[发明专利]一种基于GNN-LSTM结合的网络流量预测方法

说明书

本发明提出一种基于GNN‑LSTM结合的网络流量预测方法，该方法属于网络流量预测领域，首先加载真实网络流量数据集，并对数据集进行标准归一化处理，然后将网络流量数据进行划分训练集和测试集，构建基于图神经网络和长短期记忆神经网络结合的模型，其中图神经网络学习网络拓扑结构，提取网络流量的空域特征，然后将具有空域作为长短期记忆神经网络输入，学习网络流量的时域变化规律，提取网络流量的时域特征，在LSTM模型中进行基于Adam优化算法进行迭代训练，得到训练好的模型，最后输入测试集数据进行预测，输出的序列是基于GNN‑LSTM的预测结果，每项序列生成概率都受多个历史的流量序列的影响，能够更好的提取网络流量的时空特性，流量预测更加精确。

技术领域

本发明公开了一种基于GNN-LSTM结合的网络流量预测方法，设计计算机网络、深度学习和网络流量预测领域。

背景技术

随着互联网和通信技术的不断发展，网络的规模也在不断增大，对网络的控制和管理难度也越来越大。为了能够更好的对网络进行管理、监控和规划，需要提前能够掌握网络流量数据的变化趋势，进而能供依据预测值指定合理有效的流量管理的策略，来提高网络的服务质量和用户体验，同时，网络流量预测能够根据网络历史流量数据，预测出未来一段时间内的网络流量值，能够有效的帮助网络的管理人员应对突发的网络拥塞问题，然后合理的对网络资源进行配置工作，实现有效避免网络故障的发生。因此网络流量预测是实现服务质量保证的一项重要的技术，建立具有精确度更高的网络流量预测模型具有重要的意义。

近年来，网络流量预测问题是计算机网络界非常关注的一个重要问题，依据国内外学者对网络流量预测问题的研究，已提出了许多网络流量预测的方法，这些预测方法主要分为两类，即线性预测方法和非线性预测方法。线性预测方法主要是针对网络流量的短相关特性，来处理网络流量的短期预测问题，线性模型主要包括有自回归模型（AR）、移动平均模型（MA）、自回归滑动平均模型（ARMA）、差分整合移动平均自回归模型（ARIMA）等，这些传统的线性预测模型大部分都是使用多项式进行拟合函数对真实的网络流量数据无限逼近，然后对大量的参数设置进行调控使得拟合效果最好，其中ARIMA模型是通过将自回归模型（AR）、移动平均模型（MA）以及差分法结合，建立起时间序列数据预测模型。ARIMA的优点在于模型简单，但只能对变化平稳的数据时间序列进行预测，对于快速变化情况的流量数据不能够进行精确的预测。因此，线性模型无法反映出网络流量特性。非线性方法主要是基于机器学习和深度学习的方法，非线性预测模型主要包括支持向量机（SVR），灰色模型和神经网络等，其中支持向量机模型是基于统计学理论，在分类预测领域中有广泛的应用，能处理流量中非线性问题和解的稀疏性，但是缺少结构化的方法来确定模型中的一些关键参数，而且会出现局部最优，导致对模型会产生影响。近几年来，深度学习的模型在广泛的被研究，深度学习可以保持学习特征的同时还能够保证其与每一个任务之间的相互关联，实现能够有效的处理时间序列问题。循环神经网络（RNN）中的长短期记忆神经网络（LSTM）是一种特殊模型的递归单元，可以实现对循环神经网络的长期依赖能力的解决和在RNN训练过程中的出现的梯度消失和梯度爆炸等问题，相比于机器学习算法在预测精度上有一定的提高。但是，当LSTM模型被应用到大规模的网络中时，LSTM模型的计算成本比较大，所需要的参数量也很大。而且在现实的应用中，网络节点之间存在着相关性，如果单单只从数据时域维度方面对网络流量进行预测仍然存在一定的局限性，因此，在考虑网络节点之间存在的时空相关性时，根据历史的流量数据精确预测各个节点之间的网络流量仍然存在一定的困难。

解决时空相关网络流量预测问题是计算机网络中的一大研究热点，尽管现在的网络流量预测模型有不错的预测效果，但是这些方法只考虑了时间序列中的时域上的相关性，忽略了现实中网络节点之间存在的空域相关性，即网络流量的空间特征，这样会导致预测时网络流量的更高维特征被忽略，因此要在对网络流量预测中考虑到网络流量的空域特征，通过图神经网络提取网络节点间的空间相关特征，然后在考虑网络流量的时间特性，使用长短期记忆神经网络结构单元，减少模型参数，提高预测精度。

发明内容