基于领域知识内嵌的深度学习网络流量预测研究.pdfVIP

基于领域知识内嵌的深度学习

网络流量预测研究

传统的流量预测方法通常依赖于统计模型［1］和时间序

0前言［2-3］

列分析算法。随着以深度学习为代表的人工智能

流量预测是计算机网络管理和优化中的重要任技术逐渐成熟，基于深度学习的流量预测算法逐渐成

务，其目标是分析和预测网络中的数据流量，为网络为研究的热点［4-5］。然而，当前数据驱动的深度学习范

资源的规划、调度和管理提供依据。近年来，随着互式在复杂动态的网络流量环境中存在模型功耗大、存

联网的快速发展和智能化应用的不断增加，快速增长储成本高、算法难优化等问题。考虑到人的快速学习

的用户需求和网络规模对当前的网络基础架构带来能力是建立在对任务完备的背景知识之上，且有科学

了许多挑战。流量预测是指根据过去的流量观测数的公理系统支撑。因此，本文基于深度学习方法提出

据，对未来一段时间内的网络流量进行估计和预测。了一种基于领域知识内嵌的全流程框架，以实现快速

——————————精准的流量预测，从而实现更符合现实场景的网络资

收稿日期：2023-06-16源分配，为智能化网络提供决策能力。

542023/07/DTPT

在模型设计的过程中，考虑到流量数据本身存在的自

1流量预测研究背景

相似性、长时相关性、周期性等特点，本文设计了动态

随着互联网技术的普及，网络流量快速增长。根时域生成流量预测模型（GDTN）。GDTN能够在使用

据中国互联网信息中心发布的第47次《中国互联网络卷积生成网络对流量数据进行去噪-复原的同时，自

发展状况统计报告》，我国网络用户数不断增加，使用动分配同期多时域流量特征的重要性，以捕捉输入流

移动设备的网民比例高达99.7%，移动互联网接入的量数据中存在的规律变化的模式，提升模型的学习效

流量也呈现快速增长趋势［6］。然而网络运营商如果长率与预测性能。整体而言，本文提出的基于领域知识

时间、大规模地维持如网络基站与服务器等流量承载内嵌的流量预测框架通过综合应用数据清洗、数据驱

设施，将产生高昂的运营支出。考虑到大部分网络在动的特征提取和领域个性化的模型设计等技术，能够

小时或日尺度上存在的繁忙间歇性与规律性，可以对实现准确预测流量数据的目标。

周级的短期流量进行预测，帮助移动网络运营商及时2.2基于JS散度数据分布异常检测算法

调整射频资源的分配。因此，流量预测已成为移动网JS散度数据分布异常检测算法的核心思想是以

络运营商降低运营成本，提升用户体验的重要任务。JS散度衡量序列数据之间的距离，衡量2个同宽度的

相邻或相隔一定天数的滑动窗口内的序列数据之间

2基于领域知识内嵌的流量预测框架

的距离，并应用孤立森林异常点检测算法检测数据分

2.1总体研究方案布发生明显改变的间断点。图2所示为本文所提出的

图1所示为本文所提出的基于领域知识内嵌的流分布异常检测算法，主要包括序列相似性度量、孤立

量预测总体框架。考虑到流量数据存在的偶发性强