本發明專利技術涉及流量趨勢預測領域，尤其涉及一種基于網絡流量查詢的流量趨勢預測方法，對主網絡進行網狀拓撲并解耦為若干子網絡，計算若干所述子網絡的時間復雜度和空間復雜度并計算子網絡復雜度特征值，將子網絡復雜度特征值與復雜度特征閾值進行比對，根據比對結果為若干子網絡建立對應的流量趨勢預測單元，流量趨勢預測單元生成預測流量數據集，計算各流量趨勢預測單元準確率，第二準確率水平的流量趨勢預測單元獲取相鄰子網絡預測流量值對預測流量值進行修正，根據所有子網絡在未來時刻的預測流量值計算主網絡在未來時刻的預測流量值。本發明專利技術可有效減少預測周期并提高流量趨勢預測精準性，進而提高網絡魯棒性和工作效率。進而提高網絡魯棒性和工作效率。進而提高網絡魯棒性和工作效率。
【技術實現步驟摘要】
一種基于網絡流量查詢的流量趨勢預測方法和裝置
[0001]本專利技術涉及流量趨勢預測領域，具體為一種基于網絡流量查詢的流量趨勢預測方法。
技術介紹
[0002]隨著網絡的迅速發展，網絡承載的流量任務也越來越繁雜，當流量出現異常情況時，在網絡管理系統發出告警通知后，由網絡管理人員著手解決出現的問題，這是一種響應式的行為，即先有問題后處理的方式。這樣的方式，很可能由于沒有足夠的時間來分析和處理而影響網絡的正常運行。為了解決上述問題，流量趨勢預測技術應運而生，流量趨勢預測是一種重要的網絡管理技術，它可以預測未來一段時間內網絡流量的變化趨勢，為網絡管理者提供決策支持。
[0003]中國專利公開號：CN110267292B公開了一種基于三維卷積神經網絡的蜂窩網絡流量預測方法，包括以下步驟：將網絡流量數據建模為三維張量輸入形式得到三維網絡流量數據模型；根據三維網絡流量數據，獲取訓練集數據和測試集數據；構造基礎三維卷積神經網絡；對短時依賴數據進行三維卷積神經網絡的訓練得到短時特征，對長時依賴數據進行三維卷積神經網絡的訓練得到長時特征；對短時特征以及長時特征進行融合訓練，得到特征矩陣，作為基礎三維卷積神經網絡的輸出，形成訓練模型；使用訓練模型對待預測的網絡流量數據進行預測，得到網絡流量預測結果。
[0004]可見，現有技術中大多基于卷積神經網絡進行流量趨勢預測，但現有技術大多為建立一個神經網絡模型進行流量趨勢預測，存在預測速度慢，誤差大，預測精度低等問題。
技術實現思路
[0005]為此，本專利技術提供一種基于網絡流量查詢的流量趨勢預測方法，用于解決現有流量趨勢預測技術中，未考慮到根據網絡復雜程度匹配對應的預測模型，且預測速度慢，誤差大，預測精度低的問題。
[0006]為實現上述目的，本專利技術提供一種基于網絡流量查詢的流量趨勢預測方法，其包括：
[0007]步驟S1，對主網絡進行網狀拓撲并解耦為若干子網絡；
[0008]步驟S2，分別獲取若干所述子網絡的時間復雜度和空間復雜度，基于所述時間復雜度和空間復雜度計算子網絡復雜度特征值；
[0009]步驟S3，將所述子網絡復雜度特征值與復雜度特征閾值進行比對并根據比對結果為子網絡建立對應的流量趨勢預測單元，所述流量趨勢預測單元包括基于卷積神經網絡的流量趨勢預測單元和基于深度殘差神經網絡的流量趨勢預測單元；
[0010]步驟S4，所述流量趨勢預測單元獲取預設歷史時間段內的歷史流量數據，對歷史流量數據進行預處理，將預處理后的歷史流量數據進行特征提取和數據訓練獲得子網絡在預設未來時間段內的預測流量數據集；
[0011]步驟S5，當對未來時刻流量值進行預測時，計算各流量趨勢預測單元準確率，并判定準確率水平，對于處于第二準確率水平的流量趨勢預測單元在未來時刻的預測流量值進行修正；
[0012]步驟S6，根據所有子網絡在未來時刻的預測流量值計算主網絡在未來時刻的預測流量值。
[0013]進一步地，在所述步驟S1中，所述網狀拓撲具體為，將主網絡各個節點及其連接關系轉換為可供神經網絡處理的網絡拓撲結構，并將所述主網絡解耦為若干子網絡，所述子網絡包括若干節點和若干連接線。
[0014]進一步地，在所述步驟S2中，所述子網絡的時間復雜度Ta依據如下公式計算：
[0015]Ta＝N/t
[0016]其中，t為子網絡工作時間，N為子網絡在時間t內的基本操作次數；
[0017]所述子網絡的空間復雜度Sa依據如下公式計算：
[0018][0019]其中，c為子網絡中節點數量，b為子網絡中連接線數量。
[0020]進一步地，在所述步驟S2中，所述子網絡復雜度特征值E依據如下公式計算：
[0021][0022]其中，α1為時間復雜度轉換系數，α2為空間復雜度轉換系數；
[0023]在所述步驟S3中，將所述子網絡復雜度特征值E與所述復雜度特征閾值E0進行比較，
[0024]當E≤E0時，為所述子網絡建立基于卷積神經網絡的流量趨勢預測單元；
[0025]當E＞E0時，為所述子網絡建立基于深度殘差神經網絡的流量趨勢預測單元；
[0026]若干所述流量趨勢預測單元間連接關系與流量趨勢預測單元對應的子系統連接關系相同。
[0027]進一步地，在所述步驟S4中，所述基于卷積神經網絡的流量趨勢預測單元獲取子網絡中預設歷史時間段內的歷史流量數據，對流量數據進行歸一化并通過加權最小二乘法對歷史流量數據進行預處理，生成有效歷史流量數據集，將歷史流量數據集劃分為訓練集和測試集，經特征提取和數據訓練獲得子網絡在預設未來時間段內的預測流量數據集。
[0028]進一步地，在所述步驟S4中，所述基于深度殘差神經網絡的流量趨勢預測單元獲取預測流量數據集的方式與基于卷積神經網絡的流量趨勢預測單元差別在于，所述基于深度殘差神經網絡的流量趨勢預測單元采用多層卷積和池化操作，其余步驟與基于卷積神經網絡的流量趨勢預測單元相同。
[0029]進一步地，在所述步驟S5中，分別計算各子系統對應的流量趨勢預測單元的準確率，流量趨勢預測單元的準確率C按照以下公式計算：
[0030][0031]其中，F i表示流量趨勢預測單元第i次預測的流量值，Ai表示流量趨勢預測單元第i次預測的流量實際值，j為歷史預測次數。
[0032]進一步地，在所述步驟S5中，將流量趨勢預測單元的準確率C與預設標準準確率C0進行比對以判定是否對流量趨勢預測單元的預測值進行校正；
[0033]若為第一準確率水平，則判定流量趨勢預測單元無需對預測結果進行校正；
[0034]若為第二準確率水平，則判定流量趨勢預測單元需對預測結果進行校正；
[0035]所述第一準確率水平滿足C≥C0，第二準確率水平滿足C＜C0。
[0036]進一步地，在所述步驟S5中，在所述第二準確率水平下，對預測結果的校正方式為，所述流量趨勢預測單元獲取所有相鄰子網絡在未來時刻T的預測流量值，所述相鄰子網絡為與所述流量趨勢預測單元對應子網絡通過一條及以上連接線連接的子網絡，流量趨勢預測單元按照以下公式將子網絡在未來時刻T的預測流量值V修正為V0：
[0037][0038]其中，Vm為第m個相鄰子網絡在未來時刻T的預測流量值，km為第m個相鄰子網絡與子網絡間的連接線數量，u為相鄰子網絡的數量，β為預設相關系數，0＜β＜0.1。
[0039]進一步地，在所述步驟S6中，根據所有子網絡在未來時刻T的流量值計算主網絡在未來時刻T的流量值X，設定：
[0040][0041]其中，Vn為第n個子網絡在未來時刻T的預測流量值，v為子網絡總量。
[0042]與現有技術相比，本專利技術通過將主網絡解耦為若干子網絡，極大的降低了網絡復雜性，可有效減少預測周期并提高采取相關維護措施的效率，進而提高網絡魯棒性和工作效率。
[0043]進一步地，本專利技術建立復雜度特征值及其計算公式，將時間復雜度和空間復雜度進行融合得到本文檔來自技高網...
【技術保護點】
【技術特征摘要】
1.一種基于網絡流量查詢的流量趨勢預測方法，其特征在于，所述方法包括：步驟S1，對主網絡進行網狀拓撲并解耦為若干子網絡；步驟S2，分別獲取若干所述子網絡的時間復雜度和空間復雜度，基于所述時間復雜度和空間復雜度計算子網絡復雜度特征值；步驟S3，將所述子網絡復雜度特征值與復雜度特征閾值進行比對并根據比對結果為子網絡建立對應的流量趨勢預測單元，所述流量趨勢預測單元包括基于卷積神經網絡的流量趨勢預測單元和基于深度殘差神經網絡的流量趨勢預測單元；步驟S4，所述流量趨勢預測單元獲取預設歷史時間段內的歷史流量數據，對歷史流量數據進行預處理，將預處理后的歷史流量數據進行特征提取和數據訓練獲得子網絡在預設未來時間段內的預測流量數據集；步驟S5，當對未來時刻流量值進行預測時，計算各流量趨勢預測單元準確率，并判定準確率水平，對于處于第二準確率水平的流量趨勢預測單元在未來時刻的預測流量值進行修正；步驟S6，根據所有子網絡在未來時刻的預測流量值計算主網絡在未來時刻的預測流量值。2.根據權利要求1所述的基于網絡流量查詢的流量趨勢預測方法，其特征在于，在所述步驟S1中，所述網狀拓撲具體為，將主網絡各個節點及其連接關系轉換為可供神經網絡處理的網絡拓撲結構，并將所述主網絡解耦為若干子網絡，所述子網絡包括若干節點和若干連接線。3.根據權利要求2所述的基于網絡流量查詢的流量趨勢預測方法，其特征在于，在所述步驟S2中，所述子網絡的時間復雜度Ta依據如下公式計算：Ta＝N/t其中，t為子網絡工作時間，N為子網絡在時間t內的基本操作次數；所述子網絡的空間復雜度Sa依據如下公式計算：其中，c為子網絡中節點數量，b為子網絡中連接線數量。4.根據權利要求3所述的基于網絡流量查詢的流量趨勢預測方法，其特征在于，在所述步驟S2中，所述子網絡復雜度特征值E依據如下公式計算：其中，α1為時間復雜度轉換系數，α2為空間復雜度轉換系數；在所述步驟S3中，將所述子網絡復雜度特征值E與所述復雜度特征閾值E0進行比較，當E≤E0時，為所述子網絡建立基于卷積神經網絡的流量趨勢預測單元；當E＞E0時，為所述子網絡建立基于深度殘差神經網絡的流量趨勢預測單元；若干所述流量趨勢預測單元間連接關系與流量趨勢預測單元對應的子系統連接關系相同。5.根據權利要求4所述的基于網絡流量查詢的流量趨勢預測方法，其特征在于，在所述步驟S4中，所述基于卷積神經網絡的流量趨勢預...
【專利技術屬性】
技術研發人員：朱剛，張凱，陳楊，陳博，
申請(專利權)人：北京有元科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。