申请/专利权人：大连大学

申请日：2024-02-01

公开（公告）日：2024-05-14

公开（公告）号：CN118041867A

主分类号：H04L47/127

分类号：H04L47/127;H04L47/19

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.31#实质审查的生效;2024.05.14#公开

摘要：本发明公开了一种基于VMD的改进LSTM模型的网络流量预测方法，包括以下步骤：制备数据集；搭建改进LSTM网络流量预测模型；训练改进LSTM网络流量预测模型。本发明采用了VMD模块作为改进LSTM网络流量预测模型的输入处理单元，并且重复利用VMD模块对第一次处理的残差项，进行二次分解，不仅可以有效降低复杂时间序列的非平稳性和非线性特征，还充分利用了复杂时间序列的隐藏特征，从而使网络流量预测模型能够更好地理解和捕捉时间序列中的关键特征。这一选择大大提高了改进LSTM网络流量预测模型在网络流量预测任务中的性能和准确性，为相关领域的研究和应用提供了可靠的技术基础。

主权项：1.一种基于VMD的改进LSTM模型的网络流量预测方法，其特征在于：包括以下步骤：A、制备数据集收集MAWI工作组捕获的太平洋骨干节点的真实流量，所述MAWI工作组为日本广域互联网测量与分析机构，并按以下步骤制备复杂网络流量数据集：A1、对网络流量进行输入输出统计即进行IO统计从MAWI工作组下载骨干节点F收集的原始流量数据集，所述原始流量数据集为包含网络各层所有会话信息的网络数据包集合，使用WireShark软件对其进行IO统计，得到不少于7200秒的IO时序数据集，简称IO原始数据集；A2、数据集预处理采用最大最小化方法对所述IO原始数据集进行标准化处理，采用平均值法对缺失值进行补足，采用箱线图法对异常值进行替换，并将处理后的IO原始数据集简称为网络流量数据集；B、搭建改进LSTM网络流量预测模型所述改进LSTM网络流量预测模型的整体架构采用分解-预测-融合架构；所述改进LSTM网络流量预测模型包括VMD模块和GA-LSTM模块；网络流量数据集输入到VMD模块后，得到n个模态分量IMF1、IMF2、…、IMFn，其中，IMFn为残差分量；将前n-1个模态分量IMF1、IMF2、…、IMFn-1分别输入到GA-LSTM模块的GA-LSTM1、GA-LSTM2、…、GA-LSTMn-1子模块；将残差分量IMFn输入到第二VMD模块得到m个模态分量；将m个模态分量分别输入到GA-LSTM模块的GA-LSTMn1、…、GA-LSTMnm子模块；所述GA-LSTM模块包括GA模块和LSTM模块，负责调整最好的网络状态去训练输入的模态分量，所述LSTM模块对得到的各模态分量进行训练，由GA模块负责记录对应的LSTM模块的分量训练结果与对应的环境参数；各模态分量经过GA-LSTM模块的各子模块训练和调整后输出相应的预测分量，具体为：通过GA-LSTM1、GA-LSTM2、…、GA-LSTMn-1子模块分别输出1到n-1号预测分量，将GA-LSTMn1、…、GA-LSTMnm输出的n1到nm号预测分量直接采取线性相加的方式得到n号预测分量，最后将1到n号预测分量采取线性相加的方式得到最终的预测结果；所述VMD模块为变分模态分解模块，所述GA模块为遗传算法模块，所述LSTM模块为长短期记忆神经网络模块；C、训练改进LSTM网络流量预测模型将B步骤输出的改进LSTM模块参数作为最终的改进LSTM参数，训练集作为改进LSTM网络流量预测模型的输入，对改进LSTM网络流量预测模型中神经网络的各个节点进行学习和训练，最终得到训练完成的改进LSTM网络流量预测模型，用测试集进行验证。

全文数据：

权利要求：

百度查询： 大连大学 一种基于VMD的改进LSTM模型的网络流量预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD