[发明专利]一种基于LSTM的网络流量预测方法

说明书

本发明公开了一种基于LSTM的网络流量预测方法，包括：根据流量信号得到突发脉冲串，突发脉冲串是一个用于模拟突发事件的影响因素信号，将流量信号和突发脉冲串输入到网络流量并行LSTM预测器进行流量预测；其中，网络流量并行LSTM预测器包括两个LSTM预测器，两个LSTM预测器内部各层神经网络的系数相同，内部状态信息可以交换，其中一个为主预测器，另一个用于检测突发时刻，两个预测器之间进行内部状态的交换，主预测器利用突发预测器得到的信息进行多变量预测，使其能够适应突发流量导致的流量模式的变化，从而改进预测的准确度。仿真实验表明，网络流量并行LSTM预测器能够适应不同强度的流量变化，相对于传统的单变量LSTM预测器，其预测准确度提高了10％左右。

技术领域

本发明涉及网络技术领域，特别涉及一种基于LSTM的网络流量预测方法。

背景技术

随着互联网规模不断扩大，网络流量数据与业务种类越来越多，网络资源与网络需求的供需矛盾日趋尖锐。网络流量预测有助于分析网络安全状况，科学管理网络及防范不当网络行为，因此，网络流量预测的研究和实现具有重要意义。基于人工智能神经网的网络流量预测方法具有非线性和自适应特点，且具有很高的预测精度。

近年来,利用深度神经网络对时间序列进行预测成为一个重要的研究方向。LSTM(LongShort-TermMemory)长短期记忆网络，是一种特殊的循环神经网络(RNN)，它能够学习序列中的长期依赖关系。传统的LSTM网络主要用于序列的预测，即通过t-1,t-2,…,t-n时刻的真实值对第t时刻的数值进行预测。LSTM在序列建模上很强大，能够记忆上文信息，还具备神经网络拟合非线性的能力。

LSTM技术应用到网络流量的预测时，需要假定在流量中存在某种变化模式，然而计算机网络中业务流量具有较强的突发性，容易发生短时间内出现大量的流量的情况。因此，实际的信息流是模式流量和突发流量的混合。由于突发流量随机产生，无法知道突发发生的时刻和相关的影响因素，传统的LSTM在训练时无法预先获得对突发流量的任何信息，其训练效果很差。在对同时具有突发性和趋势性、周期性的业务流进行训练时，传统的LSTM预测器只会将突发业务流作为一次普通的业务波动进行对待，导致对突发时刻及其之后业务量的预测出现较大的误差。

发明内容

本发明的目的在于克服现有技术中所存在的因突发业务流导致对突发时刻及其之后业务量的预测误差较大的问题，提供一种基于LSTM的网络流量预测方法，以改进对突发性业务流的预测。

为了实现上述发明目的，本发明提供了以下技术方案：

一种基于LSTM的网络流量预测方法，包括步骤如下：

根据流量信号得到突发脉冲串，将流量信号和突发脉冲串输入到网络流量并行LSTM预测器进行流量预测；其中，所述网络流量并行LSTM预测器包括两个LSTM预测器，两个LSTM预测器内部各层神经网络的系数相同，内部状态信息可以交换；所述突发脉冲串是一个用于模拟突发事件的影响因素信号。

优选的，所述的根据流量信号得到突发脉冲串的方法：

采用突变点检测算法来检测流量的突变点，利用这些突变点构建突发脉冲串。

优选的，所述突变点包括流量的低点、高点，其检测方法包括：

S110设定流量变化的第一阈值和第二阈值，查找历史数据的深度范围值，后退步长值；

S120查找所述深度范围值区域内的流量低点，如果该低点是当前低点，则进行下一步，并将其记录成一个低点；

如果当前低点比上一个低点值之差小于第二阈值，则不做处理；否则，认为找到一个新的低点，将上一个后退步长值个时间点内，高于当前低点的值清空；

S130查找所述深度范围值区域内的流量高点，如果该高点是当前高点，则进行下一步，并将其记录为一个高点；