[发明专利]一种基于神经网络的流量预测方法

摘要

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。

主权项

1.一种基于神经网络的流量预测方法，其特征在于：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...Xt...Xn]，Xt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Xt‑2,Xt‑1,Xt来预测下一个时刻t+1的实际流量Xt+1,其中为了方便于训练，t+1时刻的数据我们用ht+1表示，时刻t‑2,t‑1,t的数据用Zt＝[Xt‑2,Xt‑1,Xt]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。