一种网络流量预测方法及通信设备和存储介质与流程

1.本发明实施例涉及网络流量分析领域，特别涉及一种网络流量预测方法。


背景技术：

2.随着传输控制协议/互联网协议(transmission control protocol/internet protocol，tcp/ip)网络在现代社会中占据越来越重要的地位，如何更好的理解并且正确预测网络的行为成为信息技术发展中至关重要的一环。对于中/大型网络提供商来说，tcp/ip网络预测已经成为一项重要的任务，并且获得越来越多的关注。通过提升这项任务的准确度，网络提供商可以更好的优化资源，提供更好的服务质量。不仅如此，网络流量预测可以帮助检测网络中的攻击。例如拒绝服务或者垃圾邮件攻击可以通过比较真实流量和预测流量而被检测出。越早检测出这些问题，就可以获得越可靠的网络服务。
3.大规模网络系统其自身是复杂的非线性系统，同时又受到多种外界因素影响，其宏观流量行为往往复杂多变，数据中即含有多种周期类波动，又会有非线性升、降趋势，还受到不确定的随机因素的干扰，使得用线性特点表述的流量模型就出现较大误差。所以，如何选择和优化非线性模型成为近年来预测网络流量的研究重点。其中，支持向量机(support vector machine,svm)、最小二乘支持向量机(least squares support vector machines，ls-svm)、人工神经网络(artificial neural network，ann)、回声状态网络等都对预测精确度有一定的提高，但是现有的线性模型仍无法准确预测非线性特征明显的网络流量。


技术实现要素：

4.本发明实施例的主要目的在于提供一种网络流量预测方法及通信设备和存储介质，以提升网络流量预测的准确性。
5.为了实现本发明实施例的目的，本发明实施例提供一种网络流量预测方法，包括获取网络流量历史数据；将所述网络流量历史数据输入时序数列预测模型中，得到第一网络流量预测值；将所述第一网络流量预测值以及至少一个与所述第一网络流量预测值有相关性的值输入人工神经网络中，得到第二网络流量预测值。
6.为解决上述技术问题，本发明实施例还提供了一种通信设备，包括处理器、存储器和通信总线；
7.所述通信总线用于将所述处理器和存储器连接；
8.所述处理器用于执行所述存储器中存储的一个或多个计算机程序，以实现如上所述的网络流量预测方法的步骤；
9.为解决上述技术问题，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或多个计算机程序，所述一个或多个计算机程序可被处理器执行，以实现如上所述的网络流量预测方法的步骤。
10.本发明实施例基于网络流量的自相关特征，将时序数列预测模型和人工神经网络
进行结合，得到流量预测模型，以提升网络流量的预测效果。
附图说明
11.图1为本发明一实施例的一种网络流量预测方法的流程图；
12.图2为本发明一实施例中采集的网络流量数据的自相关系数分析结果的示意图；
13.图3为本发明一实施例中网络流量预测模型的示意图；
14.图4为本发明一实施例中采集的网络流量数据的示意图；
15.图5为本发明一实施例中采集的地区一的网络流量数据的示意图；
16.图6为本发明一实施例中采集的地区二的网络流量数据的示意图。
17.本发明实施例的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
18.下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
19.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
20.实施例1
21.在本实施例中提供了一种网络流量预测的方法，图1是根据本发明实施例的一种网络流量预测方法的流程图，如图1所示，该流程包括如下步骤：
22.步骤s101，获取网络流量历史数据；
23.步骤s102，将所述网络流量历史数据输入时序数列预测模型中，得到第一网络流量预测值；
24.步骤s103，将所述第一网络流量预测值以及至少一个与所述第一网络流量预测值有相关性的值输入人工神经网络中，得到第二网络流量预测值。
25.可选地，所述时序预测模型是长短时记忆模型，当通过长短时记忆模型得到初步的网络流量预测值后，再将该初步的网络流量预测值和至少一个与该初步的网络流量预测值有相关性的值输入到人工神经网络中，例如初步的网络流量预测值预测的是明天下午5点的网络流量，那么与该初步的网络流量预测值有相关性的值包括昨天同一时刻的流量、前天同一时刻的流量等。
26.通过以上步骤，提升了网络流量的预测效果。
27.实施例2
28.图3是根据本发明实施例的网络流量预测模型的示意图，如图3 所示，本发明实施例结合了长短时记忆模型与人工神经网络模型作为网络流量预测模型，其中长短时记忆模型输入为时序数列，人工神经网络模型的输入为与网络流量预测值的相关性高的值以及长短时记忆模型的输出。基于人工神经网络的网络流量数据预测方法包括如下步骤：
29.使用网络流量采集装置或软件采集网络流量历史数据。参照图4 所示，图4是采集的网络流量数据的示意图，以每五分钟为一个时间刻度，可以从图中看到网络流量数据以24小时为周期具有明显的周期性。并且每个周期内具有相似的数据特征。因此，采用下面的自相关系数公式对网络流量数据进行分析。
30.通过考察流量数据的自相关系数，得到时间序列数据中其自身与滞后k个时期数据相比的相关程度：
[0031][0032]
如图2所示，图2是采集的网络流量数据的自相关系数分析的结果，从图中可以看到在网络流量数据中，自相关系数以二十四小时也就是“天”为单位进行循环，并且呈逐天降低的趋势。所以一天前的网络流量数据与当前时刻的网络流量数据有很大程度上相关性。
[0033]
构造长短时记忆模型与人工神经网络相结合的神经网络结构，使用所述网络流量的历史数据结合与网络流量预测值的相关性高的值进行训练建模，以生成深度神经网络流量预测模型。其中长短时记忆模型为递归神经网络(recursive neural network，rnn)的一个变种，下面将详细说明相关网络结构的原理。
[0034]
rnn是近年来机器学习与深度学习领域比较热门的学习方法，与传统的前馈神经网络(feedforward neural network，fnn)不同，fnn 的神经元通过输入层、隐藏层、输出层的连接进行信息的传递。各个输入项之间相互独立，同一层的神经元之间没有连接。而rnn在网络中引入了循环的结构，建立了神经元自身到自身的连接。通过这种环状结构，神经元可以将上一时刻的输入的信息“记忆”在神经网络中，并对当前时刻的输出产生影响。所以rnn更能良好的反应数据的在时间上的先后关系，在时序数据的预测问题上，往往有着比fnn更好的表现。
[0035]
rnn的训练过程与fnn有一些区别，fnn通过后向传播算法(back propagation,bp)算法来实现，而rnn因为前面若干时刻的隐藏层状态也会影响输出层的误差，所以需要在时间维度上对后向传播的结果进行叠加，即时间后向传播算法(back propagation through time,bptt)。 rnn的时间后向传播算法首先定义损失函数对神经元j在时刻t输入值的偏导数，然后通过链式求导法则计算损失函数对网络权重的偏导数。
[0036]
损失函数与神经元之间的偏导数由当前时间t的输出层与下一时刻t+1隐藏等的影响。对每个时间步利用链式求导法则，将所有的结果在时间维度上进行相加，得到损失函数对于神经网络权重w的偏导数。再通过梯度下降法，更新递归神经网络中的权重，直到满足条件。
[0037]
在rnn训练过程的最后一步可以看到，梯度在反向传播的过程中，每一步都要与w
hht
相乘。如果特征值w
hh
<1，这将导致梯度爆炸 (gradient explode)；如果特征值w
hh
<1，这将导致梯度消失(gradient vanish)。针对这个问题，诞生了长短期记忆(long short term memory, lstm)神经网络。
[0038]
lstm神经网络是rnn的一种变体，其关键在于将rnn中隐含层的神经元替换成了细胞状态，细胞状态在时间链上传递，只有一些少量的线性交互，信息在细胞单元上很容易保持。每个记忆体中包含一到多个记忆细胞(memory cell)和三种非线性求和单元。非线性求和单元又被称作“门”(gate)，分为3种：“输入门”(input gate)“输出门”(output gate)和“遗忘门”(forget gate)，分别通过矩阵乘法控制记忆细胞的输入、输出。
[0039]
lstm的时间后向传播算法与rnn中的类似，从时间序列的末尾 (时刻t)开始，逐步
反向循环计算各参数的梯度，最后用各时间步的梯度更新网络参数。首先计算记忆细胞输出值对应的偏导数，再计算输出门偏导数，然后再分别计算记忆细胞状态、遗忘门、输入门对应的偏导数，最终使用梯度下降法更新模型连接权。
[0040]
利用训练生成的深度神经网络预测未来时刻的网络流量，为网络服务提供商决策提供依据。
[0041]
与现有技术相比，本发明实施例至少具备有以下一些技术优势：通过实施结果表明lstm可以很好的作为时序数列预测模型使用，可以提供优于其他传统模型的精确度。并且在考虑自相关特性之后， lstm与ann结合的神经网络在粗时间粒度数据集的准确性方面具有一定的优势。高精度的网络流量预测对于处理可能遇到的网络拥塞、异常攻击等情况提供了一定支持。
[0042]
实施例3
[0043]
图3是根据本发明实施例的网络流量预测模型的示意图，如图3 所示，其中长短时记忆模型输入为时序数列，人工神经网络模型的输入为与网络流量预测值的相关性高的值与长短时记忆模型的输出。基于神经网络的网络流量数据预测方法包括如下步骤：
[0044]
使用网络流量采集装置或软件采集网络流量历史数据。
[0045]
图5是采集的地区一的网络流量数据的示意图，如图5所示，其中，蓝线为真实数据，红线为预测的结果；以每十五秒钟为一个时间刻度，可以从图中看到网络流量数据以24小时为周期具有明显的周期性。并且每个周期内具有相似的数据特征。所以采用下面的自相关系数公式对网络流量数据进行分析。
[0046]
通过考察流量数据的自相关系数，画出时间序列数据中其自身与滞后k个时期数据相比的相关程度：
[0047][0048]
根据地区一的流量数据，计算出其自相关指数为0.7479596037 (处于0.5-1.5之间，自相关性适合用于流量预测)。所以一天前的网络流量数据与当前时刻的网络流量数据有很大程度上相关性。
[0049]
图6是采集的地区二的网络流量数据的示意图，如图6所示，以每十五秒钟为一个时间刻度，可以从图中看到网络流量数据以24小时为周期具有明显的周期性。并且每个周期内具有相似的数据特征。所以采用下面的自相关系数公式对网络流量数据进行分析。
[0050]
通过考察流量数据的自相关系数，画出时间序列数据中其自身与滞后k个时期数据相比的相关程度：
[0051][0052]
根据公式计算得出，地区二的流量的自相关系数为 0.693812642395(处于0.5-1.5之间，自相关性适合用于流量预测)。所以一天前的网络流量数据与当前时刻的网络流量数据有很大程度上相关性。
[0053]
通过构造长短时记忆模型与人工神经网络相结合的神经网络结构，使用所述网络
流量的历史数据结合与网络流量预测值的相关性高的值进行训练建模，以生成深度神经网络流量预测模型。
[0054]
利用训练生成的深度神经网络预测未来时刻的网络流量，为网络服务提供商决策提供依据。
[0055]
与现有技术相比，本发明实施例至少具备有以下一些技术优势：通过实施结果表明lstm可以很好的作为时序数列预测模型使用，可以提供优于其他传统模型的精确度。并且在考虑自相关特性之后， lstm与ann结合的神经网络在粗时间粒度数据集的准确性方面具有一定的优势。高精度的网络流量预测对于处理可能遇到的网络拥塞、异常攻击等情况提供了一定支持。
[0056]
实施例4
[0057]
本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
[0058]
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
[0059]
s1，获取网络流量历史数据；
[0060]
s2，将所述网络流量历史数据输入时序数列预测模型中，得到第一网络流量预测值；
[0061]
s3，将所述第一网络流量预测值以及至少一个与所述第一网络流量预测值有相关性的值输入人工神经网络中，得到第二网络流量预测值。
[0062]
可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(read-only memory，简称为rom)、随机存取存储器 (random access memory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
[0063]
本发明的实施例还提供了一种通信设备，包括处理器、存储器和通信总线；所述通信总线用于将所述处理器和存储器连接；该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
[0064]
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
[0065]
s1，获取网络流量历史数据；
[0066]
s2，将所述网络流量历史数据输入时序数列预测模型中，得到第一网络流量预测值；
[0067]
s3，将所述第一网络流量预测值以及至少一个与所述第一网络流量预测值有相关性的值输入人工神经网络中，得到第二网络流量预测值。
[0068]
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
[0069]
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
[0070]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。