基于Autoformer AI架构的SD-OTN专线流量预测模型

摘  要

根据政企 SD-OTN 专线流量时间周期分布相似的特点，在业内首次采用流量序列时频域特征结合训练的Autoformer AI架构对流量序列进行预测，以获得更高预测准确性，并首次应用于某省联通的生产实践中，通过对流量趋势的精准预测，提前做好流量越限和丢包预警，有效降低SD-OTN的投诉量，可为SD-OTN客户提供付费的临时调速和周期性调速方案等增值业务功能。

   0 1   

 概  述

传统的OTN专线在发现网络带宽越限时，技术上无法支持业务带宽快速调整，不能满足实时性突发需求，无法避免由此引起的业务丢包等。为提升大客户精品网络的竞争力，满足政企客户对时延、业务快速开通、带宽实时调整等专线业务的新需求，通过SDN化的OTN网络［1］承载可以实现业务快速开通、业务快速发放、快速响应客户业务增减调整、时延动态监测等功能［2］，从而满足客户多种需求，具有强大能力的SD-OTN为流量预测提供了很好的实际应用场景。

如何对流量进行精准预测，为用户提供更好的体验和解决方案成为运营商的研究热点之一。实际网络流量具有非线性、周期性、自相似性、突发性等特点，采用机器学习算法，对历史流量序列特征进行学习和训练，能更好适应流量历史特点，具有更高的准确性。如基于时域注意力机制Transformer［3］的专线流量预测模型，但其计算复杂度较高，难以发现更长范围的关系关联性。基于时域自相关机制的Autoformer［4］、informer［5］模型计算复杂度为线性logO（LlogL），但缺少对频域特征的关注。Fedformer［6］基于频域特征的学习捕捉时间序列的全局特性，实现了线性计算复杂度。

本文提出的流量预测模型采用多头注意力机制对时频域特征结合训练的Autoformer架构，可同时学习时域和频域序列特征并进行两域各自相关机制融合预测，获得更高预测准确性。

   0 2  

SD-OTN流量监测分析

为了提高流量预测准确性，首先需要把握流量总体特点，才能选取适应性强的AI预测算法。通过对413条SD-OTN专线电路进行流量监测，涉及通信、邮政、银行、政府单位、制造业等行业，分析得出SD-OTN专线流量的时间分布特点。