System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 基于图卷积神经网络的网络流量预测方法技术_技高网
当前位置: 首页 > 专利查询>辽宁大学专利>正文

基于图卷积神经网络的网络流量预测方法技术

技术编号:42427504 阅读:16 留言:0更新日期:2024-08-16 16:40
一种基于图卷积神经网络的流量预测方法,属于网络安全领域。该专利技术提出了一种基于图卷积神经网络的流量预测方法,利用空间时间图卷积网络进行网络流量预测。该方法在传统的图卷积神经网络基础上进行了改进,引入了注意力机制,并将全连接层替换为1×1卷积层,同时对时域卷积结果进行乘积操作。提高了网络流量预测的准确性和效率,使得该方法在网络流量预测领域具有潜在的应用前景。实验证明,所提出的模型在网络流量预测上准确度以及性能优于其他神经网络预测模型。本发明专利技术通过上述方法,可以整合网络流量数据、软件特征和系统拓扑等多种信息,提供更全面的网络流量预测能力。

【技术实现步骤摘要】

本专利技术涉及网络安全领域,是一种基于图卷积神经网络的网络流量预测方法


技术介绍

1、网络安全是当前信息化社会中至关重要的议题之一。随着计算机系统和网络的广泛应用和依赖程度不断增加,网络安全问题也变得日益复杂和严峻。未经授权的访问、攻击、数据泄露和损坏等威胁不断涌现,对个人、组织和社会造成了巨大的风险和损失。因此,构建一个安全可信的网络环境,保护用户隐私和数据的机密性、完整性和可用性,预防网络攻击和恶意行为,维护网络的稳定和可信性,成为当今社会亟需解决的问题。

2、在网络安全领域,网络流量预测是一项重要的任务。网络流量预测的主要目标是对网络流量进行分析和预测,以识别异常流量和潜在的安全事件。通过对网络流量数据进行建模和分析,可以发现异常的流量模式、异常的网络行为和潜在的攻击迹象。它可以帮助网络管理员和安全专家识别和应对各种网络安全威胁,包括网络攻击、恶意软件传播、数据泄露等。

3、网络流量预测涉及多种技术和方法。其中,基于统计方法的流量预测主要依赖于历史数据的趋势和模式,适用于相对稳定的流量环境。机器学习方法可以自动从数据中学习特征和模式,并适应不同的流量变化和威胁情境。深度学习方法通过建立深层神经网络模型,能够处理复杂的非线性关系和大规模的数据集,提高预测的准确性。在实际应用中,综合多种方法和技术可以提高预测的鲁棒性和准确性。可以采用集成学习方法,如融合多个模型的预测结果,或者将不同方法的输出进行加权组合。

4、随着人工智能技术的快速发展,其在网络流量预测和网络安全领域的应用也日益增多。工智能技术具有处理大规模数据、自动学习和适应性调整的能力,为网络流量预测和网络安全提供了新的解决方案和机会。在网络流量预测方面,人工智能技术能够处理复杂的数据模式和非线性关系,提高预测的准确性和效率。例如,深度学习方法可以通过建立深层神经网络模型,从海量的网络流量数据中提取隐藏的特征和模式,并进行准确的预测。这种技术在识别异常流量、网络攻击和数据泄露等方面具有很大潜力。人工智能技术的应用使得网络流量预测和网络安全能够更精确、全面地发现和应对威胁,提升网络安全的防御能力。


技术实现思路

1、本专利技术针对现有技术存在的网络流量不足的技术问题,提供了一种基于图卷积神经网络的网络流量预测方法。

2、本专利技术所采取的技术方案如下:基于图卷积神经网络的网络流量预测方法,其步骤为:

3、步骤1)收集网络流量数据,并进行数据准备和预处理,去除异常或缺失的数据,确保数据的完整性和准确性,并从原始的网络流量数据中提取有意义的特征,这可以包括统计特征、时序特征、频域特征等,以捕捉数据的关键特征;

4、根据收集到的网络流量数据进行预处理,将网络流量数据表示为图结构,其中节点表示网络中的设备或节点,边表示设备之间的连接或通信关系。使用邻接矩阵或邻接表等方式来表示图结构,构建时空图的拓扑结构;

5、将每个时刻的网络流量拓扑图看作一张无向图g=(v,e,a),其中,v为节点集,|v|=n为节点个数;e为边集,表示各设备之间的连通关系;a是图g的邻接矩阵,设图g中各设备节点的第f∈(1,…,f)个序列为网络流量序列,输入τ个时间段的特征表示为x=(x1,x2,...,xn)t、f为特征个数,对应的邻接矩阵a∈rn×n,通过时空卷积块连贯地探索空间和时间的依赖关系,输出为第i个节点后一时刻的预测值。

6、步骤2)构建处理数据的模型,模型包括:

7、2.1)时域卷积:

8、时间门控卷积层为一个一维卷积,卷积核的宽度为kt,门控线性单元为非线性激活函数;对于图g中的各节点,时间门控卷积层的输入序列长度为m,并且有ci个通道,记作采用stgcn中的因果卷积,卷积操作能够并行计算,时间门控卷积计算式为(1):

9、

10、其中,卷积核为p、q均是glu的门控输入,⊙表示哈达玛积;glu的门控将卷积输出结果等分为两部分,其中一部分由sigmoid函数激活,再与另一部分做哈达玛积,每个节点的时域卷积输出长度为m-kt+1的序列,记作

11、经过乘积操作后,执行归一化操作,得到最终的预测结果,公式如(2)所示:

12、

13、其中,rt表示当前卷积结果,pt表示当前预测结果,t表示当前时域卷积,n表示相邻多少个时间步;

14、2.2)空域卷积:

15、使用谱图方法将卷积操作推广至图结构数据,捕获数据的空间结构模式和特征,在谱图方法中,利用拉普拉斯矩阵将图结构转化为代数形式,通过分析拉普拉斯矩阵以及对应的特征值分析图的拓扑属性;

16、将图的拉普拉斯矩阵定义为l=d-a,其规范化形式为l=in-d-1/2ad-1/2;其中,a为邻接矩阵,in为单位矩阵,d为度矩阵,即dii=∑jaij;将图变换到谱域实现图上的卷积操作即为图卷积;采用的切比雪夫多项式近似展开求解拉普拉斯矩阵的特征值,图卷积操作为(3)所示:

17、

18、其中,θ*g为对参数矩阵g做的卷积,其卷积核定义为θ,切比雪夫多项式定义为k为切比雪夫多项式的阶数,将拉普拉斯矩阵l缩放至[-1,1],λmax是l的最大特征值,也称为谱半径,θi∈rk为切比雪夫多项式系数。采用切比雪夫多项式近似展开求解,提取每个节点的0~(k-1)阶邻居节点的信息,即更新该节点本身的特征信息;

19、2.3)自注意力机制:

20、将两次st-conv block处理后的特征向量序列输入到自注意力机制层中,计算得到每个时刻因子的信息,对于序列x通过引入自注意力机制对来自不同时刻不同维度的时空信息进行提取,将特征向量序列线性映射到三个不同的空间:

21、

22、

23、

24、其中,q=[q1,...,qn],k=[k1,...,kn],v=[v1,...,vn]分别是由查询向量、键向量和值向量构成的三个投影矩阵,如果使用缩放点积来作为注意力打分函数,输出向量序列为:dk是矩阵q和k中列向量的维度,kt表示矩阵转置,softmax表示softmax函数;

25、2.4)输出层:

26、根据时域卷积块的一维卷积,每经过一个时域卷积块数据在时间维度的长度将减小2(kt-1)。所以经过2个时域卷积块后,输出为输出层包括一个时域卷积层和一个1×1卷积层,时域卷积层的卷积核大小为m-4(kt-1),将输出映射至假设参数矩阵(f为特征个数),那么可以将参数矩阵ω分为多个kernel的卷积核,那么1×1卷积层可表示为则输出为其中conv2d表示1×1卷积操作,z是输入的特征图,ω是卷积层的权重矩阵b是偏置向量。模型采用损失函数l2,l2损失函数如式(7)所示:

27、

28、其中,wθ是所有可训练参数,是预测值,xt+1是真实值。

29、步骤3)在模型构建完成后,使用已标注的网络流量时空图数据作本文档来自技高网...

【技术保护点】

1.基于图卷积神经网络的网络流量预测方法,其步骤为:

2.根据权利要求1所述的一种基于图卷积神经网络的网络流量预测方法,其特征在于,所述的步骤1)中:

3.根据权利要求1所述的一种基于图卷积神经网络的网络流量预测方法,其特征在于,所述的步骤3)中:

【技术特征摘要】

1.基于图卷积神经网络的网络流量预测方法,其步骤为:

2.根据权利要求1所述的一种基于图卷积神经网络的网络流量预测方法,其特...

【专利技术属性】
技术研发人员:周翰逊周瑜珅王学智翟天云王妍邰莹莹
申请(专利权)人:辽宁大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1