专利名称：网络流量预测方法和设备的利记博彩app
技术领域：
本发明涉及通信技术领域，特别涉及一种网络流量预测方法和设备。
背景技术：
随着计算机网络规模的扩展和业务种类的不断增长，P2P(Peer-to-Peer，点对点)网络作为一种全新的互联网技术得到了飞速发展。P2P应用的迅速发展一方面极大的方便了人们的生活娱乐，但另一方面不仅造成了网络带宽的巨大消耗，甚至引起网络拥塞，大大降低了网络性能，劣化了网络服务质量，妨碍了正常网络业务的开展和关键应用的普及。为了加强网络管理，有效提高网络运行速度和利用率，网络流量预测成为了一项日益广泛应用的处理技术。所谓预测，就是对尚未发生和目前还不明确的信息，根据过去和现在的信息进行预先的估计和推测，即在一定的数学模型下对未来一段时间内信息的发展趋势、方向和可能的状态作出合理的、在允许误差范围内的推断。而网络流量预测过程中，进行预测的对象，就是网络流量的变化发展趋势。传统的时间序列预测模型对于平稳网络流量序列已经可以有比较好的表现。在实现本发明的过程中，发明人发现现有技术中至少存在以下问题:网络流量时间序列是一个非线性、多时间尺度变换的动力系统，具有明显的自相似性、突发性和周期性等特性。因此，传统的时间序列预测模型难以刻画网络流量复杂的非线性关系。回声状态网络(Echo State Network, ESN)在对不含噪声的时间序列中表现出了很好的逼近能力和预测精度，预测精度相比传统模型有显著提高，但对于样本少且包含噪声的情况下，ESN网络的预测效果并不理想，且仅能有限程度地处理多尺度频率范围，对多尺度时间序列的预测问题适应性较差，难以满足P2P流量预测的精度要求。
发明内容
本发明实施例提供一种网络流量预测方法和设备，解决现有的技术方案中由于网络流量复杂的非线性关系，而不能在多尺度频率范围对网络流量进行准确预测，无法满足网络传输精度要求的问题。为达到上述目的，本发明实施例一方面提供了一种网络流量预测方法，至少包括以下步骤:对待预测的网络流量进行小波分解，并对分解后的结果分别进行重构，生成多个网络流量分量；分别根据各所述网络流量分量的特性，将各所述网络流量分量在相应的网络流量预测模型中进行训练预测，输出各网络流量分量所对应的网络流量分量预测结果；对所输出的所有网络流量分量预测结果进行叠加处理，确定所述待预测的网络流量的预测结果。
优选的，所述对待预测的网络流量进行小波分解，并对分解后的结果分别进行重构，生成多个网络流量分量，具体包括:根据预设的算法和分解尺度，对待预测的网络流量进行小波分解，得到近似部分和细节部分；对各分解结果分别进行重构，生成与所述分解尺度相对应的高频分量和低频分量。优选的，所述分别根据各所述网络流量分量的特性，将各所述网络流量分量在相应的网络流量预测模型中进行训练预测，输出各网络流量分量所对应的网络流量分量预测结果，具体包括:根据各所述网络流量分量的特性，分别确定各网络流量分量所对应的输入样本序列；分别根据各输入样本序列，确定各网络流量分量所对应的下一个输入样本；分别选取各所述输入样本序列的一部分，与相对应的下一个输入样本组成训练样本对，在相应的网络流量预测模型中进行训练预测；输出各网络流量分量所对应的网络流量分量预测结果。优选的，所述根据各所述网络流量分量的特性，分别确定各网络流量分量所对应的输入样本序列，具体包括:分别根据各所述网络流量分量的特性以及所述待预测的网络流量的输入维数，确定各网络流量分量的与所述输入维数相对应的输入样本；根据各网络流量分量的与所述输入维数相对应的输入样本，确定各网络流量分量所对应的输入样本序列。优选的，所述输出各网络流量分量所对应的网络流量分量预测结果之后，还包括:分别根据各所述输入样本序列在进行训练样本对选择时所剩下的部分，对相应的网络流量分量预测结果进行测试；如果测试结果符合预设标准，则输出相应网络流量分量所对应的网络流量分量预测结果。另一方面，本发明实施例还提供了一种网络流量预测设备，至少包括:分解重构模块，用于对待预测的网络流量进行小波分解，并对分解后的结果分别进行重构，生成多个网络流量分量；训练预测模块，用于分别根据各所述网络流量分量的特性，将所述分解重构模块所重构的各所述网络流量分量在相应的网络流量预测模型中进行训练预测，输出各网络流量分量所对应的网络流量分量预测结果；叠加处理模块，用于对所述训练预测模块所输出的所有网络流量分量预测结果进行叠加处理，确定所述待预测的网络流量的预测结果。优选的，所述分解重构模块，具体用于:根据预设的算法和分解尺度，对待预测的网络流量进行小波分解，得到近似部分和细节部分；对各分解结果分别进行重构，生成与所述分解尺度相对应的高频分量和低频分量。优选的，所述训练预测模块，具体用于:根据各所述网络流量分量的特性，分别确定所述分解重构模块所重构的各网络流量分量所对应的输入样本序列；分别根据各输入样本序列，确定所述分解重构模块所重构的各网络流量分量所对应的下一个输入样本；分别选取各所述输入样本序列的一部分，与相对应的下一个输入样本组成训练样本对，在相应的网络流量预测模型中进行训练预测；输出所述分解重构模块所重构的各网络流量分量所对应的网络流量分量预测结果。优选的，所述训练预测模块，具体用于:分别根据所述分解重构模块所重构的各所述网络流量分量的特性以及所述待预测的网络流量的输入维数，确定各网络流量分量的与所述输入维数相对应的输入样本；根据各网络流量分量的与所述输入维数相对应的输入样本，确定各网络流量分量所对应的输入样本序列。优选的，所述所述分解重构模块所重构的，还用于:在输出各网络流量分量所对应的网络流量分量预测结果之后，分别根据各所述输入样本序列在进行训练样本对选择时所剩下的部分，对相应的网络流量分量预测结果进行测试;如果测试结果符合预设标准，则输出相应网络流量分量所对应的网络流量分量预测结果。与现有技术相比，本发明实施例所提出的技术方案具有以下优点:通过应用本发明实施例的技术方案，在多尺度频率的应用场景下，首先对将待预测的网络流量进行小波分解重构，生成多个网络流量分量，然后，分别对各网络流量分量，按照相应的流量特性，在不同的网络流量模型中进行训练预测，分别输出预测结果，最后，将所有的预测结果进行叠加处理，确定待预测的网络流量的预测结果，从而，在将网络流量按照多尺度频率进行分解重构，并分别按照各自的频率特性进行流量预测的情况下，可以更有效地减少多尺度频率对于预测结果的准确性的影响，解决由于网络流量复杂的非线性关系，而不能在多尺度频率范围对网络流量进行准确预测，无法满足网络传输精度要求的问题。
图1为本发明实施例所提出的一种网络流量预测方法的流程示意图；图2为本发明实施例所提出的基于小波变换和ESN的流量预测模型的模型示意图；图3为本发明实施例提出的一种网络流量预测设备的结构示意图。
具体实施例方式如背景技术所述，由于网络流量时间序列是一个非线性、多时间尺度变换的动力系统，具有明显的自相似性、突发性和周期性等特性。所以，在实际的应用场景中，往往因为网络流量变化的复杂性，尤其是在网络流量本身具有多尺度频率的情况下，影响网络流量预测的准确性，不能满足网络传输，对于网络流量预测准确性越来越高的要求。为了克服这样的缺陷，本发明实施例提出了一种网络流量预测方法，在网络流量本身具有多尺度频率的情况下，将网络流量按照多尺度频率进行分解重构，分别按照各自的频率特性进行流量预测后对结果进行叠加，从而，可以更有效地减少多尺度频率对于预测结果的准确性的影响。下面将结合本发明中的附图，对本发明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发明的部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。如图1所示，为本发明实施例所提出的一种网络流量预测方法的流程示意图，该方法具体包括以下步骤:步骤S101、对待预测的网络流量进行小波分解，并对分解后的结果分别进行重构，生成多个网络流量分量。在具体的应用场景中，本步骤的处理具体包括:根据预设的算法和分解尺度，对待预测的网络流量进行小波分解，得到近似部分和细节部分；对各分解结果分别进行重构，生成与所述分解尺度相对应的高频分量和低频分量。通过这样的处理，可以将待预测的网络流量按照多尺度频率进行分解，分解后的网络流量分量，将不再具有多尺度频率，进行流量预测的复杂度也大为降低。步骤S102、分别根据各所述网络流量分量的特性，将各所述网络流量分量在相应的网络流量预测模型中进行训练预测，输出各网络流量分量所对应的网络流量分量预测结果。具体的，本步骤的处理包括以下步骤:(I)根据各所述网络流量分量的特性，分别确定各网络流量分量所对应的输入样本序列，具体说明如下:分别根据各所述网络流量分量的特性以及所述待预测的网络流量的输入维数，确定各网络流量分量的与所述输入维数相对应的输入样本。根据各网络流量分量的与所述输入维数相对应的输入样本，确定各网络流量分量所对应的输入样本序列。(2)分别根据各输入样本序列，确定各网络流量分量所对应的下一个输入样本。(3)分别选取各所述输入样本序列的一部分，与相对应的下一个输入样本组成训练样本对，在相应的网络流量预测模型中进行训练预测。(4)输出各网络流量分量所对应的网络流量分量预测结果。通过上述的处理，分别对于各网络流量分量进行流量预测，输出了相应的预测结果。进一步的，为了确保流量预测的准确性，在完成上述的流量预测后，还可以包括相应的结果验证机制，具体说明如下:分别根据各所述输入样本序列在进行训练样本对选择时所剩下的部分，对相应的网络流量分量预测结果进行测试；如果测试结果符合预设标准，则输出相应网络流量分量所对应的网络流量分量预测结果。而如果预测结果没有符合预设标准，则可以根据相应的处理策略进行后续处理，例如，可以对为符合预设标准的网络流量分量重新发起相应的流量预测，也可以根据相应的标准直接进行预测结果的修正，或者，直接输出预测结果验证失败的提示，有具体的操作者或者网络管理方确定后续处理的方式，当然，在实际操作中，这样的验证失败后的后续处理方式还可以有很多，具体可以根据实际需要进行选择，这样的变化并不影响本发明的保护范围。另一方面，上述的预设标准可以设定为预测结果偏差率，或者是预测结果与样本序列的匹配度等参数验证标准，其目的在于验证预测结果与样本序列的整体匹配情况，匹配越好，则证明相应的预测结果的准确度越高。在上述的处理过程中，之所以，在进行训练样本对选择时，只选择一部分样本序列，就是为了通过剩余的未参与训练的样本序列进行后续的预测结果验证处理。当然，上述的验证过程只是为了进一步保证预测结果准确性而提出的处理方案，可以根据实际需要选择是否进行这样的验证处理，如果不需要验证，则在进行训练样本对选择时，也可以直接用全部的样本序列进行训练预测，这样的变化并不影响本发明的保护范围。步骤S103、对所输出的所有网络流量分量预测结果进行叠加处理，确定所述待预测的网络流量的预测结果。在实际的应用场景中，可以通过线性叠加等方式进行叠加处理，当然，这与步骤SlOl中的分解重构方式相关，根据分解方式的差异，具体的叠加策略也可以进行相应的调
難
iF.0与现有技术相比，本发明实施例所提出的技术方案具有以下优点:通过应用本发明实施例的技术方案，在多尺度频率的应用场景下，首先对将待预测的网络流量进行小波分解重构，生成多个网络流量分量，然后，分别对各网络流量分量，按照相应的流量特性，在不同的网络流量模型中进行训练预测，分别输出预测结果，最后，将所有的预测结果进行叠加处理，确定待预测的网络流量的预测结果，从而，在将网络流量按照多尺度频率进行分解重构并分别按照各自的频率特性进行流量预测的情况下，可以更有效地减少多尺度频率对于预测结果的准确性的影响，解决由于网络流量复杂的非线性关系，而不能在多尺度频率范围对网络流量进行准确预测，无法满足网络传输精度要求的问题。下面，结合具体的应用场景，对本发明实施例所提出的技术方案进行说明。ESN网络在对不含噪声的时间序列中表现出了很好的逼近能力和预测精度，预测精度相比传统模型有显著提高，但对于样本少且包含噪声的情况下，ESN的预测效果并不理想，且仅能有限程度地处理多尺度频率范围，对多尺度时间序列的预测问题适应性较差，难以满足P2P流量预测的精度要求。
针对该问题，本发明实施例提出了基于小波变换和ESN的流量预测模型，其具体的模型示意图如图2所示。基于上述模型，本发明实施例所提出了一种具体应用场景下的网络流量预测方法，相应的预测过程可以分以下3步。( I)小波分解和重构。首先，利用Mallat算法，采用快速离散二进小波变换对P2P流量时间序列进行分解，得到近似部分和细节部分。通过将原始P2P流量时间序列y (n)进行尺度为M的分解和重构，可得到各P2P流量高低频分量4和aM。其中，原始P2P流量时间序列y(n)可以近似表示为:
权利要求
1.种网络流量预测方法，其特征在于，至少包括以下步骤: 对待预测的网络流量进行小波分解，并对分解后的结果分别进行重构，生成多个网络流量分量； 分别根据各所述网络流量分量的特性，将各所述网络流量分量在相应的网络流量预测模型中进行训练预测，输出各网络流量分量所对应的网络流量分量预测结果； 对所输出的所有网络流量分量预测结果进行叠加处理，确定所述待预测的网络流量的预测结果。
2.权利要求1所述的方法，其特征在于，所述对待预测的网络流量进行小波分解，并对分解后的结果分别进行重构，生成多个网络流量分量，具体包括: 根据预设的算法和分解尺度，对待预测的网络流量进行小波分解，得到近似部分和细节部分； 对各分解结果分别进行重构，生成与所述分解尺度相对应的高频分量和低频分量。
3.权利要求1所述的方法，其特征在于，所述分别根据各所述网络流量分量的特性，将各所述网络流量分量在相应的网络流量预测模型中进行训练预测，输出各网络流量分量所对应的网络流量分量预测结果，具体包括: 根据各所述网络流量分量的特性，分别确定各网络流量分量所对应的输入样本序列； 分别根据各输入样本序列，确定各网络流量分量所对应的下一个输入样本； 分别选取各所述输入样本序列的一部分，与相对应的下一个输入样本组成训练样本对，在相应的网络流量预测模型中进行训练预测； 输出各网络流量分量所对应的网络流量分量预测结果。
4.权利要求3所述的方法，其特征在于，所述根据各所述网络流量分量的特性，分别确定各网络流量分量所对应的输入样本序列，具体包括: 分别根据各所述网络流量分量的特性以及所述待预测的网络流量的输入维数，确定各网络流量分量的与所述输入维数相对应的输入样本； 根据各网络流量分量的与所述输入维数相对应的输入样本，确定各网络流量分量所对应的输入样本序列。
5.权利要求3所述的方法，其特征在于，所述输出各网络流量分量所对应的网络流量分量预测结果之后，还包括: 分别根据各所述输入样本序列在进行训练样本对选择时所剩下的部分，对相应的网络流量分量预测结果进行测试； 如果测试结果符合预设标准，则输出相应网络流量分量所对应的网络流量分量预测结果。
6.种网络流量预测设备，其特征在于，至少包括: 分解重构模块，用于对待预测的网络流量进行小波分解，并对分解后的结果分别进行重构，生成多个网络流量分量； 训练预测模块，用于分别根据各所述网络流量分量的特性，将所述分解重构模块所重构的各所述网络流量分量在相应的网络流量预测模型中进行训练预测，输出各网络流量分量所对应的网络流量分量预测结果； 叠加处理模块，用于对所述训练预测模块所输出的所有网络流量分量预测结果进行叠加处理，确定所述待预测的网络流量的预测结果。
7.权利要求6所述的设备，其特征在于，所述分解重构模块，具体用于: 根据预设的算法和分解尺度，对待预测的网络流量进行小波分解，得到近似部分和细节部分； 对各分解结果分别进行重构，生成与所述分解尺度相对应的高频分量和低频分量。
8.权利要求6所述的设备，其特征在于，所述训练预测模块，具体用于: 根据各所述网络流量分量的特性，分别确定所述分解重构模块所重构的各网络流量分量所对应的输入样本序列； 分别根据各输入样本序列，确定所述分解重构模块所重构的各网络流量分量所对应的下一个输入样本； 分别选取各所述输入样本序列的一部分，与相对应的下一个输入样本组成训练样本对，在相应的网络流量预测模型中进行训练预测； 输出所述分解重构模块所重构的各网络流量分量所对应的网络流量分量预测结果。
9.权利要求8所述的设备，其特征在于，所述训练预测模块，具体用于: 分别根据所述分解重构模块所重构的各所述网络流量分量的特性以及所述待预测的网络流量的输入维数，确定各网络流量分量的与所述输入维数相对应的输入样本； 根据各网络流量分量的与所述输入维数相对应的输入样本，确定各网络流量分量所对应的输入样本序列。
10.权利要求8所述的设备，其特征在于，所述所述分解重构模块所重构的，还用于: 在输出各网络流量分量所对应的网络流量分量预测结果之后，分别根据各所述输入样本序列在进行训练样本对选择时所剩下的部分，对相应的网络流量分量预测结果进行测试；如果测试结果符合预设标准，则输出相应网络流量分量所对应的网络流量分量预测结果。
全文摘要
本发明实施例公开了一种网络流量预测方法和设备，通过应用本发明实施例的技术方案，在多尺度频率的应用场景下，首先对将待预测的网络流量进行小波分解重构，生成多个网络流量分量，然后，分别对各网络流量分量，按照相应的流量特性，在不同的网络流量模型中进行训练预测，分别输出预测结果，最后，将所有的预测结果进行叠加处理，确定待预测的网络流量的预测结果，从而，在将网络流量按照多尺度频率进行分解重构并分别按照各自的频率特性进行流量预测的情况下，可以更有效地减少多尺度频率对于预测结果的准确性的影响，解决由于网络流量复杂的非线性关系，而不能在多尺度频率范围对网络流量进行准确预测，无法满足网络传输精度要求的问题。
文档编号H04L12/24GK103095496SQ20131000844
公开日2013年5月8日 申请日期2013年1月10日 优先权日2013年1月10日
发明者周亚建, 郭春, 薛凯, 平源 申请人:周亚建, 郭春, 薛凯, 平源