一种基于改进GAT和时空特征的网络流量矩阵预测方法技术

本发明专利技术公开了一种基于改进GAT和时空特征的网络流量矩阵预测方法，包括：读取和解析网络流量矩阵数据文件并构建网络流量数据集；基于改进GAT网络对复杂非线性的流量空间的自相似性进行捕获，使用时间序列网来捕获网络流量的周期性，最后通过门控机制融合时间和空间维度上的信息来进行更精准的网络流量矩阵预测。该改进GAT网络是对传统GAT网络的注意力计算节点选择机制和注意力分数计算方式进行改进；在注意力计算节点选择机制中，选择流量矩阵同源和同目的节点进行注意力系数计算；在对注意力分数计算方式中，通过模型自主学习注意力分数。本发明专利技术解决了网络流量预测中，空间关联性学习不充分导致网络流量预测精度低和时空模型实时性差的问题。型实时性差的问题。型实时性差的问题。

【技术实现步骤摘要】
一种基于改进GAT和时空特征的网络流量矩阵预测方法


[0001]本专利技术涉及网络通信的
，尤其是指一种基于改进GAT和时空特征的网络流量矩阵预测方法。

技术介绍

[0002]随着5G、边缘计算、NFV等技术的发展，对网络进行精细化、自动化、智能化运维及管理将成为新的挑战。为了应对这一挑战，需要对边缘网络、城域网、骨干网等多个层级的应用级网络流量进行精准感知。而网络流量预测能力则是核心技术之一。精准的网络流量预测技术能够实现如下功能：1、帮助改善通信网络管理,网络流量的准确预测可以帮助运营商及早应对即将出现的拥堵，提前进行网络扩容、调整和优化。2、流量的准确预测，使得根据实际业务需求弹性分配资源成为可能。在闲时，网络需求量低，可以使低负载的部分基站进入休眠节能状态，并动态调整基站覆盖范围，待忙时，再激活这部分基站，进而减少基站能耗。3、网络安全的需要，能够及时发现网络中的异常流量，进行实时告警，保障网络安全。
[0003]目前，针对网络流量预测提出了很多模型，主要分为线性模型和非线性模型。自回归(AR)模型、移动平均(AR)模型、自回归移动平均(ARMA)模型、自回归综合移动平均(ARIMA)模型都是广泛应用于流量预测的线性模型。然而，这些线性模型无法捕捉网络流量的非线性特征。非线性模型主要包括时间序列预测模型和时空模型，广泛使用的时间序列模型有前馈神经网络(FFNN)、深度信念网络(DBN)、循环神经网络(rnn)等；由于流量数据具有非结构化、非线性、实时性、突发性和时空性等特点，单一的神经网络结构难以满足实际的流量预测需求，而结合了时间和空间维度的信息的时空模型具有更高预测准确率等特点，目前常用时空模型主要包括时空图卷积网络(STGCN)和时空图卷积循环网络(spatitemporal graph convolutional recurrent networks,SGCRN)等模型。
[0004]现有技术存在的问题：
[0005]1)近年来，许多时间序列模型被用于网络流量矩阵预测。这些模型稳定性好，模型参数少，预测精度较高。然而，目前还缺乏准确、实时、可靠的网络模型来学习网络流量矩阵数据中复杂的非线性空间关系。
[0006]2)图注意力网络(GAT)通过query和key进行拼接，然后与一个共享注意力参数内积得出的注意力系数存在一定关联，这样不能很好学习到网络流量矩阵中节点间高度复杂非线性的空间相关性。
[0007]综合以上论述，专利技术一种满足高精度和良好实时性的网络流量矩阵预测方法具有较高的实际应用价值。

技术实现思路

[0008]本专利技术的目的在于克服现有技术的缺点与不足，提供了一种基于改进GAT和时空特征的网络流量矩阵预测方法，本专利技术引入了一种新的用于网络流量矩阵预测自注意力机
制，在计算注意力系数过程中选择那些具有相同源或目的节点的数据进行计算；另一方面，该机制通过模型来自主学习相邻节点之间的注意力分数，而不仅仅依赖于共享的注意力参数，模型可以动态地调整节点之间的关注程度，从而更好地捕捉网络流量矩阵中的复杂非线性空间相关性，对于提高图注意力网络在流量分析和预测任务中的性能具有重要意义。本专利技术能够获得高精度预测效果，同时具有良好的实时性。
[0009]为实现上述目的，本专利技术所提供的技术方案为：一种基于改进GAT和时空特征的网络流量矩阵预测方法，该方法是基于改进GAT网络对复杂非线性的流量空间的自相似性进行捕获，使用时间序列网络LSTM来捕获网络流量的周期性，最后通过门控机制融合时间和空间维度上的信息来进行更精准的网络流量矩阵预测；该改进GAT网络是对传统GAT网络的注意力计算节点选择机制和注意力分数计算方式进行改进；其中，对注意力计算节点选择机制的改进是：选择流量矩阵同源和同目的节点进行注意力系数计算；对注意力分数计算方式的改进是：将GAT网络中通过相同query和不同key进行拼接，然后与一个共享注意力参数进行内积后得到注意力分数替换为模型自主学习注意力分数；
[0010]所述网络流量矩阵预测方法的具体实施包括以下步骤：
[0011]1)读取和解析网络流量矩阵数据文件，通过流量矩阵数据生成图邻居矩阵，构造数据集并进行归一化，再将归一化后的数据集划分成为训练集与测试集；
[0012]2)将训练集的数据送入到时间序列网络LSTM进行训练，得到时间序列网络的预测值；将训练集的数据和图邻居矩阵输入到改进GAT网络的节点选择机制，选择流量矩阵数据中同源和同目的节点，然后将同源和同目的节点数据分别进行注意力系数计算，再通过一个门控融合得到改进GAT网络在空间维度上的预测值，最后将时间序列网络的预测值和空间维度的预测值输入到另一个门控融合机制，最后得到一个短期流量矩阵预测值，将短期预测的网络流量值与真实的流量数据进行比较，计算损失函数的值，经过多次迭代至损失值最小，得到最优网络；
[0013]3)将测试集中的连续的长度为L的历史时间序列数据输入到训练好的最优网络中，得到单个流量矩阵预测值，假设网络流量预测的长度为P，则进行P自减一，然后对P进行判断，若P不等于0，则把历史时间序列的后L
‑
1个流量矩阵数据和短期预测流量矩阵数据进行拼接，重复以上过程进行多次迭代，直到P等于0则结束。
[0014]进一步，所述步骤1)包括以下步骤：
[0015]1.1)加载网络流量数据集：从磁盘或网络加载网络流量数据集，网络流量数据集中包含有特定网络链路在各个历史时刻的网络流量数据值；
[0016]1.2)生成图邻居矩阵：创建一个维度与流量矩阵相同大小的空的图邻居矩阵，遍历流量矩阵中的每个节点，对于每个节点，检查与其连接的节点，将邻居节点在图邻居矩阵中对应位置的值设置为1；
[0017]1.3)计算网络流量数据集中的流量最大值xmax和最小值xmin：对网络流量数据集中的所有流量数据进行统计，得到其中的最大值和最小值，用于后续的min
‑
max标准化处理；
[0018]1.4)对原始网络流量数据进行min
‑
max标准化，即归一化处理：根据计算得到的最大值和最小值，对原始网络流量数据进行min
‑
max标准化处理，使得数据范围在[0,1]之间，方便后续的处理和分析；
[0019]1.5)划分数据集：将归一化的数据集按照7:3的比例划分为训练集和测试集，其中训练集和测试集中的样本时间顺序是连续的。
[0020]进一步，在步骤2)中，所述门控融合使用门控单元的方式对两个输入值进行融合，计算出融合后的输出值o＝z*i1+(1
‑
z)*i2，其中门控系数z∈[0，1]，输入值分别是i1和i2。
[0021]进一步，在步骤2)中，得到改进GAT网络在空间维度上的预测值，包括以下步骤：
[0022]2.1)选择同源或同目的节点数据：根据输入的流量矩阵和邻居矩阵，从中选择出同源或同目的的节点数据，这些数据将被用于计算注意力系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进GAT和时空特征的网络流量矩阵预测方法，其特征在于，该方法是基于改进GAT网络对复杂非线性的流量空间的自相似性进行捕获，使用时间序列网络LSTM来捕获网络流量的周期性，最后通过门控机制融合时间和空间维度上的信息来进行更精准的网络流量矩阵预测；该改进GAT网络是对传统GAT网络的注意力计算节点选择机制和注意力分数计算方式进行改进；其中，对注意力计算节点选择机制的改进是：选择流量矩阵同源和同目的节点进行注意力系数计算；对注意力分数计算方式的改进是：将GAT网络中通过相同query和不同key进行拼接，然后与一个共享注意力参数进行内积后得到注意力分数替换为模型自主学习注意力分数；所述网络流量矩阵预测方法的具体实施包括以下步骤：1)读取和解析网络流量矩阵数据文件，通过流量矩阵数据生成图邻居矩阵，构造数据集并进行归一化，再将归一化后的数据集划分成为训练集与测试集；2)将训练集的数据送入到时间序列网络LSTM进行训练，得到时间序列网络的预测值；将训练集的数据和图邻居矩阵输入到改进GAT网络的节点选择机制，选择流量矩阵数据中同源和同目的节点，然后将同源和同目的节点数据分别进行注意力系数计算，再通过一个门控融合得到改进GAT网络在空间维度上的预测值，最后将时间序列网络的预测值和空间维度的预测值输入到另一个门控融合机制，最后得到一个短期流量矩阵预测值，将短期预测的网络流量值与真实的流量数据进行比较，计算损失函数的值，经过多次迭代至损失值最小，得到最优网络；3)将测试集中的连续的长度为L的历史时间序列数据输入到训练好的最优网络中，得到单个流量矩阵预测值，假设网络流量预测的长度为P，则进行P自减一，然后对P进行判断，若P不等于0，则把历史时间序列的后L
‑
1个流量矩阵数据和短期预测流量矩阵数据进行拼接，重复以上过程进行多次迭代，直到P等于0则结束。2.根据权利要求1所述的一种基于改进GAT和时空特征的网络流量矩阵预测方法，其特征在于，所述步骤1)包括以下步骤：1.1)加载网络流量数据集：从磁盘或网络加载网络流量数据集，网络流量数据集中包含有特定网络链路在各个历史时刻的网络流量数据值；1.2)生成图邻居矩阵：创建一个维度与流量矩阵相同大小的空的图邻居矩阵，遍历流量矩阵中的每个节点，对于每个节点，检查与其连接的节点，将邻居节点在图邻居矩阵中对应位置的值设置为1；1.3)计算网络流量数据集中的流量最大值xmax和最小值xmin：对网络流量数据集中的所有流量数据进行统计，得到其中的最大值和最小值，用于后续的min
‑
max标准化处理；1.4)对原始网络流量数据进行min
‑
max标准化，即归一化处理：根据计算得到的最大值和最小值，对原始网络流量数据进行min
‑
max标准化处理，使得数据范围在[0,1]之间，方便后续的处理和分析；1.5)划分数据集：将归一化的数据集按照7:3的比例划分为训练集和测试集，其中训练集和测试集中的样本时间顺序是连续的。3.根据权利要求2所述的一种基于改进GAT和时空特征的网络流量矩阵预测方法，其特征在于，在步骤2)中，所述门控融合使用门控单元的方式对两个输入值进行融合，计算出融合后的输出值o＝z*...

【专利技术属性】
技术研发人员：胡劲松，童陈生，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：