[发明专利]一种基于事件关联的网络流量预测方法及系统

说明书

本发明公开了一种基于事件关联的网络流量预测方法，步骤如下：步骤1、采集原始数据流或流采样数据；步骤2、分析事件信息和流量信息；步骤3、使用运行周期中的节点事件序列与流量特征序列建立训练集；步骤4、持续采集数据，根据协议分析，训练神经网络，预测单节点或全网流量。本发明还公开了基于事件关联的网络流量预测系统，包括：数据采集模块；数据建模模块：将数据建立以节点相关的特征；神经网络训练模块：神经网络训练，建立神经网络；预测模块：使用流量特征和节点状态，输入神经网络预测后续流量趋势。本发明实现了对事件相关型网络的流量预测，解决了传统时序预测方法在流量的时序和周期上存在的失效问题，可以广泛应用于网络领域。

技术领域

本发明涉及网络技术，特别是涉及一种基于事件关联的网络流量预测方法及系统。

背景技术

网络流量预测是实现网络故障预测、网络安全监测、网络性能分析与网络优化的重要基础。

当前网络流量预测方法主要针对互联网应用，主要使用历史流量统计、神经网络等方法实现。当前的主要流量预测方法都基于流量的时间序列，适用于企业网络、运营商网络等有时间规律的网络场景。

针对工业网络、军用网络等非标准互联网应用网络，一方面，作为封闭性网络其根据运行时间具有通常意义上的时间性规律，但是由于此类网络通常在用户规模上与互联网、通信网络有数量级的差别，因此从时间性规律其统计规律较为粗糙，预测结果的精度与应用需求有差距。

另一方面，由于上述网络中主要用于机器通信，即使有人工的操作，其行为有预先的规划时序和交互设计，内部业务行为具有事件相关的确定性特征等。

同时网络中重要的用户事件可引起后续的网络行为和流量波动，在时间上，可使用网络事件预知后续一段事件的流量特征。

结合事件关联的流量预测可以为基于用户事件的流量调度提供依据，是实现网络智能化的重要基础。

因此需要针对事件相关型网络的流量预测，设计基于事件关联的流量预测方法。

发明内容

本发明的目的是为了克服上述背景技术的不足，提供一种基于事件关联的网络流量预测方法及系统，以实现对事件相关型网络的流量预测，解决传统的时序预测方法与事件关联型网络在流量的时序和周期上存在的失效问题。

本发明提供的一种基于事件关联的网络流量预测方法，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。

在上述技术方案中，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：