[发明专利]一种基于事件关联的网络流量预测方法及系统

权利要求书

1.一种基于事件关联的网络流量预测方法，其特征在于：包括如下步骤：

步骤1、获取全网数据流量，采集网络通信的原始数据流或流采样数据；

步骤2、分析处理数据中的事件信息和流量信息；

步骤3、使用每一个业务运行周期中分析出的节点事件序列与流量特征序列建立训练集，以流量特征序列作为输入值，以事件序列作为标签值开展训练；

步骤4、通过持续的数据采集，根据实时的协议分析，使用训练好的神经网络，根据采集到的网络用户事件进行单节点或全网流量的预测。

2.根据权利要求1所述的基于事件关联的网络流量预测方法，其特征在于：所述步骤2的具体步骤如下：

步骤2.1、使用协议分析方法，解析出所有用户节点发生的状态转换事件和业务操作事件序列，在一段数据中解析出用户节点开机、节点应用软件初始化、节点应用操作等事件信息，以事件序列E＝[e₁，e₂，e₃…e_n]表示，其中en取自然数，作为对应的事件编号，同时记录事件的时间序列T_e＝[TE₁,TE₂,TE₃…TE_n，T_n+1]，其中T_n+1是流量采样最后时刻的事件；

步骤2.2、使用流量统计方法，根据以步骤2.1解析的事件分段时间序列，建立全网流量的特征数据，每个事件分段作为一个样本，在分析出n个事件的流量数据中，以时间点e₁开始取分析样本，从e₁到e_n切分为n段，作为n个样本；

步骤2.3、建立节点流量特征矩阵，对获取的原始数据流或流采样数据根据协议分析方法解析的事件进行分段，建立每个段的流量特征，具体方法为：

对每一段数据使用可调整的采用时间f为间隔进行周期采样分析，得出每个周期内的流量F_n作为流量特征值；

使用流量分析方法，分离出业务系统中每个用户节点运行过程的网络流量特征，对于点对点数据，流量分析用于解析用户节点间的交互过程流量特征，建立用户节点间的数据通信矩阵，在m个用户的网络中，使用源过滤分离出每一个用户节点发送的数据，每个节点发送的流量矩阵为：

其中X_ij为节点在第j个采样周期内接收第i个节点发送的单播流量，i从1到m，j从1到t，

其中第n个样本中，

步骤2.4、分析出组播共享数据的发送、接收关系和流量统计，使用源过滤分离出每个用户节点发送的数据，得到每个用户节点向组播组发送的流量矩阵：

其中G_ij为每个用户节点在第j个采样周期内向第i个组播组发送流量，i从1到g，j从1到t；

使用协议分析，解析IGMP协议交互信息，获得用户节点接收组播数据信息，据此与组播组发送信息计算，获得每个用户节点接收组播数据的流量矩阵：

其中R_ij为每个用户节点在第i个采样周期内接收第j个组播组的状态，i从1到t，j从1到g，

R_ij＝0表示不接收i组数据，R_ij＝1表示接收i组数据；

进一步得出每个节点接收组播数据的流量矩阵为：

D＝[diag(CB₁),…diag(CB_k)]

其中diag(A)为对角函数，Bk为第k个节点发送的组播流量矩阵；

步骤2.5、综合单播流量矩阵和共享数据统计，生成节点网络用户节点的流量矩阵，每个事件分段生成的流量特征作为1个样本,每个节点接收流量的矩阵为:

E＝A+D。

3.根据权利要求2所述的基于事件关联的网络流量预测方法，其特征在于：所述步骤3的具体步骤如下：

步骤3.1、将单节点的流量特征与节点行为训练集输入神经网络进行训练，获得单节点所有状态下的流量预测模型；

步骤3.2、将全网节点事件序列与流量特征序列输入神经网络进行训练，获得全网流量预测模型。