空间信息网络流量态势预测方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种空间信息网络流量态势预测方法、装置、设备及存储介质，涉及大数据分析技术领域。所述方法是在获取空间信息网络在多个历史时段的流量数据后，先利用概率分布函数模拟得到各层子网络在各个时段的流量特征图谱及应用性能指标，再复合得到空间信息网络在各个时段的流量特征图谱及端到端的应用性能指标，然后再将数据处理得到的流量特征数据时间序列以及标签数据，导入GCN+BiGRU模型进行模型训练，得到流量特征数据预测模型，最后将当前流量特征数据时间序列输入所述流量特征数据预测模型，输出得到当前下一时段的流量特征数据及流量态势，如此可实现空间信息网络流量预测精度的提升，增强对流量态势的感知能力。力。力。

【技术实现步骤摘要】
空间信息网络流量态势预测方法、装置、设备及存储介质


[0001]本专利技术属于大数据分析
，具体涉及一种空间信息网络流量态势预测方法、装置、设备及存储介质。

技术介绍

[0002]空间信息网络是以空间平台(如同步卫星或中,低轨道卫星,平流层气球和有人或无人驾驶飞机等)为载体,实时获取、传输和处理空间信息的网络系统。随着空间信息网络的快速发展，其业务更加多样，状态也将更为复杂。空间信息网络具有异构化、动态化和复杂化的特点，其流量发展的形式和状态，即流量态势会随着网络状态的变化而不同。现有的技术缺少对空间信息网络的多业务数据融合处理，且SVM和随机森林等机器学习模型存在预测精度不准确，多源流量态势的预测能力较差，预测模型泛化能力不够强，不能针对不同业务需求准确地预测不同业务流量态势变化趋势等问题。

技术实现思路

[0003]本专利技术的目的是提供一种空间信息网络流量态势预测方法、装置、计算机设备及计算机可读存储介质，用以实现空间信息网络流量预测精度的提升，增强对流量态势的感知能力。
[0004]为了实现上述目的，本专利技术采用以下技术方案：第一方面，提供了一种空间信息网络流量态势预测方法，包括：获取空间信息网络在M个历史时段的流量数据，其中，M表示正整数，所述M个历史时段在时序上连续；针对在所述M个历史时段中的各个历史时段，根据对应的流量数据，先利用概率分布函数模拟得到在所述空间信息网络中各层子网络在对应时段的流量特征图谱及应用性能指标，然后根据所述各层子网络在对应时段的流量特征图谱及应用性能指标，复合得到所述空间信息网络在对应时段的流量特征图谱及端到端的应用性能指标；对所述空间信息网络在所述M个历史时段的流量特征图谱及端到端的应用性能指标进行数据预处理，得到与所述M个历史时段一一对应的M份流量特征数据；从所述M份流量特征数据中抽取出与在所述M个历史时段中最后N个历史时段一一对应的N份流量特征数据，并针对在所述N份流量特征数据中的各份流量特征数据，从所述M份流量特征数据中抽取出与在所述M个历史时段中位于对应时段之前的最近K个历史时段一一对应的K份流量特征数据，得到对应的流量特征数据时间序列，其中，N和K分别表示正整数且有N+K小于等于M；将N个所述流量特征数据时间序列作为N个样本数据，以及将所述N份流量特征数据作为与所述N个样本数据一一对应的N个标签数据，导入GCN+BiGRU模型进行模型训练，得到流量特征数据预测模型，其中，所述GCN+BiGRU模型包括有图卷积神经网络GCN、双向门控循环单元BiGRU和全连接层，所述图卷积神经网络GCN用于在输入所述N个样本数据后，对空
间信息网络流量的空间特性进行建模，提取得到所述空间信息网络流量的空间特征，所述双向门控循环单元BiGRU用于在输入所述N个样本数据后，对所述空间信息网络流量的时间特性进行建模，提取得到所述空间信息网络流量的时间特征，所述全连接层用于对所述空间信息网络流量的空间特征和时间特征进行处理，得到最终的预测结果；获取所述空间信息网络在当前最近K个历史时段的流量数据；针对在所述当前最近K个历史时段中的各个历史时段，根据对应的流量数据，先利用所述概率分布函数模拟得到在所述空间信息网络中各层子网络在对应时段的流量特征图谱及应用性能指标，然后根据所述各层子网络在对应时段的流量特征图谱及应用性能指标，复合得到所述空间信息网络在对应时段的流量特征图谱及端到端的应用性能指标；对所述空间信息网络在所述当前最近K个历史时段的流量特征图谱及端到端的应用性能指标进行所述数据预处理，得到当前流量特征数据时间序列；将所述当前流量特征数据时间序列输入所述流量特征数据预测模型，输出得到当前下一时段的流量特征数据；根据所述当前下一时段的流量特征数据，得到所述空间信息网络在所述当前下一个时段的流量态势。
[0005]基于上述
技术实现思路
，提供了一种基于分层建模和GCN+BiGRU模型的空间信息网络流量态势预测模型训练及应用方案，即在获取空间信息网络在多个历史时段的流量数据后，先利用概率分布函数模拟得到各层子网络在各个时段的流量特征图谱及应用性能指标，再复合得到空间信息网络在各个时段的流量特征图谱及端到端的应用性能指标，然后再将数据处理得到的流量特征数据时间序列以及标签数据，导入GCN+BiGRU模型进行模型训练，得到流量特征数据预测模型，最后将当前流量特征数据时间序列输入所述流量特征数据预测模型，输出得到当前下一时段的流量特征数据及流量态势，如此可实现空间信息网络流量预测精度的提升，增强对流量态势的感知能力，便于实际应用和推广。
[0006]在一个可能的设计中，所述流量特征图谱及应用性能指标包含有业务类型、业务数据大小、业务优先级、链路带宽、网关站负载率下的业务特征、传输延迟和/或丢包率。
[0007]在一个可能的设计中，当所述流量特征图谱及应用性能指标包含有传输延迟时，针对在所述M个历史时段中的某个历史时段，根据对应的流量数据，先利用概率分布函数模拟得到在所述空间信息网络中各层子网络在对应时段的流量特征图谱及应用性能指标，然后根据所述各层子网络在对应时段的流量特征图谱及应用性能指标，复合得到所述空间信息网络在对应时段的流量特征图谱及端到端的应用性能指标，包括：根据所述某个历史时段的流量数据，使用偏移伽玛概率密度函数积分得到在所述空间信息网络中各层子网络在所述某个历史时段的传输延迟，其中，所述某个历史时段的流量数据包含有在所述某个历史时段采集的服务器响应时长和通信两端业务建立链接后业务传输的时长；根据所述各层子网络在所述某个历史时段的传输延迟，按照如下公式复合得到所述空间信息网络在所述某个历史时段的且端到端的传输延迟：式中，表示在所述某个历史时段采集的服务器响应时长，表示在所述空间信
息网络中的子网络的数量，表示小于等于的正整数，表示在所述空间信息网络中第个子网络在所述某个历史时段的传输延迟。
[0008]在一个可能的设计中，根据所述某个历史时段的流量数据，使用偏移伽玛概率密度函数积分得到在所述空间信息网络中各层子网络在所述某个历史时段的传输延迟，包括：根据所述某个历史时段的流量数据，基于预设的置信度使用偏移伽玛概率密度函数积分得到在所述空间信息网络中各层子网络在所述某个历史时段的传输延迟，其中，所述某个历史时段的流量数据包含有在所述某个历史时段采集的服务器响应时长和通信两端业务建立链接后业务传输的时长。
[0009]在一个可能的设计中，当所述流量特征图谱及应用性能指标包含有丢包率时，针对在所述M个历史时段中的某个历史时段，根据对应的流量数据，先利用概率分布函数模拟得到在所述空间信息网络中各层子网络在对应时段的流量特征图谱及应用性能指标，然后根据所述各层子网络在对应时段的流量特征图谱及应用性能指标，复合得到所述空间信息网络在对应时段的流量特征图谱及端到端的应用性能指标，包括：根据所述某个历史时段的流量数据，使用正态分布概率密度函数得到在所述空间信息网络中各层子网络在所述某个历史时段的丢包率；根据所述各层子网络在所述某个历史时段的丢包率，按照如下公式复合得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种空间信息网络流量态势预测方法，其特征在于，包括：获取空间信息网络在M个历史时段的流量数据，其中，M表示正整数，所述M个历史时段在时序上连续；针对在所述M个历史时段中的各个历史时段，根据对应的流量数据，先利用概率分布函数模拟得到在所述空间信息网络中各层子网络在对应时段的流量特征图谱及应用性能指标，然后根据所述各层子网络在对应时段的流量特征图谱及应用性能指标，复合得到所述空间信息网络在对应时段的流量特征图谱及端到端的应用性能指标；对所述空间信息网络在所述M个历史时段的流量特征图谱及端到端的应用性能指标进行数据预处理，得到与所述M个历史时段一一对应的M份流量特征数据；从所述M份流量特征数据中抽取出与在所述M个历史时段中最后N个历史时段一一对应的N份流量特征数据，并针对在所述N份流量特征数据中的各份流量特征数据，从所述M份流量特征数据中抽取出与在所述M个历史时段中位于对应时段之前的最近K个历史时段一一对应的K份流量特征数据，得到对应的流量特征数据时间序列，其中，N和K分别表示正整数且有N+K小于等于M；将N个所述流量特征数据时间序列作为N个样本数据，以及将所述N份流量特征数据作为与所述N个样本数据一一对应的N个标签数据，导入GCN+BiGRU模型进行模型训练，得到流量特征数据预测模型，其中，所述GCN+BiGRU模型包括有图卷积神经网络GCN、双向门控循环单元BiGRU和全连接层，所述图卷积神经网络GCN用于在输入所述N个样本数据后，对空间信息网络流量的空间特性进行建模，提取得到所述空间信息网络流量的空间特征，所述双向门控循环单元BiGRU用于在输入所述N个样本数据后，对所述空间信息网络流量的时间特性进行建模，提取得到所述空间信息网络流量的时间特征，所述全连接层用于对所述空间信息网络流量的空间特征和时间特征进行处理，得到最终的预测结果；获取所述空间信息网络在当前最近K个历史时段的流量数据；针对在所述当前最近K个历史时段中的各个历史时段，根据对应的流量数据，先利用所述概率分布函数模拟得到在所述空间信息网络中各层子网络在对应时段的流量特征图谱及应用性能指标，然后根据所述各层子网络在对应时段的流量特征图谱及应用性能指标，复合得到所述空间信息网络在对应时段的流量特征图谱及端到端的应用性能指标；对所述空间信息网络在所述当前最近K个历史时段的流量特征图谱及端到端的应用性能指标进行所述数据预处理，得到当前流量特征数据时间序列；将所述当前流量特征数据时间序列输入所述流量特征数据预测模型，输出得到当前下一时段的流量特征数据；根据所述当前下一时段的流量特征数据，得到所述空间信息网络在所述当前下一个时段的流量态势。2.根据权利要求1所述的空间信息网络流量态势预测方法，其特征在于，所述流量特征图谱及应用性能指标包含有业务类型、业务数据大小、业务优先级、链路带宽、网关站负载率下的业务特征、传输延迟和/或丢包率。3.根据权利要求1所述的空间信息网络流量态势预测方法，其特征在于，当所述流量特征图谱及应用性能指标包含有传输延迟时，针对在所述M个历史时段中的某个历史时段，根据对应的流量数据，先利用概率分布函数模拟得到在所述空间信息网络中各层子网络在对
应时段的流量特征图谱及应用性能指标，然后根据所述各层子网络在对应时段的流量特征图谱及应用性能指标，复合得到所述空间信息网络在对应时段的流量特征图谱及端到端的应用性能指标，包括：根据所述某个历史时段的流量数据，使用偏移伽玛概率密度函数积分得到在所述空间信息网络中各层子网络在所述某个历史时段的传输延迟，其中，所述某个历史时段的流量数据包含有在所述某个历史时段采集的服务器响应时长和通信两端业务建立链接后业务传输的时长；根据所述各层子网络在所述某个历史时段的传输延迟，按照如下公式复合得到所述空间信息网络在所述某个历史时段的且端到端的传输延迟：式中，表示在所述某个历史时段采集的服务器响应时长，表示在所述空间信息网络中的子网络的数量，表示小于等于的正整数，表示在所述空间信息网络中第个子网络在所述某个历史时段的传输延迟。4.根据权利要求3所述的空间信息网络流量态势预测方法，其特征在于，根据所述某个历史时段的流量数据，使用偏移伽玛概率密度函数积分得到在所述空间信息网络中各层子网络在所述某个历史时段的传输延迟，包括：根据所述某个历史时段的流量数据，基于预设的置信度使用偏移伽玛概率密度函数积分得到在所述空间信息网络中各层子网络在所述某个历史时段的传输延迟，其中，所述某个历史时段的流量数据包含有在所述某个历史时段采集的服务器响应时长和通信两端业务建立链接后业务传输的时长。5.根据权利要求1所述的空间信息网络流量态势预测方法，其特征在于，当所述流量特征图谱及应用性能指标包含有丢包率时，针对在所述M个历史时段中的某个历史时段，根据对应的流量数据，先利用概率分布函...

【专利技术属性】
技术研发人员：杨贻宏，
申请(专利权)人：上海飞旗网络技术股份有限公司，
类型：发明
国别省市：