[发明专利]一种基于神经网络的流量预测方法

说明书

本发明提供了一种基于神经网络的流量预测方法，按设定采样时间周期对计算机数据进行采样，确定训练集的窗口长度为3，配合使用数据采样、数据集设定、LSTM模型训练及数据判断，可以实现异常流量的预防和检测，具有自动程度高，检测速度快及应用范围广的特点。

技术领域

本发明属于网络人工智能领域，尤其是涉及一种基于神经网络的流量预测方法。

背景技术

随着信息技术的发展，工业控制系统逐步走向开放，互联，通用。很多工业控制协议逐渐运行于工业以太网上,如果能够预测工业以太网的流量速度，会给工业以太网的异常流量识别提供强大的技术保障。现有的技术方案，一般采用ARMA模型来预测互联网流量，但有如下缺点：第一、必需先通过人工收集大量的历史数据。第二、得到的预测函数仅仅适用当时收集数据的网线环境。第三、每种不同的场景都需要不同单独分析计算

发明内容

有鉴于此，本发明旨在提出一种基于神经网络的流量预测方法，配合使用数据采样、数据集设定、LSTM模型训练及数据判断，可以实现异常流量的预防和检测，具有自动程度高，检测速度快及应用范围广的特点。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于神经网络的流量预测方法，包括：

步骤1：按设定采样时间周期对计算机数据进行采样，得到采样数据向量；X＝[X₁,X₂,X₃...X_t...X_n]，X_t为时刻t的流量采样结果，n为采样数据个数；

步骤2：确定训练集的窗口长度为3，即利用前3个时刻t-2,t-1,t的数据X_t-2,X_t-1,X_t来预测下一个时刻t+1的实际流量X_t+1,其中为了方便于训练，t+1时刻的数据我们用h_t+1表示，时刻t-2,t-1,t的数据用Z_t＝[X_t-2,X_t-1,X_t]表示，得到数据集[Z,h]；

步骤3：将步骤2的数据集[Z,h]按4:1进行划分，其中的80％作为训练集，剩下的20％作为验证数据集；

步骤4：将步骤3中数据集[Z,h]的80％训练集，代入LSTM模型中，进行模型训练，得到LSTM模型；

步骤5：将步骤3中数据集[Z,h]的20％验证集，代入LSTM模型中，进行验证，防止过度拟合；

步骤6：对需要预测的计算机流量，按步骤1中相同的采样时间周期采样，得到三个数据X₁,X₂,X₃，带入步骤5中的最终得到的LSTM模型，得到h₄,即预测的X₄；进一步采集实际的X₄,组成X₂,X₃,X₄，带入得到的LSTM模型得到X₅；依次类推,可得到预测数据[X₄,X₅,X₆,X₇…]以及实际数据[X₄,X₅,X₆,X₇…]，进而可进行异常流量的判断，当实际数据大于预测数据时，阻断对应的数据连接，防止DDoS攻击。

进一步的，在步骤1中，采样周期为1秒钟，采样时间为一周，这样n等于7*24*60*3600＝36288000。

进一步的，在步骤3-5中，选择均方误差(mean squared error)作为误差的计算方式。