存在调用关系，则A
ij
＝0。
[0032]融合特征，是基于历史流量数据获得的特征，且融合了多个网络节点的信息。
[0033]获得融合特征后，可以基于融合特征预测网络流量。
[0034]相关技术中，针对N个网络节点，可以采用N个模型预测各个节点的网络流量，由于是针对单个节点分别进行处理，并未考虑节点间的关联关系，但是，在一些场景下，多个节点间存在关联关系时，会影响网络流量，仅单独对单个节点的信息进行预测，存在预测精准度不足的问题。
[0035]而本实施例中，通过基于关联关系获得融合特征，基于融合特征确定未来流量数据，可以在网络流量预测时考虑节点间的关联关系，基于融合信息进行流量预测，可以提高网络流量预测的精准度。
[0036]为了更好地理解本公开实施例，下面对本公开实施例适用的应用场景进行说明。
[0037]本实施例可以应用于微服务场景下。微服务(或微服务架构)是一种面向服务的体系架构，单个应用程序由许多松散耦合且可独立部署的较小服务组成，较小服务可以称为微服务。每个微服务围绕具体业务进行构建，并且能够独立地部署到生产环境、类生产环境中。
[0038]如图2所示，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：获取多个网络节点的历史流量数据；基于所述多个网络节点中两两节点间的关联关系，对所述历史流量数据进行处理，以获得融合特征；基于所述融合特征，确定所述多个网络节点的未来流量数据。2.根据权利要求1所述的方法，其中，所述基于所述多个网络节点中两两节点间的关联关系，对所述历史流量数据进行处理，以获得融合特征，包括：采用预先训练的图卷积网络，对所述历史流量进行处理，以获得所述融合特征；其中，所述图卷积网络的参数包括：邻接矩阵，所述邻接矩阵用于表征所述两两节点间的关联关系。3.根据权利要求1所述的方法，其中，所述基于所述融合特征，确定所述多个网络节点的未来流量数据，包括：采用预先训练的时间特征提取网络，对所述融合特征进行处理，以获得时间特征；基于所述时间特征，获得所述未来流量数据。4.根据权利要求1
‑
3任一项所述的方法，还包括：采用预先训练的第一全连接层，对所述历史流量数据进行归一化处理，以获得归一化处理后的历史流量数据；相应地，所述基于所述多个网络节点中两两节点间的关联关系，对所述历史流量数据进行处理，以获得融合特征，包括：基于所述多个网络节点中两两节点间的关联关系，对所述归一化处理后的历史流量数据进行处理，以获得融合特征。5.根据权利要求3所述的方法，其中，所述基于所述时间特征，获得所述未来流量数据，包括：采用预先训练的第二全连接层，对所述时间特征进行处理，以获得所述未来流量数据。6.一种网络流量预测模型的训练方法，所述模型包括：图卷积网络，所述方法包括：获取多个网络节点的样本数据，所述样本数据包括：历史流量数据，以及真实未来流量数据；采用所述图卷积网络，基于所述多个网络节点中两两节点间的关联关系，对所述历史流量数据进行处理，以获得融合特征；基于所述融合特征，获得预测未来流量数据；基于所述真实未来流量数据和所述预测未来流量数据，构建损失函数；基于所述损失函数，调整模型参数直至满足预设条件，所述模型参数包括：所述图卷积网络的模型参数。7.根据权利要求6所述的方法，其中，所述模型包括：特征提取网络，所述模型参数还包括：所述特征提取网络的模型参数，所述基于所述融合特征，获得预测未来流量数据，包括：采用所述特征提取网络，对所述融合特征进行处理，以获得时间特征；基于所述时间特征获得所述预测未来流量特征。8.根据权利要求6所述的方法，其中，所述模型还包括：第一全连接层，所述模型参数还包括：所述第一全连接层的模型参数，所述方法还包括：
采用所述第一全连接层，对所述历史流量数据进行归一化处理，以获得归一化处理后的历史流量数据；相应地，所述采用所述图卷积网络，对所述历史流量数据进行处理，以获得融合特征，包括：采用所述图卷积网络，对所述归一化处理后的历史流量数据进行处理，以获得所述融合特征。9.根据权利要求7所述的方法，其中，所述模型还包括：第二全连接层，所述模型参数还包括：所述第二全连接层的模型参数，所述基于所述时间特征获得所述预测未来流量特征，包括：采用所述第二全连接层，对所述时间特征进行处理，以获得所述预测未来流量数据。10.根据权利要求6
‑
9任一项所述的方法，其中，所述获取多个网络节点的样本数据，包括：获取多个网络节点的预设个数的时间点流量数据；将所述预设个数的时间点流量数据分为所述历史流量数据和真实未来流量数据；其中，所述真实未来流量数据为最后一个时间点流量数据，所述历史流量数据包括：除了所述最后一个时间点流量数据之外的其他时间点流量数据。11.一种网络流量预测装置，包括：获取模块，用于获取多个网络节点的历史流量数据；融合模块，用于基于所述多个网络节点中两两节点间的关联关系，对所述历史流量数据进行处理，以获得融合特征；预测模块，用于基于所述融合特征，确...

【专利技术属性】
技术研发人员：唐瑜，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：