一种网络流特征值的预测方法技术

本发明专利技术公开一种网络流特征值的预测方法，包括，获取物联网网络中的网络流；提取所述网络流中的特征值，基于特征值得到时间序列；对所述时间序列进行检验；基于检验结果通过ARIMA模型或正态分布对时间序列进行预测，得到网络流特征值预测结果。到网络流特征值预测结果。到网络流特征值预测结果。

【技术实现步骤摘要】
一种网络流特征值的预测方法


[0001]本专利技术涉及物联网设备识别
，特别涉及一种网络流特征值的预测方法。

技术介绍

[0002]伴随着物联网生态系统发展，对物联网设备进行特征化与指纹识别成为了一种趋势。在指纹识别模型中，需要使用网络流特征向量来进行判断，但是特征向量只能通过完整的网络流提取，无法实时获取网络流的特征向量，从而无法对物联网设备进行正确识别。
[0003]为了保证物联网设备的准确识别，如何准确获得网络流的特征向量即网络流特征值是亟待解决的问题。

技术实现思路

[0004]为解决上述现有技术中所存在的问题，本专利技术提供一种网络流特征值的预测方法，能够准确获取网络流的特征向量。
[0005]为了实现上述技术目的，本专利技术提供了如下技术方案：一种网络流特征值的预测方法，包括：获取物联网网络中的网络流；提取所述网络流的特征值，基于特征值得到时间序列；对所述时间序列进行检验，检验判断所述时间序列是否充分随机；基于检验结果通过ARIMA模型或正态分布对时间序列进行预测，得到网络流特征值预测结果。
[0006]可选的，所述物联网网络中的网络流中包括少于网络流实际数据包数量的数据包，即所述网络流为一条不完整的网络流。
[0007]可选的，对所述时间序列的随机性进行检验后，所述时间序列不是充分随机的，则通过ARIMA模型对所述时间序列进行预测，若所述时间序列是充分随机的，则通过正态分布对所述时间序列进行预测。
[0008]可选的，对所述时间序列进行检验的具体过程包括：构建并初始化滞后值，并对滞后值进行迭代更新，直到滞后值达到预设条件时停止更新；基于停止更新后的滞后值，对所述时间序列进行显著性分析，得到统计量；对所述统计量进行阈值判断，当所述统计量小于预设阈值时，则时间序列为充分随机的，否则时间序列不是充分随机的。
[0009]可选的，所述预设条件为：
[0010]其中，为滞后值，为向下取整函数，为网络流数据包的数量。
[0011]可选的，通过ARIMA模型对时间序列进行预测的过程包括：构建ARIMA模型，将所述特征时间序列输入到ARIMA模型中进行参数拟合，得到模
型参数，将模型参数代入更新ARIMA模型，将所述特征值序号t输入至更新后的ARIMA模型中，得到预测特征值即网络流特征值预测结果：
[0012]其中ARIMA模型为：
[0013]其中，为自回归模型的阶数，D为差分度，为移动平均模型的阶数，为固定滞后算子，为第i个滞后算子，是自回归模型的参数，为移动平均模型的参数，是误差项，是常数项。
[0014]可选的，通过正态分布对时间序列进行预测的过程包括：计算时间序列中的特征值的均值；计算时间序列中的特征值的方差；基于所述均值及方差，得到预测特征值即网络流特征值预测结果：
[0015]其中，为从给定的均值、方差构成的正态分布中，返回一个抽取的随机样本。
[0016]本专利技术具有如下技术效果：本专利技术通过对传输中的网络流进行时间序列分析，判断其是否为充分随机，如果为不充分随机，则使用ARIMA模型对其进行预测；如果为充分随机，则使用正态分布对其进行预测，能够准确有效预测网络流的特征向量，从而更好地进行其他工作。
附图说明
[0017]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0018]图1为本专利技术实施例提供的方法流程示意图。
具体实施方式
[0019]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0020]如图1所述，本专利技术提供了一种网络流特征值的预测方法，本专利技术通过捕捉物联网网络中传输的网络流，提取网络流特征值及其时间序列，根据特征值时间序列随机程度来选择预测方法，不充分随机则选择ARIMA模型，充分随机则选择正态分布，从而得到预测的网络流特征值，以进行下一步工作的开展。
[0021]整体流程步骤：S1.捕捉网络流，得到一条不完整的网络流；S2.提取特征值及其时间序列；S3.判断时间序列是否为充分随机；S4.不充分随机，使用ARIMA模型进行预测；S5.充分随机，使用正态分布进行预测。
[0022]具体步骤：S1 对物联网网络中传输的某一条网络流进行捕捉，捕捉的网络流记为为第个数据包，其中，为流实际上的包数量，共捕捉到个包，为实际上的包数量与捕捉到的包数量的差值，即捕捉得到的是一条不完整的网络流S2 提取特征值及其时间序列S21 提取捕捉的网络流中各个包的特征向量，即特征值，并存储到中，表达式如下：
[0023]其中，为特征值的数量，由选取的特征值决定；为不同的提取特征值函数，共提取次S22 根据提取的特征值，计算对应特征值的时间序列，记为
[0024]说明：以数据包到达的平均时间为例，，以此类推可以得到各个特征值的时间序列。
[0025]S3 检测特征值时间序列是否为充分随机，使用Ljung
‑
Box检验时间序列的随机性；S31 初始化随机性标签变量
[0026]其中，当时，说明时间序列不是充分随机的，使用ARIMA模型进行预测；当时，说明时间序列是充分随机的，使用正态分布进行预测S32 进行遍历，从开始，步长为1，直至停止；其中，为求出参数中的最小值，为向下取整函数；S321 计算假定值，用于判断时间序列是否充分随机，计算公式如下：
[0027]其中，是流特征值时间序列的大小，是滞后k处的自相关，为测试中的滞后
值。
[0028]S33 将假定值与经验值0.05进行比较：说明：经验值可以自行设定，本专利技术设定为0.05S331 若，令
[0029]S332 若，不进行操作S34 将与进行比较：当时，说明时间序列不是充分随机的，使用ARIMA模型预测未来特征值，当时，说明时间序列是充分随机的，使用正态分布预测未来特征值。
[0030]S4 若，时间序列不是充分随机的，使用ARIMA模型预测未来特征值；S41 建立ARIMA模型，预测特征值的公式如下：
[0031]其中，为自回归模型的阶数，D为差分度，为移动平均模型的阶数，为第i个滞后算子，为固定滞后算子，是自回归模型的第i个参数，为移动平均模型的第i个参数，是误差项，是常数项，其中N为自回归模型/移动平均模型的参数数量。
[0032]说明：自回归模型：一种处理时间序列的方法，用同一变数例如的之前各期，亦即至来预测本期的表现，并假设它们为一线性关系；移动平均模型：时间序列当期值为随机误差项以及滞后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络流特征值的预测方法，其特征在于，包括：获取物联网网络中的网络流；提取所述网络流的特征值，基于特征值得到时间序列；对所述时间序列进行检验，检验判断所述时间序列是否充分随机；基于检验结果通过ARIMA模型或正态分布对时间序列进行预测，得到网络流特征值预测结果。2.根据权利要求1所述的预测方法，其特征在于：所述物联网网络中的网络流中包括少于网络流实际数据包数量的数据包，即所述网络流为一条不完整的网络流。3.根据权利要求1所述的预测方法，其特征在于：对所述时间序列的随机性进行检验后，所述时间序列不是充分随机的，则通过ARIMA模型对所述时间序列进行预测，若所述时间序列是充分随机的，则通过正态分布对所述时间序列进行预测。4.根据权利要求1所述的预测方法，其特征在于：对所述时间序列进行检验的具体过程包括：构建并初始化滞后值，并对滞后值进行迭代更新，直到滞后值达到预设条件时停止更新；基于停止更新后的滞后值，对所述时间序列进行显著性分析，得到统计量；对所述统计量进行阈值判断，当所述统计量小于预设阈值时，则时间序列为充分随机...

【专利技术属性】
技术研发人员：姜达成，谭帅帅，刘文印，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：