[发明专利]基于信号分解和周期特性的网络流量特征指标预测方法

说明书

本发明公开了一种基于信号分解和周期特性的网络流量特征指标预测方法，涉及计算机网络技术领域。本发明使用EMD信号分解算法，对网络流量特征指标时间序列进行经验模态分解，得到多个分量和一个残余项；计算各个分量的周期，利用快速傅里叶变换计算每个分量各自的周期；各分量的单独预测，根据每个分量的周期，对分量中的周期点进行重新采样，形成新的采样时间序列，并针对该采样时间序列开展回归预测，最后使用回归方法对残余项进行预测；对各分量的预测输出以及残余项预测输出进行逐项求和，得到最终预测结果。本发明组合应用数字信号处理领域的信号分解技术，以及信号周期分析、分量回归预测等技术，实现对网络流量特征指标时间序列的预测。

技术领域

本发明涉及计算机网络技术领域，更具体地说，涉及一种基于信号分解和周期特性的网络流量特征指标预测方法。

背景技术

随着Internet的不断发展，网络规模日益扩大，其承载的网络业务逐渐增多，网络中的流量流向、运行状态已成为人们越来越关心的问题。网络流量特征指标是描述和刻画网络流量流向和运行状态的重要途径，自从NETFLOW标准出现以来，国内外研究机构从流量中提取若干特征指标，用于分析网络流量特征，这些特征指标包括但不限于：流量大小、报文数量、主机数量、会话数量、访问次数等等。对这些特征指标进行分析和预测，不仅仅能够对网络运行状况进行评估和分析，还能对网络用户的行为模式、活动趋势、网络性能、网络安全进行趋势预测。因此，对网络流量特征指标进行准确预测，是网络运行管理和态势分析的重要基础。

根据所提取到的流量特征指标历史数据，通过建立适当的预测模型，对将来的流量特征指标值进行预测。由预测的结果，可以得到将来流量的大致趋势，可广泛应用于安全、性能、故障、行为等分析领域。

网络流量特征指标的历史数据可在数学上描述为具有非线性非平稳的时间序列。对网络流量特征指标的预测就是对该时间序列的预测。常用预测方法大致分为三类：(1)传统时间序列预测方法，如移动平均、指数平滑、趋势外推、季节指数预测、ARMA模型、马尔科夫模型等；(2)基于回归分析的预测方法，如线性回归、非线性回归、Logistic回归、岭回归、主成分回归等；(3)基于机器学习(Machine Learning)的预测方法，机器学习算法能够通过不同的模型处理复杂的数据，使得其预测或者分类达到较高的精度，其中人工神经网络(Artificial Neural Networks，ANN)和支持向量机(Support Vector Machines， SVM)被广泛应用于预测模型中；(4)基于数字信号处理的预测方法，如利用傅里叶变换(FourierTransform)和小波变换(Wavelet Transform)等方法将原始时间序列信号分解为多个时间序列分量，并分别在各个分量中应用传统预测方法，最后加以合并，该预测方法能够对流量特征指标中的独立成分进行分解预测，提升了预测的精度和对流量不同周期性特征的适应能力。

上述方法存在各自的弱点：传统时间序列预测方法、基于回归分析的预测方法准较为老旧、准确率低，不能满足复杂数据预测需求；基于机器学习的预测方法能够适应复杂数据，精度较高，但预测过程时间、空间复杂度高，开销过大；基于数字信号处理的预测方法也存在计算复杂度高、自适应能力不足的问题。

在实际应用中，骨干网络流量具有很强的实时性、规模性、复杂性、非平稳性、周期性，网络流量的特征指标预测过程要求算法能够满足非线性、非平稳、周期性强、实时性强、复杂度低等网络流量特征实时预测需求。而现有方法均难以同时满足上述需求。

发明内容

基于现有方法的不足之处，本发明提出一种基于信号分解和周期特性的网络流量特征指标预测方法，目的是提供一种计算复杂度低、准确率高、自适应能力强的预测机制。经验模态分解(Empirical Mode Decomposition,EMD)作为一种相对较新的数字信号分析方法，是一种将时间序列数据中周期性成分进行分离的工具，能够广泛的应用于波动信号，将其应用于处理非线性、非平稳数据具有独特的优势。

为了解决上述现有技术中存在的问题，本发明是通过下述技术方案实现的：