网络流量预测

摘要： 准确高效的预测人流多变场景的移动网络流量,既可以保障网络安全稳定运行,又可以帮助运营商提前做好资源调度和分配。针对大型商场等人流多变场景移动网络流量预测问题,提出一种基于相空间重构的PSO-SVM预测方法。具体的,将网络流量数据进行预处理,通过相空间重构的方法构建学习样本,并采用支持向量机(SVM)对学习样本进行预测。同时,利用粒子群算法(PSO)、遗传算法(GA)和交叉验证优化支持向量机中的参数,得到SVM的最佳优化方案。实验结果表明,经相空间重构后的PSO-SVM模型具有较好的预测性能。

摘要： 针对长短期记忆循环神经网络在对时间序列进行学习时存在早期特征记忆效果差、难以充分挖掘整个网络流量特征等问题,提出一种基于双向长短期记忆循环神经网络的网络流量预测方法,以提高网络流量预测的准确性。对网络流量序列进行双向学习,避免单向学习导致较早学习部分特征提取和记忆效果差的问题。同时双向学习可以充分挖掘网络流量天与天之间双向的特征,完整地学习到网络流量的整体特征。仿真实验结果表明,改进后的方法相比原方法具有更好的预测效果。

摘要： 准确的流量预测提升通信网络技能、改善通信网络管理具有重要意义。考虑到长短期记忆(Long ShortTerm Memory,LSTM)神经网络可解决长序列数据在训练过程中的存在梯度消失问题,采用LSTM作为长期流量预测的基准模型,为提高模型准确性,在LSTM模型的基础上,引入Attention机制(Attention mechanism,AM),通过映射加权和学习参数矩阵赋予LSTM隐含状态不同的权重,减少历史信息的丢失并加强重要信息的影响作用,以完成流量的预测。

摘要： 传统网络流量预测方法大多数关注短期预测,而长期预测能够更好地指导基站小区无线设备扩缩容。集合经验模态分解(ensemble empirical mode decomposition,EEMD)能够使非平稳时间序列转化成平稳时间序列,Prophet模型能够准确地对流量序列进行较准确的长期预测,基于以上模型方法的优点和基站小区网络流量的非线性和非平稳性特点,提出一种Prophet混合EEMD的基站小区网络流量预测方法(E-Prophet)。采用EEMD将网络流量序列分解成若干固有模态函数(intrinsic mode functions,IMF)分量和一个残差分量;利用Prophet模型对各分量建模,并将各分量预测结果进行线性组合,得到最终的预测结果。利用实际基站小区网络流量数据对方法进行验证,结果表明:E-Prophet对于网络流量长期预测比Prophet、SARIMA、LSTM以及结合EMD和Prophet的模型具有更高的准确度和鲁棒性。

摘要： 准确预测移动网络流量,不仅可以保障互联网络安全稳定运行,还可以给运营商的资源调度做参照,使运营商能合理分配网络资源。采用参数优化的支持向量回归(SVR)进行网络流量预测研究。原始数据为淮南移动2019年1月1日至5月15日吾悦广场的流量数据,数据采集粒度为15分钟;为了寻找一种SVR的最佳优化方案,将粒子群优化(Particle Swarm Optimization,PSO)、差分灰狼优化(Differential Evolution-Grey Wolf Optimizer,DE-GWO)、布谷鸟搜索(Cuckoo Search,CS)算法用于SVR的参数寻优;同时将基本的手动调参的SVR用于流量预测对比。实验结果表明,DE-GWO参数优化的SVR具有较好的预测性能。

摘要： 在网络信息化高速发展的时代,网络流量数据拥有许多利用价值,其具有高噪声、不稳定等特点,导致对其预测难度较高。本文通过基于多项式修正的LSTM模型设计取自CICIDS的网络流量数据集进行多次的有效特征提取,利用多项式拟合的方式来修正不同LSTM模型提取出的特征权重。预测结果表明,此方法在保证预测的有效性和可靠性的基础上,能够并行训练不同模型的特征提取,避免了复杂网络中常见的“梯度消失或梯度爆炸”等因素引起的训练效果不佳的问题。

摘要： 网络流量预测有助于网络服务质量的提升和网络资源的合理分配,对优化网络管理与运营、保障用户体验质量至关重要.因特网业务的急剧增加和基础网络的快速发展导致网络流量变得更加复杂多样,传统网络流量预测模型难以保证较高的预测精度,而神经网络作为人工智能的重要分支,在预测复杂网络流量时具有显著优势.简述反向传播神经网络、径向基神经网络和长短期记忆神经网络的模型原理,通过分析这些神经网络预测不同时间尺度的网络流量结果,可总结其预测性能与优缺点,为基于神经网络的故障预测和故障定位的学术研究和实际应用提供技术支撑.

摘要： 精准地预判网络流量变化趋势可以帮助运营商准确预估网络的使用情况,合理分配并高效利用网络资源,以满足日益增长且多样化的用户需求.以深度学习算法在网络流量预测领域的进展为线索,阐述了网络流量预测的评价指标和目前公开的网络流量数据集及应用,具体分析了网络流量预测中常用的深度信念网络、卷积神经网络、循环神经网络和长短时记忆网络共四种深度学习方法,并重点介绍了近年来针对不同问题所提出的改进神经网络模型,总结了各模型特点及应用场景.最后对网络流量预测未来发展进行了展望.

摘要： 针对网络流量具有多分形特点,传统的网络流量预测模型存在无法有效提取流量在不同时间尺度下的不同特性缺陷,提出一种基于Prophet模型融合粗细粒度特征提取的网络流量预测模型.首先利用Prophet模型将网络流量序列分解成非线性项及附加项;然后对这两项分别建立Prophet模型、卷积神经网络(CNN)和基于注意力机制(Attention)的长短期记忆网络(LSTM)模型进行预测;最后将各部分的预测结果集合得到网络流量最终的预测结果.相比于传统的LSTM模型,所提出的模型在平均绝对百分比误差(MAPE)和决定系数(R2)这两个评价指标上效果分别优化了25.3％、0.106,在预测精度和预测速度上都有所提升.

摘要： 传统RBF神经网络在网络流量预测过程中存在收敛速度慢、极易出现局部最优等缺点,从而导致预测精度低.本文采用蚁群算法优化RBF神经网络参数来进行网络流量预测.利用蚁群优化算法来训练RBF神经网络的基函数宽度和中心,简化网络结构,加快收敛速度,防止局部最优的出现,改善RBF神经网络的泛化能力.实验结果表明,相对于GA-RBF以及PSO-RBF流量预测模型,本文模型预测准确度更高,能够很好地描述网络流的变化规律.具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值.

摘要： 提出一种组合神经网络的网络流量预测模型。首先采用SMOF网络对网络流量数据进行聚类,然后采用Elman网络对聚类后的流量数据进行训练并预测,同时采用遗传算法对Elman网络的网络结构进行优化,提高网络流量预测精度。仿真结果表明,组合神经网络加快了网络流量预测速度,提高了网络流量预测精度,克服了单一预测模型不足,为网络流量预测提供了新的思路,具有很好的应用前景。

摘要： 为了能对网络进行更好的控制,避免网络拥塞的发生;提高网络服务的质量,本文针对网络的实性时性要求设计了一个用于预测网络流量的8输入4输出的Elman回归型人工神经网络.Elman神经网络具有实性时好,并且不需要对网络进行精确的数学建模的优点.通过仿真,可以看出该网络可以对网络流量进行较准确的预测.

摘要： 本发明公开了一种家庭网络流量截获方法及家庭网络流量管理设备，属于通信技术领域。所述方法包括：接入家用路由器，为家用设备提供接管网段，并提供DHCP服务和路由；攻击所述家用路由器的DHCP服务，使其无法为所述家用设备提供IP；转接已经接入或接入过网络的所述家用设备至所述接管网段；响应未接入网络的所述家用设备的DHCP请求，为所述家用设备分配接管网段IP。本发明提供的家庭网络流量截获方法及家庭网络流量管理设备无需用户手动设置，即可将家用设备转接至接管网段，截获家庭网络流量，进而对家庭网络流量中的信息进行识别或拦截。

摘要： 本发明公开了一种网络流量的分配方法及实现网络流量分配的路由方法，该网络流量的分配方法包括：将源节点的全部或部分流量通过多条链路发送至目的节点，且使流向所述目的节点的任一链路的流量接近该链路的设定流量，其中，每一链路的设定流量为根据最大链路利用率及所述链路的带宽确定的流量值。该方法实现了对网络流量的分流链路流量的最优分配，降低了网络的最大链路利用率。同时通过建立基于二维路由的转发方法以实现最优网络流量分配，克服了现有域内OSPF路由方法中无法充分利用非最短路径的问题，提升了网络服务的品质。

摘要： 一种网络流量分析系统的网络流量展示方法和系统，其中方法包括步骤：获取各网络流量分析系统的分析数据，将同一分析数据在不同网络流量分析系统中的不同标识转换为同一标识，生成各网络流量分析系统的映射文件；获取待转换网络流量分析系统中的设备型号数据；根据所述获取的设备型号数据和预存的型号数据列表判断数据采集方式；根据所述采集方式获取待转换网络流量分析系统中的分析数据，并根据所述设备型号数据、所述采集方式和所述映射文件将所述待转换网络流量分析系统中的分析数据进行协议转换，获得转换分析数据；将所述转换分析数据进行展示。通过本发明实现了同时展示不同系统输出的分析数据。

摘要： 本发明提出了一种网络流量控制系统，包括：检测单元，对点对点流量进行检测及统计；判断单元，在检测到流量超过阈值时，判断是否采取丢弃数据包处理；确定单元，接收判断单元的判断结果，在判断结果为是时，确定将被丢弃的数据包的协议类型；第一处理单元，在判断所述数据包的协议类型为传输控制协议时，采取所述丢弃数据包处理，同时控制接收端向发送端发送表示缓冲区拥塞的报文。相应地，本发明还提供了一种网络流量控制方法。通过本发明的技术方案，当流量超过阈值时，在对其进行丢包处理的同时，向发送端发送缓冲区拥塞的报文，从而使得发送端认为接收端拥堵，主动降低报文发送速率，使得在减少出口带宽的同时，减少入口带宽。

摘要： 本申请涉及一种基于多源网络流量数据的网络流量分析方法和装置。所述方法包括：在网络流数据源部署预训练分类器池，对于每一个数据源，接收当前时刻的多源网络流数据，通过在线分类器对多源网络流数据进行流量分类，每间隔预设时间，将每个网络流数据源收集的数据进行特征处理和变换，将处理得到的流量数据特征和特征变换矩阵传输至流量漂移检测模块；流量漂移检测模块包含历史概念数据，以根据流量数据特征、特征变换矩阵以及历史概念数据，对概念漂移进行检测，若检测到概念漂移，则对多源部署的在线分类器进行重置。采用本方法能对多源网络流量数据进行持续实时准确的分析。

摘要： 本申请提供了一种网络流量的检测方法，网络流量的检测系统和电子设备，该方法包括：获取待检测的网络流量；基于检测规则中的前置规则对获取的网络流量进行第一检测，得到第一检测结果，其中，检测规则用于检测所获取的网络流量是否为恶意程序；当确定第一检测结果中具有前置规则所指示的内容时，基于检测规则中的后续规则对获取的网络流量进行第二检测，以确定网络流量是否为所述恶意程序；当确定第一检测结果中不具有前置规则指示的内容时，不再使用后续规则对网络流量进行检测。该方法首先加载前置规则，后续规则根据前置规则的命中情况加载或卸载，相对于全部规则一次性加载，提高了网络流量的检测系统的命中效率。

摘要： 本发明属于信息技术领域，涉及OVS网络流量加速优化方法及OVS网络流量加速优化系统。该OVS网络流量加速优化方法包括步骤：获取并汇总各OVS网络流量加速优化请求，建立加速优化模型；对OVS网络流量加速优化请求进行加速优化分析，获取并汇总各加速优化分析结果；以加速优化分析结果作为样本，进行加速优化自学习以获得寻优向量；判断加速优化函数的分析结果是否满足加速优化分析评价条件；以寻优向量交互加速优化模块中的相应向量，对上述步骤进行迭代循环，直到满足加速优化分析评价条件或达到最大迭代次数；根据满足加速优化分析评价条件或最大迭代次数的位置进行流量转发。该方法及系统实现了应用系统网络拥塞度低、数据丢包率低、消耗度低的优势。

摘要： 本发明公开了一种家庭网络流量截获方法及家庭网络流量管理设备，属于通信技术领域。所述方法包括：接入家用路由器，为家用设备提供接管网段，并提供DHCP服务和路由；攻击所述家用路由器的DHCP服务，使其无法为所述家用设备提供IP；转接已经接入或接入过网络的所述家用设备至所述接管网段；响应未接入网络的所述家用设备的DHCP请求，为所述家用设备分配接管网段IP。本发明提供的家庭网络流量截获方法及家庭网络流量管理设备无需用户手动设置，即可将家用设备转接至接管网段，截获家庭网络流量，进而对家庭网络流量中的信息进行识别或拦截。

摘要： 本发明公开了一种网络流量的分配方法及实现网络流量分配的路由方法，该网络流量的分配方法包括：将源节点的全部或部分流量通过多条链路发送至目的节点，且使流向所述目的节点的任一链路的流量接近该链路的设定流量，其中，每一链路的设定流量为根据最大链路利用率及所述链路的带宽确定的流量值。该方法实现了对网络流量的分流链路流量的最优分配，降低了网络的最大链路利用率。同时通过建立基于二维路由的转发方法以实现最优网络流量分配，克服了现有域内OSPF路由方法中无法充分利用非最短路径的问题，提升了网络服务的品质。

摘要： 本发明公开一种基于神经网络的网络流量预测系统及网络流量预测方法，属于计算机技术领域。所述网络流量预测系统包括数据采集模块、数据预处理模块以及网络流量预测模块，数据采集子模块采用基于端口镜像的网络方式实现对网络中各种流量信息的实时采集，数据预处理模块把采集到的数据分别保存并做归一化处理，使得样本数据值在0～1之间，为预测模块提供纯净的数据。流量预测模块根据采集到的IP网络流量数据确定用于流量预测的神经网络的拓扑结构和网络参数，并利用神经网络的方法进行预测，得出预测结果。本发明可对各种骨干网络进行监控检测和分析，实时监控、检测骨干网络中的网络异常事件，实现对网络异常情况的提前预警。