黄伟，刘存才，祁思博

针对设备端口链路的LSTM网络流量预测与链路拥塞方案

黄伟，刘存才，祁思博

（中国电子科技集团公司第五十四研究所，河北 石家庄 050081）

针对设备端口链路流量，提出两种基于长短期记忆网络的预测模型。第一种针对在大时间粒度下平稳变化的流量；第二种则针对在小时间粒度下波动剧烈的非平稳流量。通过选用不同的数据划分方式与模型训练方法，构建两种具有不同网络结构的流量预测模型。实验结果表明，前者在处理平稳变化的流量时能够达到极高的预测精度，后者在处理非平稳流量时具有明显优于SVR模型、BP神经网络模型的预测效果。在第二种预测模型的基础上，提出了参数可调的链路拥塞预警方案，实验证明该方案具有一定的可行性。

长短期记忆网络；机器学习；网络流量预测；非平稳流量预测；时间序列预测

1 引言

近年来，网络业务日益复杂多元化，网络流量更多地呈现出突发性与自相似性，流量的时间序列也愈加难以使用传统的线性方法进行建模描述。为此，研究者开始尝试将SVR[1-2]、BP神经网络[3-5]等机器学习方法应用于网络流量乃至交通流量预测，试图通过对历史流量的学习来预测未来时间流量。从以往的研究中来看，多数研究者需要利用流量的周期性特征，这主要适用于较大时间粒度的流量预测[3-6]，需要长时间的训练数据且无法保证预测的时效性。另外一种为短时流量预测[7-9]，由于小时间粒度下流量序列前后波动的不确定性，很难使用传统机器学习方法对其进行精确的描述。……