基于轻量级深度学习框架的IP骨干网络流量实时预测研究
发布时间：2021-07-06 17:08
随着信息技术的进步,IP骨干网络规模急剧扩大,网络结构也越来越复杂,网络流量预测成为一个重要的研究课题。由于网络规模的扩大及现代网络中用户的飞速增长,网络拥塞或过载的情况时有发生,因此对网络流量进行实时预测对于网络的高效运行、网络资源分配和网络规划等具有重要意义。近年来,网络流量预测在实际应用中的重要性越来越受到人工智能研究领域的关注,长短时记忆神经网络LSTM（Long-term and Shor-term Memory Network,LSTM）由于能够处理时间序列之间的长短程依赖关系,已成为主流的网络流量预测方法之一,但是将LSTM模型应用到网络流量实时预测时,存在模型参数量过大、计算成本过高,容易导致模型过拟合等问题,这在具有严格等待时间要求的网络流量预测任务中是不能容忍的;另一方面,现有LSTM模型单从网络流量相关性特征进行建模,忽略了网络结构中路由器节点空间相关性的考虑,因此对网络流量进行实时、准确的预测模型建模,还存在一定的挑战。本文基于深度学习技术设计了两种不同的轻量级IP骨干网络流量实时预测神经网络算法,主要研究内容和创新点如下:针对LSTM模型应用于网络流量实时预测...
【文章来源】：南京邮电大学江苏省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
018年中国网民规模和互联网普及率
南京邮电大学专业学位硕士研究生学位论文第一章绪论5络，或者三种网络的组合体。深度神经网络一般可以分为三层，通常是包括输入层，隐藏层和输出层，如图1.2所示，根据整个网络来设计神经网络每层中神经元的个数。深度神经网络模型预测的基本步骤主要包括三步，第一步是根据数据的实际情况设计整体网络结构，第二部则通过输入一些已有数据对模型进行训练，让深度神经网络学习并拟合数据，确定诸如网络的层数和传递函数之类的参数，最后，训练成功的模型经过测试后将该模型用于真实数据的预测。在1980年代后期，Lapedes和Farber首次应用人工神经网络进行预测，为人工神经网络预测数据开创了先例。后来，越来越多来自世界各地的研究人员和工程师开始使用人工神经网络来模拟和预测时间序列，在取得令人满意的结果之后，神经网络被逐步应用于非线性数据处理领域，如工业工程和经济学等[29][30]。研究人员对模型预测精度的要求越来越高，随着对深度学习技术的不断深入研究，非线性预测技术的应用研究可以带来非常准确的预测结果，因此越来越受欢迎[31]，有一些学者在研究中发现，BP神经网络由于很容易陷入局部最优的困境中，因此建议逐渐增加训练数据量等其他方法来解决[32]。随着深度神经网络和深度学习技术的蓬勃发展，研究人员开始使用深度学习技术来预测，循环神经网络（RecurrentNeuralNetwork，RNN）由于其隐藏层结构中的时序和记忆单元特性所致，该模型十分适用于某些预测场景。RNN的记忆性质，使得该神经网络模型能够记忆历史数据的影响，并且可以很好地显示数据之间的相关关系。在语音识别和文本预测方面已经有了很好的研究成果[33][34]。然而循环神经网络存在梯度消失和梯度爆炸的问题[35]，也就是说在一些长相关预测的场景中，RNN
南京邮电大学专业学位硕士研究生学位论文第二章课题研究基础9第二章课题研究基础对于网络流量的预测和建模问题，我们必须首先明确解释网络流量的重要特征，以便能够尽可能设计出合适的数学模型，该类模型应具备结构简单、计算成本相对较少的的优点，并且可完整地描述和解释这些特征，因此对IP骨干网络流量的显著特征进行详细分析是非常必要的。通常网络流量的最重要特征是时间相关性[38]，以及与网络拓扑结构中路由节点相关的空间相关性。因此，本章将详细介绍网络流量的时间相关性和空间相关性，然后阐述将在本文中使用到的循环神经网络的相关知识，最后考虑网络结构中路由器节点的空间关系，对所涉及到的图卷积网络进行讨论和介绍。2.1.1网络流量的时间相关性网络流量的时间相关性早已受到网络流量领域内研究学者的重视，该特性在网络流量预测领域发挥了巨大的作用，网络流量数据属于时间序列类型[39]。由于人们上网行为在时间上具有相关性，则在时间维度上，网络流量数据也具备了时间相关性的特点，时间相关性的特点主要是表现在趋势和周期性两个方面。网络流量数据会随着时间动态变化，如图2.1所示为AblieneIP骨干网络的流量可视图，从图中我们可以看出，这些网络流量数据显示出的痕迹，表示的是2016时隙的数据集揭示了一周内的流量，这些网络数据随着时间的变化而动态变化趋势.关于网络流量时间相关性的另外一个维度解读即为网络流量数据的周期性如图2.2所示。从图中可以看出网络流量数据显示出规则的痕迹，我们可得知IP骨干网络的流量数据具有一定的周期性。图2.1AblieneIP骨干网络的流量趋势可视图
【参考文献】：
期刊论文
[1]图卷积神经网络综述[J]. 徐冰冰,岑科廷,黄俊杰,沈华伟,程学旗. 计算机学报. 2020(05)
[2]基于两层迁移卷积神经网络的抽象图像情感识别[J]. 杨子文,陈蕾,浦建宇. 中国科学技术大学学报. 2019(01)
[3]高斯过程回归补偿ARIMA的网络流量预测[J]. 田中大,李树江,王艳红,王向东. 北京邮电大学学报. 2017(06)
[4]深度神经网络的发展现状[J]. 胡聪丛,胡桓. 电子技术与软件工程. 2017(04)
[5]基于改进的BP神经网络的网络流量预测模型[J]. 江露琪,孙文胜. 通信技术. 2017(01)
[6]Minimal Gated Unit for Recurrent Neural Networks[J]. Guo-Bing Zhou,Jianxin Wu,Chen-Lin Zhang,Zhi-Hua Zhou. International Journal of Automation and Computing. 2016(03)
[7]基于MCC的网络流量预测方法（英文）[J]. 曲桦,马文涛,赵季红,王涛. 中国通信. 2013(01)
[8]Internet——一个开放的复杂巨系统[J]. 戴汝为,操龙兵. 中国科学E辑:技术科学. 2003(04)
博士论文
[1]基于时间相关的网络流量建模与预测研究[D]. 高波.哈尔滨工业大学 2013
硕士论文
[1]基于回归神经网络的动态流量预测模型及应用[D]. 韩宪斌.北京邮电大学 2019
[2]基于机器学习的网络流量预测与应用研究[D]. 师圣蔓.北京邮电大学 2019
[3]基于时空图卷积网络的高速公路流量预测方法研究[D]. 冯宁.北京交通大学 2019
[4]基于时间序列模型的网络流量预测研究[D]. 朱苗苗.西安工程大学 2017
本文编号：3268636
【文章来源】：南京邮电大学江苏省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
018年中国网民规模和互联网普及率
南京邮电大学专业学位硕士研究生学位论文第一章绪论5络，或者三种网络的组合体。深度神经网络一般可以分为三层，通常是包括输入层，隐藏层和输出层，如图1.2所示，根据整个网络来设计神经网络每层中神经元的个数。深度神经网络模型预测的基本步骤主要包括三步，第一步是根据数据的实际情况设计整体网络结构，第二部则通过输入一些已有数据对模型进行训练，让深度神经网络学习并拟合数据，确定诸如网络的层数和传递函数之类的参数，最后，训练成功的模型经过测试后将该模型用于真实数据的预测。在1980年代后期，Lapedes和Farber首次应用人工神经网络进行预测，为人工神经网络预测数据开创了先例。后来，越来越多来自世界各地的研究人员和工程师开始使用人工神经网络来模拟和预测时间序列，在取得令人满意的结果之后，神经网络被逐步应用于非线性数据处理领域，如工业工程和经济学等[29][30]。研究人员对模型预测精度的要求越来越高，随着对深度学习技术的不断深入研究，非线性预测技术的应用研究可以带来非常准确的预测结果，因此越来越受欢迎[31]，有一些学者在研究中发现，BP神经网络由于很容易陷入局部最优的困境中，因此建议逐渐增加训练数据量等其他方法来解决[32]。随着深度神经网络和深度学习技术的蓬勃发展，研究人员开始使用深度学习技术来预测，循环神经网络（RecurrentNeuralNetwork，RNN）由于其隐藏层结构中的时序和记忆单元特性所致，该模型十分适用于某些预测场景。RNN的记忆性质，使得该神经网络模型能够记忆历史数据的影响，并且可以很好地显示数据之间的相关关系。在语音识别和文本预测方面已经有了很好的研究成果[33][34]。然而循环神经网络存在梯度消失和梯度爆炸的问题[35]，也就是说在一些长相关预测的场景中，RNN
南京邮电大学专业学位硕士研究生学位论文第二章课题研究基础9第二章课题研究基础对于网络流量的预测和建模问题，我们必须首先明确解释网络流量的重要特征，以便能够尽可能设计出合适的数学模型，该类模型应具备结构简单、计算成本相对较少的的优点，并且可完整地描述和解释这些特征，因此对IP骨干网络流量的显著特征进行详细分析是非常必要的。通常网络流量的最重要特征是时间相关性[38]，以及与网络拓扑结构中路由节点相关的空间相关性。因此，本章将详细介绍网络流量的时间相关性和空间相关性，然后阐述将在本文中使用到的循环神经网络的相关知识，最后考虑网络结构中路由器节点的空间关系，对所涉及到的图卷积网络进行讨论和介绍。2.1.1网络流量的时间相关性网络流量的时间相关性早已受到网络流量领域内研究学者的重视，该特性在网络流量预测领域发挥了巨大的作用，网络流量数据属于时间序列类型[39]。由于人们上网行为在时间上具有相关性，则在时间维度上，网络流量数据也具备了时间相关性的特点，时间相关性的特点主要是表现在趋势和周期性两个方面。网络流量数据会随着时间动态变化，如图2.1所示为AblieneIP骨干网络的流量可视图，从图中我们可以看出，这些网络流量数据显示出的痕迹，表示的是2016时隙的数据集揭示了一周内的流量，这些网络数据随着时间的变化而动态变化趋势.关于网络流量时间相关性的另外一个维度解读即为网络流量数据的周期性如图2.2所示。从图中可以看出网络流量数据显示出规则的痕迹，我们可得知IP骨干网络的流量数据具有一定的周期性。图2.1AblieneIP骨干网络的流量趋势可视图
【参考文献】：
期刊论文
[1]图卷积神经网络综述[J]. 徐冰冰,岑科廷,黄俊杰,沈华伟,程学旗. 计算机学报. 2020(05)
[2]基于两层迁移卷积神经网络的抽象图像情感识别[J]. 杨子文,陈蕾,浦建宇. 中国科学技术大学学报. 2019(01)
[3]高斯过程回归补偿ARIMA的网络流量预测[J]. 田中大,李树江,王艳红,王向东. 北京邮电大学学报. 2017(06)
[4]深度神经网络的发展现状[J]. 胡聪丛,胡桓. 电子技术与软件工程. 2017(04)
[5]基于改进的BP神经网络的网络流量预测模型[J]. 江露琪,孙文胜. 通信技术. 2017(01)
[6]Minimal Gated Unit for Recurrent Neural Networks[J]. Guo-Bing Zhou,Jianxin Wu,Chen-Lin Zhang,Zhi-Hua Zhou. International Journal of Automation and Computing. 2016(03)
[7]基于MCC的网络流量预测方法（英文）[J]. 曲桦,马文涛,赵季红,王涛. 中国通信. 2013(01)
[8]Internet——一个开放的复杂巨系统[J]. 戴汝为,操龙兵. 中国科学E辑:技术科学. 2003(04)
博士论文
[1]基于时间相关的网络流量建模与预测研究[D]. 高波.哈尔滨工业大学 2013
硕士论文
[1]基于回归神经网络的动态流量预测模型及应用[D]. 韩宪斌.北京邮电大学 2019
[2]基于机器学习的网络流量预测与应用研究[D]. 师圣蔓.北京邮电大学 2019
[3]基于时空图卷积网络的高速公路流量预测方法研究[D]. 冯宁.北京交通大学 2019
[4]基于时间序列模型的网络流量预测研究[D]. 朱苗苗.西安工程大学 2017
本文编号：3268636
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3268636.html
