摘要：針對(duì)現(xiàn)行方法在網(wǎng)絡(luò)流量快速預(yù)測(cè)中應(yīng)用存在預(yù)測(cè)誤差較高的問(wèn)題，文章提出基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量快速預(yù)測(cè)方法。該方法利用相空間對(duì)收集的網(wǎng)絡(luò)流量時(shí)間序列數(shù)據(jù)進(jìn)行重構(gòu)，描述網(wǎng)絡(luò)流量數(shù)據(jù)非線性結(jié)構(gòu)；利用維度變換函數(shù)將網(wǎng)絡(luò)流量數(shù)據(jù)轉(zhuǎn)換為二維數(shù)據(jù)并通過(guò)提取數(shù)據(jù)自相似性特征，提取網(wǎng)絡(luò)流量自相似性數(shù)據(jù)；利用深度學(xué)習(xí)對(duì)網(wǎng)絡(luò)流量時(shí)間特征提取并通過(guò)特征融合預(yù)測(cè)未來(lái)時(shí)間點(diǎn)網(wǎng)絡(luò)流量，實(shí)現(xiàn)基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量快速預(yù)測(cè)。實(shí)驗(yàn)證明，設(shè)計(jì)方法在網(wǎng)絡(luò)流量快速預(yù)測(cè)場(chǎng)景中RMSE不超過(guò)0.01，MAE不超過(guò)0.1，可以實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)流量的精準(zhǔn)快速預(yù)測(cè)。

關(guān)鍵詞：深度學(xué)習(xí)；網(wǎng)絡(luò)流量；預(yù)測(cè)；相空間；維度變換函數(shù)；自相似性

中圖分類(lèi)號(hào)：TP393.07

文獻(xiàn)標(biāo)志碼：A

0 引言

隨著信息技術(shù)的飛速發(fā)展和互聯(lián)網(wǎng)的普及，網(wǎng)絡(luò)流量已成為衡量網(wǎng)絡(luò)性能、優(yōu)化網(wǎng)絡(luò)資源配置及確保網(wǎng)絡(luò)安全的關(guān)鍵因素之一。尤其是在5G、邊緣計(jì)算、網(wǎng)絡(luò)功能虛擬化（Network Functions Virtualization，NFV）等新興技術(shù)的推動(dòng)下，網(wǎng)絡(luò)流量的復(fù)雜性和動(dòng)態(tài)性顯著增加，給網(wǎng)絡(luò)管理和優(yōu)化帶來(lái)了前所未有的挑戰(zhàn)。因此，如何快速、準(zhǔn)確地預(yù)測(cè)網(wǎng)絡(luò)流量成了一個(gè)亟待解決的重要問(wèn)題。網(wǎng)絡(luò)流量預(yù)測(cè)是指根據(jù)歷史網(wǎng)絡(luò)流量數(shù)據(jù)，利用一定的數(shù)學(xué)模型或算法，預(yù)測(cè)未來(lái)網(wǎng)絡(luò)流量的大小和趨勢(shì)。這項(xiàng)技術(shù)在網(wǎng)絡(luò)規(guī)劃、運(yùn)營(yíng)和管理中具有重要意義。通過(guò)預(yù)測(cè)網(wǎng)絡(luò)流量，網(wǎng)絡(luò)管理員可以更有效地分配網(wǎng)絡(luò)資源，避免資源浪費(fèi)和擁塞，提高網(wǎng)絡(luò)性能和可靠性。近幾年，相關(guān)學(xué)者與專(zhuān)家針對(duì)網(wǎng)絡(luò)流量預(yù)測(cè)問(wèn)題展開(kāi)了一系列研究并取得了一定的研究成果。

黃冬妹等^［1］提出了基于時(shí)空特征交叉融合的預(yù)測(cè)方法，綜合分析網(wǎng)絡(luò)流量變化時(shí)間特征、空間特征，預(yù)測(cè)網(wǎng)絡(luò)流量。田愛(ài)寶等^［2］提出了基于Transformer的預(yù)測(cè)方法，利用Transformer模型的序列建模能力，處理網(wǎng)絡(luò)流量的時(shí)間和空間特征，預(yù)測(cè)未來(lái)網(wǎng)絡(luò)流量的變化趨勢(shì)。傳統(tǒng)方法在處理線性關(guān)系和簡(jiǎn)單數(shù)據(jù)模式時(shí)表現(xiàn)良好，但在面對(duì)復(fù)雜多變的網(wǎng)絡(luò)流量數(shù)據(jù)時(shí)，難以有效處理數(shù)據(jù)中的非線性關(guān)系，導(dǎo)致預(yù)測(cè)結(jié)果不夠準(zhǔn)確。為此，本文提出基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量快速預(yù)測(cè)方法。

1 網(wǎng)絡(luò)流量相空間重構(gòu)

網(wǎng)絡(luò)流量的動(dòng)態(tài)變化具有混沌特性，這一特性使得它成為一種復(fù)雜而多變的時(shí)間序列數(shù)據(jù)類(lèi)型。為了準(zhǔn)確捕捉并預(yù)測(cè)這種時(shí)間序列中的潛在規(guī)律與未來(lái)趨勢(shì)，本文引入相空間重構(gòu)技術(shù)，揭示數(shù)據(jù)背后的非線性結(jié)構(gòu)。假設(shè)收集的一組服務(wù)器網(wǎng)絡(luò)流量時(shí)間序列數(shù)據(jù)為X，為了重構(gòu)這一序列，構(gòu)建一個(gè)相空間，其中的每個(gè)點(diǎn)由原始序列中相隔γ時(shí)間單位的m個(gè)連續(xù)值構(gòu)成，對(duì)收集的服務(wù)器網(wǎng)絡(luò)流量時(shí)間序列重構(gòu)，公式表示為：

式中，X表示相空間重構(gòu)的服務(wù)器網(wǎng)絡(luò)流量；m表示數(shù)據(jù)嵌入維數(shù)；γ表示延遲變量；n表示服務(wù)器網(wǎng)絡(luò)流量時(shí)間序列長(zhǎng)度。在選定合適的嵌入維數(shù)和延遲變量采用C-C算法，通過(guò)遍歷不同的嵌入維數(shù)和延遲變量，計(jì)算一系列統(tǒng)計(jì)量來(lái)評(píng)估各組合的優(yōu)劣。其中，嵌入維數(shù)m從1開(kāi)始遞增至某一預(yù)設(shè)的上限，而延遲變量則在一系列候選值中選取，引入一個(gè)基于時(shí)間序列標(biāo)準(zhǔn)差，用于定義局部鄰域的大小，進(jìn)而計(jì)算平均統(tǒng)計(jì)量和差值統(tǒng)計(jì)量，公式表示為：

式中，S表示平均統(tǒng)計(jì)量；S表示關(guān)聯(lián)積分；ΔS表示差值統(tǒng)計(jì)量^［3］。根據(jù)平均統(tǒng)計(jì)量和差值統(tǒng)計(jì)量綜合評(píng)分給定嵌入維數(shù)和延遲變量下相空間，用公式表示為：

s=S+ΔS（4）

式中，s表示給定嵌入維數(shù)和延遲變量下相空間綜合得分，利用s的局部極小值，確定一個(gè)最佳嵌入窗，該窗口大小與嵌入維數(shù)和延遲變量存在線性關(guān)系，用公式表示為：

s_min=γ（m-1）（5）

式中，s_min表示s的局部極小值^［4］。利用以上公式反推出最佳的嵌入維數(shù)和延遲變量值，將其代入公式（1），實(shí)現(xiàn)對(duì)所有網(wǎng)絡(luò)流量相空間重構(gòu)。

2 數(shù)據(jù)維度轉(zhuǎn)化及自相似性數(shù)據(jù)提取

考慮到經(jīng)過(guò)相空間重構(gòu)的數(shù)據(jù)為三維數(shù)據(jù)，而后續(xù)基于深度學(xué)習(xí)的流量變化特征提取單詞輸入數(shù)據(jù)為二維數(shù)據(jù)，因此對(duì)數(shù)據(jù)維度轉(zhuǎn)換，用公式表示為：

V=Reshape［X］（6）

式中，V表示轉(zhuǎn)換后的網(wǎng)絡(luò)流量時(shí)間序列數(shù)據(jù)；Reshape表示維度變換函數(shù)^［5］。網(wǎng)絡(luò)流量預(yù)測(cè)，本質(zhì)在于將網(wǎng)絡(luò)流量的動(dòng)態(tài)變化視為一個(gè)隨時(shí)間演進(jìn)的數(shù)據(jù)序列，因此將網(wǎng)絡(luò)流量特征在時(shí)間的維度上嵌入圖結(jié)構(gòu)，同時(shí)保持原始圖的空間布局不變^［6］。這種表示方式下，每一個(gè)特征節(jié)點(diǎn)映射網(wǎng)絡(luò)中不同頂點(diǎn)在特定時(shí)刻的流量交換強(qiáng)度，從而構(gòu)建出網(wǎng)絡(luò)流量數(shù)據(jù)圖譜。在限定的時(shí)間窗口內(nèi)，即t個(gè)連續(xù)的時(shí)間步中，利用Zt來(lái)表示這一時(shí)間段內(nèi)圖信號(hào)的頂點(diǎn)集合^［7］?；谶@一集合，當(dāng)給定k個(gè)歷史流量數(shù)據(jù)記錄時(shí)，目標(biāo)是預(yù)測(cè)未來(lái)b個(gè)時(shí)間點(diǎn)的流量狀況，具體表達(dá)為（Zt+1），…，（Zt+b）的預(yù)測(cè)值。為了保證預(yù)測(cè)精度，提取到（Zt+1）～（Zt+b）時(shí)間段內(nèi)流量數(shù)據(jù)的自相似性特征，將其在圖結(jié)構(gòu)的拓?fù)淇蚣軆?nèi)進(jìn)行映射和表示，形成“自相似模式圖譜”，根據(jù)其自相似性剔除原始數(shù)據(jù)中的冗余數(shù)據(jù)，提取自相似性數(shù)據(jù)，用公式表示為：

Zt+1，…，Zt+b=arg（（Zt+1）V，…，（Zt+b）V）（7）

式中，Zt+1，…，Zt+b表示網(wǎng)絡(luò)流量時(shí)間序列數(shù)據(jù)集中的自相似性數(shù)據(jù)，將其用g表示，作為深度學(xué)習(xí)輸入向量。

3 基于深度學(xué)習(xí)的流量特征提取及預(yù)測(cè)

在流量預(yù)測(cè)任務(wù)中，捕捉并解析空間特征是提升預(yù)測(cè)精度的關(guān)鍵一環(huán)。本文創(chuàng)新性地將服務(wù)器網(wǎng)絡(luò)映射為圖結(jié)構(gòu)，通過(guò)深度學(xué)習(xí)技術(shù)深度挖掘網(wǎng)絡(luò)流量中的空間依賴(lài)關(guān)系，進(jìn)而在錯(cuò)綜復(fù)雜的網(wǎng)絡(luò)架構(gòu)中實(shí)現(xiàn)流量預(yù)測(cè)。因此，在以上基礎(chǔ)上，本文將提取的自相似性數(shù)據(jù)作為深度學(xué)習(xí)網(wǎng)絡(luò)輸入數(shù)據(jù)，深度學(xué)習(xí)以其強(qiáng)大的多層非線性映射能力，使用多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)組合低層特征形成更加抽象的高層表示屬性類(lèi)別或特征，自動(dòng)從高維、非線性的網(wǎng)絡(luò)流量數(shù)據(jù)中提取深層次特征。在此次研究中，圖信號(hào)矩陣作為節(jié)點(diǎn)特征的載體，通過(guò)多層神經(jīng)網(wǎng)絡(luò)進(jìn)行圖卷積操作，實(shí)現(xiàn)節(jié)點(diǎn)間復(fù)雜交互模式的捕捉，公式表示為：

u=U_f.g⊙U_p，g（8）

式中，u表示深度學(xué)習(xí)網(wǎng)絡(luò)卷積運(yùn)算輸出網(wǎng)絡(luò)流量特征向量；U_f.g表示網(wǎng)絡(luò)流量時(shí)間序列圖信號(hào)矩陣行節(jié)點(diǎn)信號(hào)；U_p，g表示網(wǎng)絡(luò)流量時(shí)間序列圖信號(hào)矩陣列節(jié)點(diǎn)信號(hào)；⊙表示卷積運(yùn)算算子^［8］。將提取到的特征向量通過(guò)深度學(xué)習(xí)網(wǎng)絡(luò)中的池化操作，對(duì)特征進(jìn)行降維，公式表示為：

e=∑ε=1υT（u）（9）

式中，e表示池化操作后輸出的網(wǎng)絡(luò)流量特征；ε表示卷積核數(shù)量；υ表示深度學(xué)習(xí)網(wǎng)絡(luò)學(xué)習(xí)系數(shù)；T表示深度學(xué)習(xí)網(wǎng)絡(luò)學(xué)習(xí)周期^［9］。為了優(yōu)化預(yù)測(cè)性能，集成自編碼模塊與多層注意力機(jī)制，自編碼模塊通過(guò)無(wú)監(jiān)督學(xué)習(xí)的方式，提取并壓縮網(wǎng)絡(luò)流量數(shù)據(jù)中的關(guān)鍵信息，同時(shí)減少噪聲干擾^［10］。而多層注意力模塊的引入，在全局空間范圍內(nèi)捕捉復(fù)雜的序列相關(guān)性，特別是通過(guò)全局注意力機(jī)制，跨區(qū)域預(yù)測(cè)隱藏時(shí)間序列，公式表示為：

ζ=u×ψ×χ+u（10）

式中，ζ表示深度學(xué)習(xí)網(wǎng)絡(luò)通道注意力模塊輸出的網(wǎng)絡(luò)流量隱藏時(shí)間特征；ψ表示通道注意力矩陣；χ表示自編碼矩陣。通道注意力模塊將提取的網(wǎng)絡(luò)流量隱藏時(shí)間特征輸入輸出層，在輸出層對(duì)所有網(wǎng)絡(luò)流量隱藏時(shí)間特征融合，預(yù)測(cè)出未來(lái)某一時(shí)間網(wǎng)絡(luò)流量，公式表示為：

h（t+1）=q［Wu（t-1）u（t）+b］（11）

式中，h（t+1）表示下一時(shí)刻服務(wù)器網(wǎng)絡(luò)流量值；q表示服務(wù)器網(wǎng)絡(luò)流量時(shí)間特征相關(guān)性系數(shù)；W表示深度學(xué)習(xí)網(wǎng)絡(luò)輸出層連接權(quán)重；b表示偏置項(xiàng)。通過(guò)以上公式計(jì)算預(yù)測(cè)到網(wǎng)絡(luò)流量，以此實(shí)現(xiàn)基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量快速預(yù)測(cè)。

4 實(shí)驗(yàn)論證

4.1 實(shí)驗(yàn)指標(biāo)及環(huán)境

通過(guò)對(duì)比實(shí)驗(yàn)驗(yàn)證本文提出的基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量快速預(yù)測(cè)方法的性能，將本文方法與黃冬妹等^［1］提出的基于時(shí)空特征交叉融合方法和田愛(ài)寶等^［2］提出的基于Transformer的方法對(duì)比，對(duì)比指標(biāo)選擇RMSE和MAE，分別表示預(yù)測(cè)均方根誤差和平均絕對(duì)誤差，可用以下公式計(jì)算。

RMSE=1n∑j=1|x_j-x_0，j|²（12）

MAE=1n∑j=1|x_j-x_0，j|（13）

式中，RMSE表示預(yù)測(cè)均方根誤差；MAE表示預(yù)測(cè)平均絕對(duì)誤差；n表示預(yù)測(cè)樣本數(shù)量；x_j表示預(yù)測(cè)的第j個(gè)網(wǎng)絡(luò)流量值；x_0，j表示實(shí)際值與預(yù)測(cè)值之間的偏差。均方根誤差和平均絕對(duì)誤差越小，則表示預(yù)測(cè)精度越高。基于以上實(shí)驗(yàn)設(shè)計(jì)，搭建實(shí)驗(yàn)環(huán)境：采用Inter Core i8 CPU，操作系統(tǒng)采用WindowsXP10，預(yù)測(cè)程序采用Python3.6.1版本編程語(yǔ)言編程。實(shí)驗(yàn)中深度學(xué)習(xí)框架采用Tensor Flow1.25，學(xué)習(xí)率設(shè)置為0.01，批次大小設(shè)置為256，迭代次數(shù)設(shè)置為200次。實(shí)驗(yàn)數(shù)據(jù)來(lái)源于8個(gè)服務(wù)器網(wǎng)絡(luò)2020—2021年流量數(shù)據(jù)庫(kù)，按照以上對(duì)數(shù)據(jù)處理和分析，預(yù)測(cè)未來(lái)2～16天網(wǎng)絡(luò)流量，記錄預(yù)測(cè)值和實(shí)際流量值。

4.2 實(shí)驗(yàn)結(jié)果與討論

通過(guò)計(jì)算得到網(wǎng)絡(luò)流量預(yù)測(cè)RMSE和MAE，如表1—2所示。

如表1—2所示，本文設(shè)計(jì)方法RMSE不超過(guò)0.01，MAE不超過(guò)0.1，基于時(shí)空特征交叉融合的方法RMSE在0.1以上，MAE在0.2以上，而基于Transformer的方法RMSE在0.08以上，MAE在0.1以上，無(wú)論是均方根誤差還是平均絕對(duì)誤差本文設(shè)計(jì)方法均表現(xiàn)最佳。因此，實(shí)驗(yàn)證明，本文設(shè)計(jì)方法可以實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)流量的精準(zhǔn)預(yù)測(cè)，具有良好的適用性與可行性。

5 結(jié)語(yǔ)

深度學(xué)習(xí)技術(shù)以其強(qiáng)大的數(shù)據(jù)處理能力和模型泛化能力，為網(wǎng)絡(luò)流量預(yù)測(cè)領(lǐng)域帶來(lái)了革命性的變革。本文通過(guò)構(gòu)建復(fù)雜而精細(xì)的神經(jīng)網(wǎng)絡(luò)模型，成功地捕捉了網(wǎng)絡(luò)流量數(shù)據(jù)中的時(shí)空特征、動(dòng)態(tài)變化以及潛在模式，實(shí)現(xiàn)了對(duì)未來(lái)流量趨勢(shì)的快速而準(zhǔn)確的預(yù)測(cè)。這不僅為網(wǎng)絡(luò)運(yùn)營(yíng)商提供了有力的決策支持，還促進(jìn)了網(wǎng)絡(luò)資源的優(yōu)化配置和高效利用。展望未來(lái)，隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展和完善，相信基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量預(yù)測(cè)方法將在保障網(wǎng)絡(luò)安全、提升用戶(hù)體驗(yàn)、推動(dòng)數(shù)字化轉(zhuǎn)型等方面發(fā)揮更加重要的作用。

參考文獻(xiàn)

［1］黃冬妹，寧芊.基于時(shí)空特征交叉融合的網(wǎng)絡(luò)流量預(yù)測(cè)［J］.現(xiàn)代計(jì)算機(jī)，2024（8）：95-99.

［2］田愛(ài)寶，魏嬌嬌，肖軍弼.基于Transformer的網(wǎng)絡(luò)流量預(yù)測(cè)研究［J］.信息技術(shù)，2024（4）：156-160.

［3］高勇，陸錢(qián)春，李鋒.面向IP網(wǎng)絡(luò)擴(kuò)容應(yīng)用的復(fù)雜網(wǎng)絡(luò)流量預(yù)測(cè)方法［J］.電信科學(xué)，2023（9）：21-31.

［4］陸勤政，朱曉娟.基于并行多尺度卷積記憶殘差網(wǎng)絡(luò)的物聯(lián)網(wǎng)流量預(yù)測(cè)［J］.廊坊師范學(xué)院學(xué)報(bào)（自然科學(xué)版），2024（1）：33-41.

［5］蔣東浩，趙洪華，王真.基于EWT和NeuralProphet-MLP的蜂窩網(wǎng)絡(luò)流量長(zhǎng)期預(yù)測(cè)方法［J］.現(xiàn)代信息科技，2024（6）：52-57.

［6］馬攀.基于ResNet-LSTM組合模型的網(wǎng)絡(luò)流量預(yù)測(cè)研究［J］.蘭州文理學(xué)院學(xué)報(bào)（自然科學(xué)版），2024（2）：45-50.

［7］劉洋，廉咪咪.基于深度學(xué)習(xí)的移動(dòng)通信網(wǎng)絡(luò)流量預(yù)測(cè)方法研究［J］.長(zhǎng)江信息通信，2024（2）：90-92.

［8］劉思曉，周明，鄭富中，等.一種融合多源動(dòng)態(tài)時(shí)空特征的戰(zhàn)術(shù)互聯(lián)網(wǎng)流量預(yù)測(cè)模型［J］.指揮控制與仿真，2024（1）：138-146.

［9］何迎利，胡光宇，張浩，等.基于局部信息增強(qiáng)注意力機(jī)制的網(wǎng)絡(luò)流量預(yù)測(cè)［J］.科學(xué)技術(shù)與工程，2023（30）：13014-13022.

［10］聶宏新，馮傳奮，任帥.基于PSO-LSTM優(yōu)化模型的網(wǎng)絡(luò)流量預(yù)測(cè)研究［J］.電信工程技術(shù)與標(biāo)準(zhǔn)化，2023（10）：18-21.

（編輯 王雪芬）

Fast prediction method of network traffic based on deep learning

XU Yingchen

（Zhejiang ShineMo Technology Co.， Ltd.， Hangzhou 310013， China）

Abstract：In view of the problem of high prediction error in the current method of fast network traffic prediction， a fast network traffic prediction method based on deep learning is proposed. Using phase space to collect network traffic time series data reconstruction， describe the network traffic data non-linear structure， using the dimensional transformation function of network traffic data into two-dimensional data， and extract the data from the similarity data， using deep learning of network traffic time feature extraction， and through the feature fusion， network traffic prediction future network traffic fast prediction based on deep learning. The experiment proves that the design method can achieve RMSE of 0.01 and MAE of 0.1 in the network traffic fast prediction scenario， which can achieve accurate and fast prediction of network traffic.

Key words：deep learning; network traffic; prediction; phase space; dimension transformation function; self-similarity