基于领域知识内嵌的深度学习网络流量预测研究

摘  要

首先针对流量数据可能存在的时域分布突变问题设计了一种基于JS散度的异常检测算法，以获得能够反映流量变化规律的数据。而考虑到网络流量的自相似性、长时相关性和周期性特点，提出一种基于卷积生成网络和自适应注意力元网络组成的动态时域生成流量预测模型（GDTN），能够有效地降噪、生成和预测流量数据，并根据不同输入条件动态分配不同多时域流量特征的重要性。最后在智能城域网端口数据集上进行实验，验证了该算法相比于多种经典时序预测算法在预测准确度、存储资源占用和时间效用等方面具备明显优势。

前    言

流量预测是计算机网络管理和优化中的重要任务，其目标是分析和预测网络中的数据流量，为网络资源的规划、调度和管理提供依据。近年来，随着互联网的快速发展和智能化应用的不断增加，快速增长的用户需求和网络规模对当前的网络基础架构带来了许多挑战。流量预测是指根据过去的流量观测数据，对未来一段时间内的网络流量进行估计和预测。

传统的流量预测方法通常依赖于统计模型和时间序列分析算法。随着以深度学习为代表的人工智能技术逐渐成熟，基于深度学习的流量预测算法逐渐成为研究的热点。然而，当前数据驱动的深度学习范式在复杂动态的网络流量环境中存在模型功耗大、存储成本高、算法难优化等问题。考虑到人的快速学习能力是建立在对任务完备的背景知识之上，且有科学的公理系统支撑。因此，本文基于深度学习方法提出了一种基于领域知识内嵌的全流程框架ÿ