一种基于GNN-LSTM结合的网络流量预测方法技术

本发明专利技术提出一种基于GNN

【技术实现步骤摘要】
一种基于GNN
‑
LSTM结合的网络流量预测方法


[0001]本专利技术公开了一种基于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。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]针对所要解决的技术问题是克服现有技术的不足，本专利技术提供一种基于GNN
‑
LSTM结合的网络流量预测模型，该模型首先采用图神经网络（GNN）来学习通信节点的网络拓扑结构，提取到网络通信区域的网络流量的空域特征，然后将具有空域特征的数据作为长短期记忆神经网络（LSTM）单元的输入，学习在通信区域的时序变化规律，提取到网络流量的时域特征，最后通过测试集得到最终的预测结果，因此可以很好的提取学习到网络流量的时空特性，进而得到更好的预测结果。
[0006]根据本专利技术提出的一种基于GNN
‑
LSTM结合的网络流量预测方法，包括以下步骤：步骤1，数据预处理，对原始真实的网络流量数据集进行标准化、归一化处理，最后将归一化后的网络流量数据划分为90%训练数据集和10%测试数据集；步骤2，构建模型，构建基于图神经网络GNN和长短期记忆神经网络LSTM相结合的深度学习GNN
‑
LSTM模型，并对GNN
‑
LSTM模型初始化；该GNN
‑
LSTM模型包括图神经网络GNN模型、3层LSTM模型；步骤3，模型训练，将训练数据集输入所述基于GNN
‑
LSTM模型中，学习和挖掘网络流量的时域特征和空域特征，GNN来提取网络流量的空域特征，LSTM来学习提取网络流量的时域特征。然后用基于Adam优化算法进行迭代训练，得到训练好的GNN
‑
LSTM模型；步骤4，网络流量预测，将测试集输入训练好的GNN
‑
LSTM模型中，得到基于GNN
‑
LSTM模型预测网络流量值和真实网络流量值的结果图，并用评价指标来评估GNN
‑
LSTM模型。
[0007]进一步，所述步骤1包括的具体步骤如下：步骤1.1，加载网络流量数据集，将所述网络流量数据集存储在本地，所述网络流量数据集中包含有网络链路在采集的各个历史时刻的网络流量数据值；步骤1.2，计算网络流量数据集中的流量最大值和最小值；步骤1.3，对原始的网络流量数据进行标准化，即；其中，为原始网络流量数据，为网络流量数据的最大值，为网络流量数据的最小值，为标准化处理后的结果；步骤1.4，将数据集划分为90%训练集和10%测试集。
[0008]进一步，所述步骤2包括以下步骤：步骤2.1，构建图神经网络，模型输入的是网络流量数据节点之间的空间特征，包括一个顶点集v和顶点相关的边集u；步骤2.2，构建长短期记忆神经网络，该网络由若干层神经元组成，且每层神经元
个数为相关参数包括隐含神经元个数、批量预测的数据大小、神经网络层数、学习率、最大的迭代次数。
[0009]进一步，所述步骤3包括：使用Adam算法迭代优化方法对整体的网络损失L进行优化，其公式如下：其中表示预测流量值，表示真实的流量值；对损失函数进行优化，调整参数，得到最终的基于GNN
‑
LSTM网络流量预测模型。
[0010]进一步，所述步骤4中的评价指标包括：为了验证所述的基于GNN
‑
LSTM模型的网络流量预测方法的有效性，通过在训练集和测试集进行实验，对预测结果的平均绝对误差（MAE）、均方误差（MSE）和均方根误差（RMSE）作为该预测方法的评价指标。
[0011]因为采用了上述技术方案，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GNN
‑
LSTM结合的网络流量预测方法，其特征在于，包含以下步骤：步骤1，数据预处理，对原始真实的网络流量数据集进行标准化、归一化处理，最后将归一化后的网络流量数据划分为90%训练数据集和10%测试数据集；步骤2，构建模型，构建基于图神经网络GNN和长短期记忆神经网络LSTM相结合的深度学习GNN
‑
LSTM模型，并对GNN
‑
LSTM模型初始化；该GNN
‑
LSTM模型包括图神经网络GNN模型、3层LSTM模型；步骤3，模型训练，将训练数据集输入所述基于GNN
‑
LSTM模型中，学习和挖掘网络流量的时域特征和空域特征，GNN来提取网络流量的空域特征，LSTM来学习提取网络流量的时域特征，然后用基于Adam优化算法进行迭代训练，得到训练好的GNN
‑
LSTM模型；步骤4，网络流量预测，将测试集输入训练好的GNN
‑
LSTM模型中，得到基于GNN
‑
LSTM模型预测网络流量值和真实网络流量值的结果图，并用评价指标来评估GNN
‑
LSTM模型。2.根据权利要求1所述的一种基于GNN
‑
LSTM结合的网络流量预测方法，其特征在于，所述步骤1包括的具体步骤如下：步骤1.1，加载网络流量数据集，将所述网络流量数据集存储在本地，所述网络流量数据集中包含有网络链路在采集的各个历史时刻的网络流量数据值；步...

【专利技术属性】
技术研发人员：李纯锋，朱素霞，孙广路，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：