[发明专利]一种基于组合模型的网络短时流量预测方法

说明书

本发明公开了一种基于组合模型的网络短时流量预测方法。该方法为：首先使用灰色Verhulst‑马尔科夫模型进行网络短时流量预测；然后将灰色Verhulst‑马尔科夫模型的预测结果和实际流量的误差组成一个新的时间序列；接着将误差的时间序列放入GRU中进行训练；最后将灰色Verhulst‑马尔科夫模型的结果和GRU神经网络的结果相加，获得最终流量预测值。本发明结合了传统网络短时流量预测方法和深度学习方法的优点，能够准确地对网络短时流量进行预测，为网络中的异常处理、规划建设、资源管理和用户行为调节提供了依据。

技术领域

本发明涉及网络资源配置技术领域，特别一种基于组合模型的网络短时流量预测方法。

背景技术

近年来，对于资源配置和网络安全的研究主要在网络流量预测和异常检测两方面展开，并且取得了显著的成果。网络流量是所有网络行为的载体，它是记录和反映互联网发展的重要依据，大部分网络相关的活动都是通过网络流量相联系的，通过抓取网络流量数据并进行分析，可以间接掌握网络的发展趋势。

根据既定的网络协议，多种不相同的网络服务、网络行为都可以格式化为统一的网络流量格式，让网络管理者从更高的角度来了解和管理互联网。许多研究人员、企业对网络流量进行研究，通过历史数据分析用户的使用情况，可以实现业务统计、网络计费等功能；通过网络流量的预测结果分析，可以更好地规划网络资源，从而保证网络的正常服务；通过对网络流量中恶意流量的识别和管理，可以更好地保护正常业务不受影响。

对于网络流量的预测，根据时间颗粒度不同划分，可以定义以下四种预测类型：实时流量预测、短时流量预测、中期流量预测、长期流量预测。从实时预测到长期预测，时间颗粒度不断增加。实时预测所需数据的时间间隔最短，可以用来建立在线实时网络流量预测系统；短时预测的时间间隔相较实时预测的间隔更长，通常来做最优化控制或异常检测；中期预测时间间隔为数天，可用来指导资源规划；长期预测的时间间隔为数月到数年，可以为制定策略、经济投资提供参考。提高流量预测的精度，网络运营商可以更合理地进行网络的资源调配；基于精确的异常检测和防御措施，可以使网络得到更好的保障。

目前常用的网络短时流量预测方法有以下三类：(1)基于数值分析的模型；(2)基于回归拟合的模型；(3)多模型加权组合的模型。基于数值分析的模型是在数理统计的基础上，使用解析数学来进行网络短时流量预测；基于回归拟合的模型并不注重严格的数学公式的推导和相对应的数学意义，而是更在意拟合真实网络流的变化趋势；多模型加权组合的模型则是把两种或多种模型组合，能够克服一种模型的缺点并且继承他们各自的优点。

虽然现在有越来越多网络短时流量预测模型被提出，但是仍然无法满足网络中的异常处理、规划建设、资源管理和用户行为调节对于精度的要求。

发明内容

本发明的目的在于提供一种稳定性好、准确度高的基于组合模型的网络短时流量预测方法。

实现本发明目的的技术解决方案为：一种基于组合模型的网络短时流量预测方法，包括以下步骤：

步骤1、使用灰色Verhulst-马尔科夫模型进行网络短时流量预测；

步骤2、将灰色Verhulst-马尔科夫模型的预测结果和实际流量的误差组成一个新的时间序列；

步骤3、将误差的时间序列放入GRU中进行训练；

步骤4、将灰色Verhulst-马尔科夫模型的结果和GRU神经网络的结果相加，获得最终流量预测值。

本发明与现有技术相比，其显著优点为：(1)结合了传统网络短时流量预测方法和深度学习方法的优点，能够准确地对网络短时流量进行预测；(2)为网络中的异常处理、规划建设、资源管理和用户行为调节提供了依据。

附图说明

图1是基于马尔科夫模型的网络短时流量预测方法的流程示意图。