一种基于GCN-Transformer集成模型的网络流量预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114124734A(43)申请公布日2022.03.01(21)申请号202111381072.1(22)申请日2021.11.20(71)申请人四川大学地址610000四川省成都市一环路南一段24号申请人新疆师范大学(72)发明人宁芊薛自杰周新志赵成萍黄霖宇陈炳才(74)专利代理机构昆明合众智信知识产权事务所53113代理人刘静怡(51)Int.Cl.H04L41/147(2022.01)G06N3/08(2006.01)G06K9/62(2022.01)权利要求书1页说明书4页附图2页(54)发明名称一种基于GCN-Transformer集成模型的网络流量预测方法(57)摘要本发明涉及流量预测领域，是一种基于GCN‑Transformer集成模型的网络流量预测方法，解决了现有技术中流量数据预测不准确的问题。本发明包括以下步骤：一特征提取；二训练；三预测。本发明通过GCN和Transformer并行捕捉流量数据中的空间特征和时间特征，同时采用注意力方式进行特征融合，这能够从两个维度上对网络中的流量进行精准的预测。同时并行方式使特征提取时保留完整的时空信息，同时加速预测速度，发挥Transformer结构的并行计算特点，提高预测速度。同时发挥Transformer结构对于长时间依赖的捕捉能力，提高模型对于长时间预测的能力，从而提高模型在预测长时间序列时的准确性。CN114124734ACN114124734A权利要求书1/1页1.一种基于GCN‑Transformer集成模型的网络流量预测方法，其特征在于：包括以下步骤：一特征提取：A在给定网络空间邻接矩阵后，基于图卷积神经网络GCN进行网络空间信息特征提取；B基于Transformer进行网络流量时间信息特征提取；二训练：基于Transformer结构的神经网络训练；三预测：基于Transformer结构的神经网络预测。2.根据权利要求1所述的一种基于GCN‑Transformer集成模型的网络流量预测方法.，其特征在于：步骤一还包括步骤C基于Attention机制的特征融合；使用软注意力机制对网络流量数据的时间信息和空间信息进行加权，得到包含网络流量数据的时空特征。3.根据权利要求2所述的一种基于GCN‑Transformer集成模型的网络流量预测方法，其特征在于：步骤B具体的是不少于两个给定网络空间的历史流量矩阵，提取节点网络流量的时间序列信息。4.根据权利要求3所述的一种基于GCN‑Transformer集成模型的网络流量预测方法，其特征在于：所述步骤二具体的是：(1)采用滑动窗口的方法处理采集得到的网络流量数据，同时进行归一化，得到网络训练数据集；(2)设置最大训练次数和目标误差；(3)采用Xavierinitialization的方法对模型的参数进行初始化；(4)判断当前训练次数是否达到最大的训练次数，如果是的话，训练结束，否则执行第5步；(5)将网络训练数据集输入到模型中进行计算，得到预测结果；(6)将预测结果与真实值进行比较，得到预测误差；(7)如果预测误差满足设定的目标误差，则结束训练，否则通过反向更新算法对模型参数进行更新，同时训练次数加1，返回到第4步。5.根据权利要求4所述的一种基于GCN‑Transformer集成模型的网络流量预测方法，其特征在于：所述步骤三具体的是：(1)采用滑动窗口的方法处理采集得到的网络流量数据，同时进行归一化，最终得到网络训练数据集；(2)将网络训练数据集中的数据同时输入到GCN空间特征提取器和Transformer时间特征提取器；(3)在transformer特征提取器中将流量矩阵降维，变换成为一个一维的矩阵；然后对其加入时间位置信息，增加时序标志；然后将其送到Transformer的encoder中，提取网络流量的时间信息；(4)将上一步的输出和GCN空间特征提取器的数据；(5)将上一步的输出输入到Transformer中，执行自注意机制；(6)将上一步的输出输入到全连接预测层，得到预测结果。2CN114124734A说明书1/4页一种基于GCN‑Transformer集成模型的网络流量预测方法技术领域[0001]本发明涉及流量预测领域，特别是指一种基于GCN‑Transformer集成模型的网络流量预测方法。背景技术[0002]随着通信技术、互联网技术的快速发展，目前的骨干通信网络正在面临流量的爆炸式增长，越来越多的网络服务需要更快的网络速度、更低的网络时延、更加稳定可靠的网络质量，这些都对目前的网络设备提出更高的要求，传统的骨干通信网络面临巨大的挑战。在现存的通信物理设备升级换代的同时，通过算法对现有网络设备的数据通信进行优化是学术界和产业