面向网络流量矩阵的线性分解预测方法

摘要

网络流量预测技术作为网络管理的重要手段，对于优化网络资源分配、保障网络稳定性等具有重要意义.基于统计学的流量预测方法难以捕捉网络流量的非线性特征.深度学习方法虽有较好的时序预测能力，但仍需在预测精度与训练时间之间权衡.本文提出了一种基于线性分解模型(DLinear)的流量预测方法(DLCNet)对网络流量矩阵进行预测.DLCNet在序列分解的基础上，利用多层感知器(MLP)处理季节分量，卷积神经网络(CNN)处理趋势分量，并采用可逆实例归一化(RevIN),消除非平稳性并保持数据一致性，提升了模型的准确性.在Abilene等数据集上的实验结果表明，DLCNet在预测准确度上显著优于其他先进方法，综合性能表现突出，同时训练时间也大幅缩短.

关键词

流量预测 / 深度学习 / 流量矩阵 / 线性分解

基金资助

国家自然科学基金面上项目(62272237)资助;国家自然科学基金青年基金项目(52105553,61802207)资助; 江苏省高等学校自然科学研究重大项目(22KJA520005)资助; 南京邮电大学校级科研基金项目(NY220220)资助; 计算机网络和信息集成教育部重点实验室(东南大学)开放课题项目(K93-9-2023-04)资助