[發明專利]網絡流量預測方法、裝置、計算機設備及可讀存儲介質

有效

• 申請號: 202010126560.7
• 申請日: 2020-02-28
• 公開（公告）號: CN110995520B
• 公開（公告）日: 2020-06-30
• 發明（設計）人: 王劍;杜軍;王景璟;任勇
• 申請（專利權）人: 清華大學
• 主分類號: H04L12/24
• 分類號: H04L12/24;G06K9/62;G06N3/04
• 代理公司: 北京華進京聯知識產權代理有限公司 11606
• 代理人: 喬改利

1.一種網絡流量預測方法，其特征在于，所述方法適用于互聯網領域中的靜態網絡、非異構網絡以及時變異構網絡中，所述方法包括：

采用兩個目標圖卷積網絡模型分別對待處理網絡數據進行圖卷積，得到圖卷積結果；其中，所述待處理網絡數據為互聯網網絡中的待處理數據，所述圖卷積指對網絡節點與整體互聯網網絡結構進行關聯的過程；

采用目標長短期記憶人工神經網絡模型，對所述圖卷積結果進行時間序列特征提取，得到所述網絡節點的第一流量預測數據；其中，所述圖卷積結果包括網絡拓撲特征；

采用目標卷積神經網絡模型，對所述圖卷積結果進行網絡空間特征提取，得到所述網絡節點的第二流量預測數據；其中，一個目標圖卷積網絡模型與所述目標長短期記憶人工神經網絡模型級聯組成一個網絡模型支路，另一個目標圖卷積網絡模型與所述目標卷積神經網絡模型級聯組成另一個網絡模型支路，兩個網絡模型支路之間是并聯關系；

采用目標特征融合網絡模型，對所述第一流量預測數據和所述第二流量預測數據進行特征融合處理，得到所述網絡節點的目標流量預測數據。

2.根據權利要求1所述的方法，其特征在于，所述采用目標圖卷積網絡模型對待處理網絡數據進行圖卷積，得到圖卷積結果，包括：對所述待處理網絡數據進行數據關聯特征提取，得到網絡拓撲特征。

3.根據權利要求2所述的方法，其特征在于，所述對所述待處理網絡數據進行數據關聯特征提取，包括：

對所述待處理網絡數據進行線性加權運算，得到數據關聯特征；

利用激活函數對所述數據關聯特征進行激活運算，得到隱藏層輸出；

繼續執行所述對所述待處理網絡數據進行線性加權運算，直到得到所述網絡拓撲特征。

4.根據權利要求1所述的方法，其特征在于，所述網絡數據包括網絡中所述網絡節點的流量特征、業務特征、延時特征、丟包率特征以及業務特征數據。

5.根據權利要求4所述的方法，其特征在于，所述目標圖卷積網絡模型使用的激活函數為ReLu激活函數。

6.根據權利要求5所述的方法，其特征在于，所述網絡拓撲特征包括當前時刻與歷史時間段內當前網絡節點的網絡節點特征，以及所述當前時刻整體網絡內所有網絡節點的網絡節點特征。

7.根據權利要求1所述的方法，其特征在于，所述方法還包括：

對初始網絡數據進行預處理，得到所述待處理網絡數據。

8.一種網絡流量預測裝置，其特征在于，所述裝置適用于互聯網領域中的靜態網絡、非異構網絡以及時變異構網絡中，所述裝置包括：

圖卷積模塊，用于采用兩個目標圖卷積網絡模型分別對待處理網絡數據進行圖卷積，得到圖卷積結果；其中，所述待處理網絡數據為互聯網網絡中的待處理數據，所述圖卷積指對網絡節點與整體互聯網網絡結構進行關聯的過程；

特征提取模塊，用于采用目標長短期記憶人工神經網絡模型，對所述圖卷積結果進行時間序列特征提取，得到所述網絡節點的第一流量預測數據，并采用目標卷積神經網絡模型，對所述圖卷積結果進行網絡空間特征提取，得到所述網絡節點的第二流量預測數據；其中，所述圖卷積結果包括網絡拓撲特征，一個目標圖卷積網絡模型與所述目標長短期記憶人工神經網絡模型級聯組成一個網絡模型支路，另一個目標圖卷積網絡模型與所述目標卷積神經網絡模型級聯組成另一個網絡模型支路，兩個網絡模型支路之間是并聯關系；

特征融合模塊，用于采用目標特征融合網絡模型，對所述第一流量預測數據和所述第二流量預測數據進行特征融合處理，得到所述網絡節點的目標流量預測數據。

9.一種計算機設備，包括存儲器、處理器，所述存儲器上存儲有可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至7中任一項所述方法的步驟。

10.一種可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述方法的步驟。