[發(fā)明專利]基于自適應儲備池ESN的網(wǎng)絡(luò)流量預測方法

有效

• 申請?zhí)枺?/td>: 201911414979.6
• 申請日: 2019-12-31
• 公開（公告）號: CN111130909B
• 公開（公告）日: 2022-09-23
• 發(fā)明（設(shè)計）人: 周劍;王皓明;嚴筱永;程春玲;韓濤濤
• 申請（專利權(quán)）人: 南京郵電大學
• 主分類號: H04L41/147
• 分類號: H04L41/147;H04L43/0876;G06N3/04;G06N3/08
• 代理公司: 南京正聯(lián)知識產(chǎn)權(quán)代理有限公司 32243
• 代理人: 張玉紅

本發(fā)明提出基于自適應儲備池回聲狀態(tài)網(wǎng)絡(luò)（Echo State Network,ESN）的網(wǎng)絡(luò)流量預測方法，首先對網(wǎng)絡(luò)流量數(shù)據(jù)進行連續(xù)采集；同時將ESN與生成對抗網(wǎng)絡(luò)（Generative Adversarial Net,GAN）結(jié)合，構(gòu)造基于自適應儲備池ESN的網(wǎng)絡(luò)流量預測模型；然后提出對抗訓練算法，在訓練中根據(jù)網(wǎng)絡(luò)流量特征自動調(diào)整ESN儲備池。最終使用訓練好的基于自適應儲備池ESN的網(wǎng)絡(luò)流量預測模型進行網(wǎng)絡(luò)流量預測。該方法可以自動產(chǎn)生適應網(wǎng)絡(luò)流量特征的儲備池，可以提高網(wǎng)絡(luò)流量預測結(jié)果的準確率和穩(wěn)定性，可以在非線性時間序列預測中取得更好的預測效果。

技術(shù)領(lǐng)域

本發(fā)明屬于計算機應用技術(shù)領(lǐng)域，具體涉及一種基于自適應儲備池ESN的網(wǎng)絡(luò)流量預測方法。

背景技術(shù)

近年來，全球網(wǎng)絡(luò)規(guī)模不斷擴大，新興網(wǎng)絡(luò)技術(shù)層出不窮，互聯(lián)網(wǎng)業(yè)務日益壯大。隨著互聯(lián)網(wǎng)的飛速發(fā)展，許多危機和挑戰(zhàn)也逐漸顯露。網(wǎng)絡(luò)流量預測可以得到網(wǎng)絡(luò)流量的變化趨勢，從而促進網(wǎng)絡(luò)擁塞控制，幫助網(wǎng)絡(luò)資源分配，加強網(wǎng)絡(luò)攻擊防范，利于網(wǎng)絡(luò)故障管理。因此，網(wǎng)絡(luò)流量預測是日前網(wǎng)絡(luò)研究的熱點工作。

網(wǎng)絡(luò)流量是具有非線性的時間序列。由于網(wǎng)絡(luò)流量的采樣時段、間隔、單位等不同，不同網(wǎng)絡(luò)流量具有不同特征。基于神經(jīng)網(wǎng)絡(luò)的預測模型具有良好的非線性映射能力，目前已有許多神經(jīng)網(wǎng)絡(luò)模型在網(wǎng)絡(luò)流量預測中取得較好效果。但傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)預測模型訓練時容易出現(xiàn)過擬合、收斂慢等問題。回聲狀態(tài)網(wǎng)絡(luò)(Echo State Network，ESN)具有強大的非線性處理能力和短期記憶能力，在非線性時間序列預測中的表現(xiàn)優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，且其訓練過程簡單，已被應用于網(wǎng)絡(luò)流量預測領(lǐng)域。然而，不同網(wǎng)絡(luò)流量具有不同特征，現(xiàn)已提出的諸多ESN大多具有單一固定的儲備池，無法適應不同網(wǎng)絡(luò)流量的特征。

發(fā)明內(nèi)容

針對上述背景技術(shù)中提出的問題，本發(fā)明提出一種基于自適應儲備池ESN的網(wǎng)絡(luò)流量預測方法。該方法能夠自動學習網(wǎng)絡(luò)流量的特征，以提高預測性能為目標，自適應產(chǎn)生合適的儲備池。本發(fā)明可以提高網(wǎng)絡(luò)流量預測的準確率，可以在非線性時間序列預測中取得更好的預測效果。

本發(fā)明所述基于自適應儲備池ESN的網(wǎng)絡(luò)流量預測方法，包括如下步驟：

步驟1：采集網(wǎng)絡(luò)流量數(shù)據(jù)；

步驟2：構(gòu)造基于自適應儲備池ESN的網(wǎng)絡(luò)流量預測模型；

步驟3：使用采集到的網(wǎng)絡(luò)流量數(shù)據(jù)訓練步驟2構(gòu)造的基于自適應儲備池ESN的網(wǎng)絡(luò)流量預測模型；

步驟4：使用步驟3中訓練好的基于自適應儲備池ESN的網(wǎng)絡(luò)流量預測模型預測未來時刻網(wǎng)絡(luò)流量。

進一步地，所述步驟1采集網(wǎng)絡(luò)流量數(shù)據(jù)中，在規(guī)定的采樣時間內(nèi)，采集網(wǎng)絡(luò)流量數(shù)據(jù)集合Tr＝{tr(1)，tr(2)…，tr(t)…，tr(T)}，其中tr(t)為時刻t的網(wǎng)絡(luò)流量數(shù)據(jù)，T為采集的數(shù)據(jù)總數(shù)；

根據(jù)Tr來構(gòu)造訓練樣本集：

(U_train，Y_train)＝{(u_train(t)，y_train(t+1))}，t＝K，K+1，…，T-1

其中u_train(t)＝{tr(t-K+1)，tr(t-K+2)，…，tr(t)}，y_train(t+1)＝tr(t+1)，K為輸入窗口大小；

將(U_train，Y_train)劃分為兩部分，分別表示為：

(U_out，Y_out)＝{(u_out(t)，y_out(t+1))}，t＝K，K+1，…，T₁；