[发明专利]基于深度学习的工控网络流量预测方法、装置

权利要求书

1.一种基于深度学习的工控网络流量预测方法，其特征在于，所述方法包括：

按照预设频率采集多个网络设备的流量包数据；

对所述多个网络设备的流量包数据进行统计，确定所述流量包数据中固定时间间隔的总流量包数目；

根据所述总流量包和预设流量基线，确定预设时段内的历史流量包数据，其中所述预设流量基线根据不同时刻进行设置；

根据所述预设时段内的历史流量包数据和预先建立的模型进行训练，得到流量预测模型；

获取待预测时刻；

将所述待预测时刻输入所述流量预测模型，得到所述待预测时刻的流量预测值。

2.根据权利要求1所述的基于深度学习的工控网络流量预测方法，其特征在于，所述根据所述固定时间间隔的总流量包数目和预设流量基线，确定预设时段内的历史流量包数据包括：

所述流量包数据包括PCAP包；

若所述PCAP包中固定时间间隔的总流量包数目小于或等于所述预设流量基线，则将所述总流量包的流量数据作为预设时段内的历史流量包数据。

3.根据权利要求2所述的基于深度学习的工控网络流量预测方法，其特征在于，所述根据所述预设时段内的历史流量包数据和预先建立的模型，得到流量预测模型包括：

将所述预设时段内的历史流量包数据按比例分成训练集和验证集；

根据所述训练集、验证集和预先建立的模型，确定流量预测模型。

4.根据权利要求3所述的基于深度学习的工控网络流量预测方法，其特征在于，所述根据所述训练集、验证集和预先建立的模型，确定流量预测模型包括：

采用所述训练集对所述预先建立的模型进行训练和参数优化，得到初始模型；

利用所述验证集对所述初始模型进行验证，得到流量预测模型。

5.根据权利要求4所述的基于深度学习的工控网络流量预测方法，其特征在于，所述预先建立的模型为基于tensorflow框架的LSTM模型。

6.一种基于深度学习的工控网络流量预测装置，其特征在于，所述装置包括：

第一获取模块，按照预设频率采集多个网络设备的流量包数据；对所述多个网络设备的流量包数据进行统计，确定所述流量包数据中固定时间间隔的总流量包数目；根据所述总流量包和预设流量基线，确定预设时段内的历史流量包数据，其中所述预设流量基线根据不同时刻进行设置；

模型确定模块，用于根据所述预设时段内的历史流量包数据和预先建立的模型进行训练，得到流量预测模型；

第二获取模块，用于获取待预测时刻；

流量预测模块，用于将所述待预测时刻输入所述流量预测模型，得到所述待预测时刻的流量预测值。

7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。