[发明专利]基于LSTM模型的网络流量资源态势预测方法

说明书

本发明属于网络流量资源态势预测技术领域，特别是一种基于LSTM模型的网络流量资源态势预测方法。本发明的目的在于提出适用于流量时空非线性特点的长短期记忆(Long Short‑Term Memory，LSTM)循环神经网络预测模型。该模型结合实际流量数据突发性较强和长程依赖的特点进行模型训练和定量预测。本发明的有益效果为，本发明通过LSTM模型实现对网络流量的预测功能，有效的提高了预测准确性，并且当数据样本差异性较大时，LSTM预测模型的优势更加显著。

技术领域

本发明属于网络流量资源态势预测技术领域，特别是一种基于LSTM模型的网络流量资 源态势预测方法。

背景技术

随着网络的普及和发展，网络管理面临许多挑战。无线传感网，Ad hoc网络，space-based network等冗杂的异构网络设备让拓扑结构日趋复杂，频繁的信息交互使 得网络流量激增，网络运行状况的复杂性和不确定性描述能力相应降低。流量预测已 成为流量工程、拥塞控制和网络运维管理研究的核心问题。

由于通信网络的多协议特性和业务源的突发性，网络负载常保持在大流量突发与长时间相对静止交替出现的状态，使得流量数据的非线性特点尤为明显。因此，探究 适应于通信网络流量数据多变化性特点的预测技术，动态预测未来时刻的流量值，将 预测误差控制在一定范围内，能够更好地为通信网络信息反馈和资源调度提供数据支 撑，这对通信网络长期部署具有重要的指导意义。

流量预测指的是通过对数据预处理之后的历史数据选择适合的模型进行样本学习，达到预测未来某一段时刻内的同一指标值的效果。为了提高预测的精确性，在模 型选择上应该适应于历史时间序列的特点。近年来，随着机器学习和深度学习知识背 景的丰富和研究领域的扩展，数据的处理不再局限于传统单一数学模型的适应性。基 于人工神经网络的深度学习模型能够通过样本的自适应学习，迭代更新网络层与层之 间的权值和偏置参数，较好的拟合非线性数据处理问题。通过丰富训练样本和增加隐 层数量和隐层神经元个数，能够较大范围调整模型的适应度，在非线性时间序列预测 上表现突出，但同时由于对数据特点的敏感性和依赖性，不同场景下所适应的模型存 在较大的差异性。

通信网络流量会因网络环境、流量采集时间长度以及时间尺度等因素的不同而表现 出不同的特性，网络流量预测很难找到一种通用的建模方法，主要原因有：1)数据 本身存在较强的随机性，并不是严格按照某种既定规律出现，预测误差难以通过数学 统计模型有效把控；2)网络流量存在较多的突发情况，导致流量的非线性剧增，即 使采用人工神经网络等非线性模型也很难对其变化规律进行准确建模。

发明内容

本发明的发明目的在于：针对上述存在的问题，探究了适用于流量时空非线性特点 的长短期记忆(Long Short-Term Memory，LSTM)循环神经网络预测模型。该模型 结合实际流量数据突发性较强和长程依赖的特点进行模型训练和定量预测。

本发明采用的技术方案如下，基于LSTM模型的网络流量资源态势预测方法，其特征在于， 包括以下步骤：

S1、数据预处理：通过对固定频率下采样所得的通信网络OD_ij流数据进行处理， 得到N个连续周期下的时间序列X(t)＝[x₁,x₂,...,x_N]；其中OD_ij流的定义为主机i到主 机j的端到端流量；

S2、建立LSTM模型：确定神经网络中输入神经元个数R，输出神经元个数M以及 隐层神经元数量，完成从输入空间U^R到输出空间U^M的映射，即根据前R个时刻流量值预测 后M个时刻流量值，设定步长τ进行相空间分解与重构，建立训练样本输入X到输出Y的映 射：

其中y_i＝x_(m-i)τ；