【技术实现步骤摘要】
本申请涉及计算机网络和人工智能，具体涉及一种不规则周期性流量预测方法及装置。
技术介绍
1、网络流量预测(network traffic prediction，ntp)作为一种典型的流量监控管理手段，在拥塞控制、资源分配和异常检测等方面起着不可或缺的作用。传统的流量预测方法通过学习数据中的周期性规律，来拟合未来一定时间内的流量变化趋势，以便更准确地、确预测和规划网络或系统的资源分配和性能优化。近年来深度学习的发展极大地推动了网络流量序列分析的进步，研究者们提出了大量的深度时序模型来建模复杂的网络流量序列。当前的主流深度网络方法主要有基于长短期记忆(long short-term memory，lstm)网络的方法、基于深度卷积网络的方法和基于transformer网络的方法。
2、具体而言，长短期记忆(lstm)是一种改进的递归神经网络(recurrent neuralnetwork，rnn)，适用于处理和预测具有很长时间间隔和时间延迟的网络流量序列。然而，当存在不规则的异常值或突发事件时，lstm的记忆会被异常值引入的信息偏差所破坏或扰乱，所以该类方法对不规则周期性数据并不鲁棒。
3、卷积神经网络(convolutional neural networks，cnn)能够捕捉时序数据中的局部特征，从而使网络能更加有效的利用空间信息。因此，许多方法将一维卷积集成到lstm中以增强模型的局部空间特征提取能力。但是，卷积操作结合lstm无法很好地捕捉输入序列中的长程依赖关系，所以该类方法预测不规则周期性数据时仍
4、transformer是近年来在自然语言处理和其他序列建模任务中取得巨大成功的一种深度学习架构。作为一种基于多头自注意力机制(self-attention)的模型结构，彻底摆脱了传统序列模型(如lstm和gru)的顺序处理限制，能够并行处理整个序列，而不受序列长度的影响，从而更好的捕捉输入序列中的长程依赖关系。因此，transformer也被广泛的应用到流量预测任务。然而，由于流量数据往往都是小样本的数据集，transformer在小样本情况下无法很好地提取局部的周期性特征，所以该类方法在预测不规则周期性数据时在数据细节拟合上性能较差。
5、随着物联网(iot)、车联网(iov)和6g等新模式网络的广泛应用，网络流量的规模、异构性和复杂性正经历着迅猛的增长阶段。这种激增不仅使得网络流量数据变得规模庞大，且加剧了流量数据周期的不规则变化，从而提高了流量预测的难度。上述现有的预测方法往往难以有效应对这种多变性，导致其在面对不规则周期性流量数据时预测性能下降。
技术实现思路
1、本申请提供一种不规则周期性流量预测方法及装置，可以解决现有技术中存在的面对不规则周期性流量数据时预测性能下降的问题。
2、第一方面，本申请实施例提供一种不规则周期性流量预测方法，所述方法包括：
3、按不同时间尺度提取一维的多尺度的流量特征；
4、在各尺度内，将多尺度流量特征转变为多个周期性的二维流量矩阵，提取多周期的时间特征；所述多周期的时间特征包括各尺度内的多周期的时间特征以及跨尺度的多周期的时间特征；
5、将所述多尺度的流量特征和多周期的时间特征拼接，得到融合特征；
6、基于transformer的多特征融合模型，输入所述融合特征，输出预测的流量。
7、结合第一方面，在一种实施方式中，所述按不同时间尺度提取一维的多尺度的流量特征，包括：
8、按照不同的时间跨度设置时间尺度；
9、基于原始的网络流量序列并行提取各时间尺度的流量特征，得到多尺度的流量特征；所述提取方式包括截断方式或滑动窗口平均方式，各时间尺度的流量特征按照时间从后向前的顺序，选取对应时间尺度的流量数据。
10、结合第一方面，在一种实施方式中，在按不同时间尺度提取一维的多尺度的流量特征之前，还包括对原始的网络流量序列进行平稳化处理：
11、根据计算原始的网络流量序列的均值和标准差来调整原始的d网络流量序列，减少或消除原始的网络流量序列数据中的非平稳性；
12、所述输出预测的流量，是经过去平稳化后的流量数据，与原始的网络流量序列中数据的尺度和分布一致。
13、结合第一方面，在一种实施方式中，在原始的网络流量序列进行平稳化处理之后，通过位置编码、令牌嵌入以及时间嵌入后，实现数据由低维空间向高维空间的转换；所述时间嵌入是针对时间维度的固定嵌入，或者是直接利用时间相关的特征编码生成嵌入。
14、结合第一方面，在一种实施方式中，所述将多尺度的流量特征转变为多个周期性的二维流量矩阵，包括：
15、采用快速傅里叶变换fft提取网络流量序列各时间尺度上的周期性特征，通过分析流量序列的频率组成，提取k个振幅最大的重要周期，将一维的网络流量序列截取为k个周期性的二维流量矩阵，其中k为大于1的整数。
16、结合第一方面，在一种实施方式中，提取多周期的时间特征，包括：
17、将所述二维流量矩阵通过二维卷积inception网络，获得k个调整后的一维周期的时间特征；
18、通过基于fft振幅信息的注意力机制，获得各尺度内的多周期的时间特征；并且，通过跨尺度多周期注意力机制获得跨尺度的多周期的时间特征。
19、结合第一方面，在一种实施方式中，基于transformer的多特征融合模型，输入所述融合特征，输出预测的流量，包括：
20、将融合特征引入位置编码，使用基于transformer的多特征编码器学习融合特征的复杂模式和不规则动态变化，最后使用全连接层将高维度的融合特征映射到预测的流量。
21、结合第一方面，在一种实施方式中，将融合特征引入位置编码，包括：
22、获得拼接后融合特征的网络流量序列中各数据点的位置信息，
23、通过计算与各位置信息相关的正弦和余弦函数的值生成位置编码，直接加到融合特征上。
24、结合第一方面，在一种实施方式中，使用基于transformer的多特征编码器学习融合特征的复杂模式和不规则动态变化，包括：
25、多特征编码器采用多头注意力机制捕捉融合特征中的依赖性；
26、通过残差连接和归一化步骤后，通过前馈神经网络进一步提取和精炼融合特征。
27、第二方面，本申请实施例提供了一种基于上述不规则周期性流量预测方法的预测装置，所述预测装置包括：
28、特征提取模块，其包括多尺度时间块和多周期时间块，多尺度时间块用于按不同时间尺度提取一维的多尺度的流量特征；多周期时间块用于在各尺度内，将多尺度流量特征转变为多个周期性的二维流量矩阵，提取多周期的时间特征；所述多周期的时间特征包括各尺度内的多周期的时间特征以及跨尺度的多周期的时间特征；
29、拼接模块，其用于将所述多尺度的流量特征和多周期的本文档来自技高网...
【技术保护点】
1.一种不规则周期性流量预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的不规则周期性流量预测方法，其特征在于，所述按不同时间尺度提取一维的多尺度的流量特征，包括：
3.如权利要求2所述的不规则周期性流量预测方法，其特征在于，在按不同时间尺度提取一维的多尺度的流量特征之前，还包括对原始的网络流量序列进行平稳化处理：
4.如权利要求3所述的不规则周期性流量预测方法，其特征在于，在原始的网络流量序列进行平稳化处理之后，通过位置编码、令牌嵌入以及时间嵌入后，实现数据由低维空间向高维空间的转换；所述时间嵌入是针对时间维度的固定嵌入，或者是直接利用时间相关的特征编码生成嵌入。
5.如权利要求1所述的不规则周期性流量预测方法，其特征在于，所述将多尺度的流量特征转变为多个周期性的二维流量矩阵，包括：
6.如权利要求5所述的不规则周期性流量预测方法，其特征在于，提取多周期的时间特征，包括：
7.如权利要求1所述的不规则周期性流量预测方法，其特征在于，基于Transformer的多特征融合模型，输入所述融合特征，输出
8.如权利要求7所述的不规则周期性流量预测方法，其特征在于，将融合特征引入位置编码，包括：
9.如权利要求7所述的不规则周期性流量预测方法，其特征在于，使用基于Transformer的多特征编码器学习融合特征的复杂模式和不规则动态变化，包括：
10.一种基于权利要求1-9任一项所述的不规则周期性流量预测方法的预测装置，其特征在于，所述预测装置包括：
...【技术特征摘要】
1.一种不规则周期性流量预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的不规则周期性流量预测方法，其特征在于，所述按不同时间尺度提取一维的多尺度的流量特征，包括：
3.如权利要求2所述的不规则周期性流量预测方法，其特征在于，在按不同时间尺度提取一维的多尺度的流量特征之前，还包括对原始的网络流量序列进行平稳化处理：
4.如权利要求3所述的不规则周期性流量预测方法，其特征在于，在原始的网络流量序列进行平稳化处理之后，通过位置编码、令牌嵌入以及时间嵌入后，实现数据由低维空间向高维空间的转换；所述时间嵌入是针对时间维度的固定嵌入，或者是直接利用时间相关的特征编码生成嵌入。
5.如权利要求1所述的不规则周期性流量预测方法，其特征在于，所述将多...
【专利技术属性】
技术研发人员：沈琼霞，李博，赵轩，田琼，吴茜，李亚洲，
申请(专利权)人：烽火通信科技股份有限公司，
类型：发明
国别省市：
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。