[发明专利]一种基于轻量级时空深度学习模型的网络流量预测方法

说明书

本发明公开了一种基于轻量级时空深度学习模型的网络流量预测方法，首先，根据网络状态，基于预先设定的时间间隙采样若干历史时刻的网络流量数据，并对所采样的数据做归一化处理；其次，构建基于卷积神经网络和循环神经网络的神经网络模型，提取网络流量中的时空特征；然后，使用数据集对建立的神经网络模型进行训练，获得轻量级时空深度学习网络流量预测模型；最后，根据已获得的历史流量矩阵，通过该网络预测模型，预测未来时刻的流量值。本发明解决了深度学习参数复杂以及循环神经网络梯度爆炸的问题，同时还提高了预测模型的准确率。

技术领域

本发明涉及人工智能计算机网络领域，具体涉及一种基于轻量级时空深度学习模型的网络流量预测方法。

背景技术

随着Internet网络的快速发展，网络的规模越来越大，控制和管理网络的难度随之增大。为更好地进行网络管理、网络监控、网络规划等，需迫切掌握有关网络数据的流动情况。随着网络业务变得复杂化、多样化，网络流量不断增大，当网络过载或拥塞时，完善的预测机制能保障重要或高优先级业务的质量，通过对流量进行分析和控制，可提高网络服务的质量。传统的深度学习预测模型在大规模网络数据的训练上，模型参数复杂，训练时间长久，需要耗费的计算机资源巨大，导致在大规模数据上的实时预测性能不是很理想，同时，在实际应用中，网络节点之间是有相关性的，单单只从数据驱动方向对网络流量进行预测仍然存在一定的局限性，在考虑网络节点之间的相关性时，根据历史测量数据精确预测网络流量成为了网络流量预测的主要挑战之一。

网络流量预测是网络领域的经典问题，基于历史测量数据预测网络流量的方法已经有很多，先前的研究已提出了许多网络流量预测的方法，这些预测方法可以分为两类，即线性预测方法和非线性预测方法。传统的线性预测方法主要包括自回归滑动平均(AutoRegressive Moving Sverage，ARMA)模型、自动回归积分滑动平均(Auto RegressiveIntegrated MovingAverage，ARIMA)模型及差分自回归求和滑动平均模型。随着现今网络模型的动态化和复杂化，网络流量特性已经偏离了相关学者所认为的线性模型如泊松分布，高斯分布等，因此，线性模型无法反映网络流量特性。而非线性预测模型的典型代表主要包括支持向量回归(SupportVector Regression,SVR)，灰色模型和神经网络等，其中SVR能处理流量中非线性问题和解的稀疏性。但是由于缺乏结构化的方法确定模型中的一些关键参数，对模型的确定会产生一定影响。相对于线性模型，非线性模型的预测精度有了一定程度的提高，AZZOUNI等人的预测性能远远比上述线性模型表现优异。近几年来，神经网络模型在流量预测领域得到了广泛的关注和应用，其中常见的神经网络模型主要包括堆叠式自编码器(StackedAtuoEncoder，SAE)，BP神经网络，深度置信网络以及循环神经网络等。其中SAE用来提取交通流量中的特征，然后采用深度学习的结构对未来交通流量进行预测。基于BP神经网络的网络流量预测模型可通过增加网络的学习速率对模型预测性能进行优化，但是存在不能解决局部极小值的问题。AZZOUNI等人将LSTM模型应用到了网络流量预测中，但是，LSTM模型被应用到大规模网络中时，LSTM网络的计算成本相当大,参数量也很大，存在梯度爆炸的问题。在实际应用中，网络节点之间是有相关性的，单单只从数据驱动方向对网络流量进行预测仍然存在一定的局限性，因此，在考虑网络节点之间的时空相关性时，根据历史测量数据精确预测各个节点之间的网络流量仍然存在一定的困难。

解决大规模时空相关网络流量预测问题是计算机网络智能控制的一个研究热点。同时考虑网络流量时间和空间维度的相关性对网络流量预测是有效的，不仅提取了网络节点间空间相关特征，还考虑到网络流量时间特性，通过使用精简了门结构的循环神经网络MGU单元，减少了模型参数，降低计算机资源消耗，同时还提高了预测精度。

发明内容

发明目的：本发明的目的是提供一种基于轻量级时空深度学习模型的网络流量预测方法，使网络流量预测模型更实用，也提升了网络流量预测模型的精度，同时也增强了模型的泛化性能。

发明内容：本发明所述的一种基于轻量级时空深度学习模型的网络流量预测方法，包括以下步骤：