專利名稱：一種網(wǎng)絡(luò)流量預(yù)測和異常檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計(jì)算機(jī)網(wǎng)絡(luò)管理技術(shù)領(lǐng)域，特別是涉及網(wǎng)絡(luò)流量預(yù)測和異常檢測 方法。
背景技術(shù)：
隨著網(wǎng)絡(luò)技術(shù)的迅速發(fā)展，網(wǎng)絡(luò)應(yīng)用類型的多樣化以及各種網(wǎng)絡(luò)病毒和網(wǎng)絡(luò) 攻擊手法的出現(xiàn)，網(wǎng)絡(luò)管理和維護(hù)面臨著巨大的挑戰(zhàn)。在傳統(tǒng)的網(wǎng)絡(luò)管理系統(tǒng) 中，人們通常根據(jù)預(yù)先設(shè)定的閾值來進(jìn)行報(bào)警，通過實(shí)時(shí)監(jiān)測網(wǎng)絡(luò)信息來分析 網(wǎng)絡(luò)是否發(fā)生故障，顯然這是一種事后響應(yīng)的方式，當(dāng)發(fā)現(xiàn)問題時(shí)網(wǎng)絡(luò)服務(wù)巳 經(jīng)受到影響。對(duì)此，人們提出了預(yù)先網(wǎng)絡(luò)管理的概念，其思想就是對(duì)網(wǎng)絡(luò)中各 種可能發(fā)生的問題進(jìn)行預(yù)測，從而事先采取措施來加以解決。由于網(wǎng)絡(luò)流量特 征是網(wǎng)絡(luò)性能分析、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)優(yōu)化以及網(wǎng)絡(luò)負(fù)載均衡等實(shí)現(xiàn)的基礎(chǔ)，也是 網(wǎng)絡(luò)服務(wù)異常和故障發(fā)現(xiàn)的重要手段，因此對(duì)網(wǎng)絡(luò)故障的預(yù)測能夠從對(duì)網(wǎng)絡(luò)流 量特征的預(yù)測來加以解決。但由于網(wǎng)絡(luò)的動(dòng)態(tài)性，噪音和不穩(wěn)定的特點(diǎn)，對(duì)網(wǎng) 絡(luò)流量的預(yù)測具有很大的難度。為了進(jìn)行網(wǎng)絡(luò)流量的預(yù)測，我們需要建立一個(gè) 準(zhǔn)確的網(wǎng)絡(luò)流量模型。
傳統(tǒng)的網(wǎng)絡(luò)流量模型假設(shè)數(shù)據(jù)包到達(dá)的過程為泊松過程，數(shù)據(jù)包長度為指
數(shù)分布，并將這種模型成功應(yīng)用于ARPANET,但是隨著網(wǎng)絡(luò)規(guī)模擴(kuò)大、Qos保 證技術(shù)以及新的應(yīng)用的出現(xiàn)，網(wǎng)絡(luò)流量特征得到極大改變，經(jīng)典的泊松模型已 經(jīng)不能再表示實(shí)際的網(wǎng)絡(luò)流量特征。目前，網(wǎng)絡(luò)流量模型是一個(gè)活躍的研究領(lǐng) 域，模型種類眾多，但按照其相關(guān)性特點(diǎn)大致可以分為短相關(guān)流量模型和長相 關(guān)流量模型兩大類。短相關(guān)模型包括馬爾可夫模型和回歸模型，其中馬爾可夫 模型可細(xì)分為On-Off模型(On-Off Model)、 IPP模型(Interrupted Poisson Process Model)、狀態(tài)交替的更新過程(Alternating State Renewal Process)、馬爾可夫調(diào)制的泊松過程(MMPP:MarkovModulatedPoissonProcess)和馬爾可夫調(diào)制的流 過程(MMFP:Markov Modulated Fluid Process)等，回歸模型又可細(xì)分為自回歸 模型(AR: Autoregressive Model)、離散自回歸模型(DAR: Discrete Autoregressive Model)、自回歸滑動(dòng)平均模型(ARMA:Autoregressive Moving Average Model)、 求和自回歸滑動(dòng)平均模型(ARIMA:Autoregressive Integrated Moving Average Model)等；長相關(guān)流量模型包括分形布朗運(yùn)動(dòng)模型(Fractional Brownian Motion)、 FARIMA模型(Fractional ARIMA Model)、分形高斯噪聲模型 (FARIMA)、基于mallat算法的自相似模型、基于混沌映射的確定性模型、散 粒噪聲模型和小波基模型等。
不同的網(wǎng)絡(luò)流量模型是針對(duì)不同的網(wǎng)絡(luò)流量特征而建立的，每種模型都有著 各自的優(yōu)缺點(diǎn)，例如，馬爾可夫類流量模型雖然具有數(shù)學(xué)易處理性，但計(jì)算復(fù) 雜度隨著模型參數(shù)數(shù)目的增加而增加，此外這類模型對(duì)網(wǎng)絡(luò)流量預(yù)測的精度不 夠，并且不能描述長相關(guān)特征，目前馬爾可夫類模型只廣泛應(yīng)用于電話網(wǎng)絡(luò)中， 對(duì)于計(jì)算機(jī)網(wǎng)絡(luò)應(yīng)用并不成功?；貧w模型在對(duì)網(wǎng)絡(luò)行為預(yù)測和控制方面比較有 效，并且表示簡單，易于建立，但主要缺點(diǎn)是無法記錄流量序列中重要的周期 信息和趨勢信息，由于大規(guī)模網(wǎng)絡(luò)本身是復(fù)雜非線性系統(tǒng)，同時(shí)又受多種復(fù)雜 外界因素的影響，其宏觀流量行為往往復(fù)雜多變，數(shù)據(jù)中既含有多種周期類波 動(dòng)，又呈現(xiàn)非線性升、降趨勢，還受到未知隨機(jī)因素的干擾，而這些特點(diǎn)難以 用單一的回歸模型來描述。長相關(guān)流量模型能很好的說明網(wǎng)絡(luò)通信量中出現(xiàn)的 長相關(guān)和重尾等現(xiàn)象，但對(duì)于瞬時(shí)性能的評(píng)估卻非常困難。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種網(wǎng)絡(luò)流量預(yù)測與異常檢測方法，該方法能夠?qū)?未來時(shí)刻的網(wǎng)絡(luò)流量以及網(wǎng)絡(luò)流量超越閾值的概率進(jìn)行準(zhǔn)確預(yù)測，同時(shí)能夠?qū)Ξ?dāng)前網(wǎng)絡(luò)流量是否出現(xiàn)異常進(jìn)行檢測，從而保證網(wǎng)絡(luò)安全、穩(wěn)定、高效的運(yùn)行。
本發(fā)明主要包括基于正態(tài)分布的馬爾科夫周期流量模型、網(wǎng)絡(luò)流量預(yù)測算 法、網(wǎng)絡(luò)流量超越閾值的概率預(yù)測算法以及網(wǎng)絡(luò)流量異常檢測算法。
首先通過對(duì)網(wǎng)絡(luò)流量數(shù)據(jù)采集和分析，建立網(wǎng)絡(luò)流量周期預(yù)測函數(shù)，將網(wǎng) 絡(luò)流量分為周期分量和隨機(jī)分量，其中周期分量是周期性函數(shù)，隨機(jī)分量是隨 機(jī)函數(shù)，該周期預(yù)測函數(shù)的表達(dá)公式如下<formula>formula see original document page 8</formula>
其中7Kl表示f時(shí)刻的網(wǎng)絡(luò)流量，Tf為周期分量，是周期性函數(shù)，可用如下公式 計(jì)算
<formula>formula see original document page 8</formula>
ad為隨機(jī)分量，是隨機(jī)函數(shù)，通過分布擬合檢驗(yàn)證明其服從正態(tài)分布，分布函
數(shù)如下<formula>formula see original document page 8</formula>
其中參數(shù)—和^可以通過極大似然估計(jì)法獲得。又通過f統(tǒng)計(jì)量檢驗(yàn)證明其具
有馬爾可夫性，即^W序列可被視為馬爾可夫鏈。因此可以根據(jù)前一時(shí)刻^M的
狀態(tài)按照轉(zhuǎn)移概率來對(duì)下一時(shí)刻狀態(tài)進(jìn)行預(yù)測，具體實(shí)現(xiàn)方法如下
(1) 根據(jù)網(wǎng)絡(luò)流量歷史釆集數(shù)據(jù)計(jì)算^M并將其劃分為m個(gè)狀態(tài)區(qū)間，根據(jù) 前一時(shí)刻^W處于第/區(qū)間，后一時(shí)刻flf]處于第J'區(qū)間的比率p^VGm)來構(gòu)造 一步轉(zhuǎn)移概率矩陣P產(chǎn)(^.)。
(2) 根據(jù)當(dāng)前&時(shí)刻df]所處的狀態(tài)區(qū)間，建立概率向量尸&)= (pi(A)),P20。),…,AX,0))，其中A(&)表示^時(shí)刻《[fo]處于第/0'Em)區(qū)間的絕對(duì)概率.
(3) 由全概率公式可知，未來^時(shí)刻^V]所處各狀態(tài)區(qū)間的概率向量可表示為如下公式
尸⑥=,)& (4) 其中/^=戶,為A:步轉(zhuǎn)移概率矩陣，同時(shí)可以得到未來^時(shí)刻^W的預(yù)測值
(5)
其中《為^M所處狀態(tài)區(qū)間z'的平均值，A(4)表示^時(shí)刻^W所處狀態(tài)區(qū)間z'的概率。
通過對(duì)網(wǎng)絡(luò)流量的上述分析，建立基于正態(tài)分布的馬爾可夫周期流量模型，
該模型公式如下
其中7M表示f時(shí)刻的網(wǎng)絡(luò)流量，T,為周期分量，是周期性函數(shù)，d/]為隨機(jī)分量， 服從正態(tài)分布且具有有馬爾可夫性，《為df]所處狀態(tài)區(qū)間Z的平均值，A")表示 ^時(shí)刻^W所處狀態(tài)區(qū)間/的概率。
基于該模型的網(wǎng)絡(luò)流量預(yù)測算法實(shí)現(xiàn)方法如下
(1) 根據(jù)當(dāng)前時(shí)刻^的網(wǎng)絡(luò)流量71A)]，由公式1得當(dāng)前時(shí)刻A)的<^o]= T["]一r(。
(2) 根據(jù)《[Z。]所處狀態(tài)區(qū)間建立概率向量尸(&) = (p々0)，/^0),…aOo))，由 公式4得未來&時(shí)刻處于各狀態(tài)區(qū)間的概率= P(&)尸,f
(3) 由公式5得^時(shí)刻的a:4]的預(yù)測值為^4]= 其中《為第/ 狀態(tài)區(qū)間的平均值。
(4) 再由公式1得4時(shí)刻的網(wǎng)絡(luò)流量為:7^]=^+《[^^?；谠撃Ｐ偷奈磥頃r(shí)刻超越閾值A(chǔ)的概率預(yù)測算法實(shí)現(xiàn)方法如下
(1) 根據(jù)當(dāng)前時(shí)刻"的網(wǎng)絡(luò)流量7TW，由公式1得當(dāng)前時(shí)刻f。的
(2) 根據(jù)e[ o]所處狀態(tài)區(qū)間建立概率向量為尸(&) = (p々o),/^o),…，A^0))，由 公式4得未來&時(shí)刻處于各狀態(tài)區(qū)間的概率=尸OcO尸,f
(3) 設(shè)存在狀態(tài)區(qū)間力；Em，《為狀態(tài)區(qū)間j'的平均值，r[^]-r汰+^^〈義 且rM^W+《^^A，則網(wǎng)絡(luò)流量超越閾值A(chǔ)的概率儼t;^)。如果對(duì)于所有
/(/Em)， 則概率伊=0%，相反如果對(duì)于所有7(/em)， r'[&]=
W+《w》A，則概率^=100%。
基于該模型的流量異常檢測算法實(shí)現(xiàn)方法如下 設(shè)&和6分別為^W的置信上下限，對(duì)給定的置信度《有 <*]<W=a (7)
再由O)式得
柳]<6;-柳]<^= (8) 根據(jù)(8)式及正態(tài)分布函數(shù)的屬性，可以得到其如下表達(dá)式
(9)
其中0W為標(biāo)準(zhǔn)正態(tài)分布函數(shù)。假設(shè)尸^^<&> 0，則有 ^0"(a。一 (10) 由公式(9)、 (IO)可得置信上限的表達(dá)式如下
C0"(a+a。)— (11)
當(dāng)實(shí)際網(wǎng)絡(luò)流量連續(xù)高于流量模型的上限或連續(xù)低于流量模型的下限時(shí)，可 以判斷網(wǎng)絡(luò)流量已發(fā)生異常，同時(shí)流量模型參數(shù)也發(fā)生變化，需要重新獲取和計(jì)算。
本方法步驟流程圖如圖7所示 Sl:設(shè)定置信度參數(shù)OC及CC()。
S2:根據(jù)網(wǎng)絡(luò)流量歷史采集數(shù)據(jù)，利用流量模型計(jì)算A及^M并估算《W的正 態(tài)分布參數(shù)A和O"2，根據(jù)預(yù)設(shè)置信度CC及OC()計(jì)算網(wǎng)絡(luò)流量置信上下限區(qū)間。
S3:判斷當(dāng)前流量是否超越網(wǎng)絡(luò)流量置信區(qū)間，如果超越則轉(zhuǎn)S4，否則轉(zhuǎn)S7。
S4:更新流量采集數(shù)據(jù)，更新后的流量數(shù)據(jù)用于網(wǎng)絡(luò)流量模型參數(shù)的建立。 S5:根據(jù)更新的流量數(shù)據(jù)按照流量模型計(jì)算T,及《W并估算fW的正態(tài)分布參
數(shù)/z和a2。
S6:根據(jù)預(yù)設(shè)置信度a及cco計(jì)算新的網(wǎng)絡(luò)流量置信上下限區(qū)間。
S7:根據(jù)更新的流量數(shù)據(jù)計(jì)算^[f]并將其劃分為m個(gè)狀態(tài)區(qū)間，根據(jù)前一時(shí) 刻^W處于第/區(qū)間，后一時(shí)刻^W處于第y區(qū)間的比率A.(VEm)來構(gòu)造轉(zhuǎn)移概 率矩陣i^(^)。
S8:根據(jù)當(dāng)前時(shí)刻網(wǎng)絡(luò)流量利用流量預(yù)測算法或流量超越閾值的概率預(yù)測算 法對(duì)未來時(shí)刻網(wǎng)絡(luò)流量或網(wǎng)絡(luò)流量超越閾值的概率進(jìn)行預(yù)測。


圖l是網(wǎng)絡(luò)一年、 一月、 一周、 一日的流量特征。 圖2是網(wǎng)絡(luò)一周實(shí)際流量中的周期分量&的時(shí)間曲線圖。 圖3是網(wǎng)絡(luò)一周實(shí)際流量中的隨機(jī)分量^W對(duì)應(yīng)各狀態(tài)區(qū)間的頻數(shù)柱狀圖。 圖4是網(wǎng)絡(luò)流量預(yù)測算法對(duì)某日19: 00至22: 00實(shí)際網(wǎng)絡(luò)流量預(yù)測效果圖。 圖5是網(wǎng)絡(luò)流量超越閾值的概率預(yù)測算法對(duì)某日8: 05至10: 00實(shí)際網(wǎng)絡(luò) 流量超越閾值的概率預(yù)測效果圖。圖6是在給定置信度a和a。條件下的網(wǎng)絡(luò)流量置信區(qū)間以及實(shí)際網(wǎng)絡(luò)流量曲 線圖。
圖7是網(wǎng)絡(luò)流量預(yù)測及異常檢測方法的算法流程圖。
本方法計(jì)算復(fù)雜度簡單、易于實(shí)現(xiàn)，對(duì)于網(wǎng)絡(luò)流量的長相關(guān)特征、周期性特 征及突發(fā)性特征都有很好的描述，流量預(yù)測結(jié)果分析證明了預(yù)測算法的準(zhǔn)確性 和可信性。
其中圖1說明正常狀態(tài)下計(jì)算機(jī)網(wǎng)絡(luò)流量在短期內(nèi)具有周期性和突發(fā)性特 征，其周期為一天。
圖2說明實(shí)際網(wǎng)絡(luò)流量中的周期分量T,曲線與實(shí)際流量相比較為平滑，減少 了流量的突發(fā)性。
圖3說明實(shí)際網(wǎng)絡(luò)流量中的隨機(jī)分量^W服從正態(tài)分布特征，進(jìn)而可以對(duì)其 進(jìn)行合理估計(jì)。
圖4分別顯示網(wǎng)絡(luò)流量預(yù)測算法1， 2， 3， 5， IO步的流量預(yù)測結(jié)果，結(jié)果 表明該算法對(duì)實(shí)際網(wǎng)絡(luò)流量的預(yù)測具有很好的效果，流量預(yù)測值與實(shí)際流量觀 測值非常接近，其中1步流量預(yù)測值與實(shí)際流量觀測值最為接近，多步流量預(yù) 測值隨著預(yù)測步數(shù)的增加，預(yù)測準(zhǔn)確度略有降低，實(shí)驗(yàn)證明了預(yù)測算法的準(zhǔn)確 性和可信性。
圖5分別顯示網(wǎng)絡(luò)流量超越閾值的概率預(yù)測算法1， 2， 3， 5， IO步的概率 預(yù)測結(jié)果，結(jié)果說明該算法對(duì)實(shí)際網(wǎng)絡(luò)流量超越閾值的概率預(yù)測具有很好的效 果，概率預(yù)測值與實(shí)際觀測值非常接近，其中1步概率預(yù)測值與實(shí)際觀測值最 為接近，多步概率預(yù)測隨著預(yù)測步數(shù)的增加，預(yù)測準(zhǔn)確度略有降低，實(shí)驗(yàn)證明 了概率預(yù)測算法的準(zhǔn)確性和可信性。
圖6為網(wǎng)絡(luò)流量置信區(qū)間圖，其中置信度『0.95， ctQ=0.02，中間起伏較為明顯的為實(shí)際網(wǎng)絡(luò)流量，中間起伏較為平滑的曲線為流量均值，最上面和最下面 的曲線為網(wǎng)絡(luò)流量置信上限和下限，其結(jié)果顯示了網(wǎng)絡(luò)流量異常檢測算法的可 信性。
權(quán)利要求
1、一種網(wǎng)絡(luò)流量預(yù)測和異常檢測方法，包括基于正態(tài)分布的馬爾科夫周期流量模型、網(wǎng)絡(luò)流量預(yù)測算法、網(wǎng)絡(luò)流量超越閾值的概率預(yù)測算法、網(wǎng)絡(luò)流量異常判斷算法。
2、 根據(jù)權(quán)利要求1所述的網(wǎng)絡(luò)流量預(yù)測和異常檢測方法，其特征在于，該方法 建立了一種基于正態(tài)分布的馬爾可夫周期流量模型，該模型將網(wǎng)絡(luò)流量分為周 期分量和隨機(jī)分量，其中周期分量為周期性函數(shù)，隨機(jī)分量服從正態(tài)分布且具 有馬爾可夫性。
3、 根據(jù)權(quán)利要求l所述的網(wǎng)絡(luò)流量預(yù)測和異常檢測方法，其特征在于，流量模 型可以表示為如下表達(dá)式'm 6 公式l^] = 5>,(r)、 /=1其中7M表示Z時(shí)刻的網(wǎng)絡(luò)流量，T,為周期分量，是周期性函數(shù)，^W為隨機(jī)分量， 服從正態(tài)分布且具有有馬爾可夫性，《為ad所處狀態(tài)區(qū)間Z的平均值，A")表示 f時(shí)刻^W所處狀態(tài)區(qū)間i的概率。
4、 根據(jù)權(quán)利要求1和3所述的網(wǎng)絡(luò)流量預(yù)測和異常檢測方法，其特征在于，流 量模型中的周期分量A可通過對(duì)網(wǎng)絡(luò)流量觀測值的均值獲得。
5、 根據(jù)權(quán)利要求l所述的一種網(wǎng)絡(luò)流量預(yù)測和異常檢測方法，其特征在于，流 量模型中的隨機(jī)分量通過分布擬合檢驗(yàn)證明其服從正態(tài)分布的特性，分布函數(shù) 如下/Y6W<W= H;^e 2ff2血 公式2其中A和^可以通過極大似然估計(jì)法獲得。
6、 根據(jù)權(quán)利要求l所述的網(wǎng)絡(luò)流量預(yù)測和異常檢測方法，其特征在于，流量模型中的隨機(jī)分量通過；^統(tǒng)計(jì)量檢驗(yàn)證明其具有馬爾可夫性，即^w序列可被視為馬爾可夫鏈。
7、 根據(jù)權(quán)利要求1和6所述的網(wǎng)絡(luò)流量預(yù)測和異常檢測方法，其特征在于，根據(jù)當(dāng)前A)時(shí)刻*]所處的狀態(tài)區(qū)間可按照轉(zhuǎn)移概率矩陣預(yù)測未來^時(shí)刻朋所處各狀態(tài)區(qū)間的概率，預(yù)測函數(shù)如下P(4) = Prt 公式3其中iV。表示^時(shí)刻^M所處各狀態(tài)區(qū)間的概率向量，尸⑥表示fo時(shí)刻朋所處各狀態(tài)區(qū)間的概率向量，Afi^為A:步轉(zhuǎn)移概率矩陣。
8、 根據(jù)權(quán)利要求1和7所述的網(wǎng)絡(luò)流量預(yù)測和異常檢測方法，其特征在于，網(wǎng)絡(luò)流量預(yù)測算法包括(1)根據(jù)當(dāng)前A)時(shí)刻的網(wǎng)絡(luò)流量7Tfo]，由公式1得當(dāng)前&時(shí)刻的^[&]= ZMzl!！。 (2)根據(jù)A&]所處狀態(tài)區(qū)間建立概率向量尸&)=(pWo)，化(fo)，…,;^0))，由公式3得未來"時(shí)刻aw處于各狀態(tài)區(qū)間的概率向量戶(")- o)A尸(^(")，P2(4)，…，A^))。 (3)由概率向量尸(0可得&時(shí)刻的^M的預(yù)測值為^[&]= t《A(")，其中《為第z'狀態(tài)區(qū)間的平均值，A(4)表示&時(shí)刻^W所處狀態(tài)區(qū)間/的概率。(4)再由公式1得&時(shí)刻的網(wǎng)絡(luò)流量為JT>d=w+^[^^。
9、 根據(jù)權(quán)利要求1和7所述的網(wǎng)絡(luò)流量預(yù)測和異常檢測方法，其特征在于，給定預(yù)定閾值;u則未來時(shí)刻網(wǎng)絡(luò)流量超越閾值;i的概率算法包括(i)根據(jù)當(dāng)前時(shí)刻&的網(wǎng)絡(luò)流量7Ifo]，由公式1得當(dāng)前時(shí)刻fo的。 (2)根據(jù)〖[fo]所處狀態(tài)區(qū)間建立概率向量為= (p^o)，化(fo),…,A(A)))，由公式3得未來&時(shí)刻^J處于各狀態(tài)區(qū)間的概率向量尸(。= ())&= (^(W,化(4)，…，/^0)。 (3)設(shè)存在狀態(tài)區(qū)間y，7ew，《為狀態(tài)區(qū)間y的平均值，r[f^^+0,^^且r'[f^W+《,》A，則網(wǎng)絡(luò)流量超越閾值義的概率戶^>,桐。如果對(duì)于所有J'(/Em)，n4]=^+%A<A，則概率儼0%，相反如果對(duì)于所有y(/e附)，nw=Trt+《w》yl，則概率伊=100%。
10、 根據(jù)權(quán)利要求1和5所述的網(wǎng)絡(luò)流量預(yù)測和異常檢測方法，其特征在于，給定置信度cc，隨機(jī)分量的置信上下限分別為<formula>formula see original document page 4</formula>其中"為標(biāo)準(zhǔn)正態(tài)分布函數(shù)的反函數(shù)，ao為隨機(jī)分量置信下限的預(yù)設(shè)置信度。
11、 根據(jù)權(quán)利要求l和IO所述的網(wǎng)絡(luò)流量預(yù)測和異常檢測方法，其特征在于，根據(jù)預(yù)定的置信度可以估計(jì)未來時(shí)刻網(wǎng)絡(luò)流量的置信區(qū)間，當(dāng)實(shí)際網(wǎng)絡(luò)流量超越該置信區(qū)間，可以判斷網(wǎng)絡(luò)流量已發(fā)生異常，同時(shí)流量模型參數(shù)也發(fā)生變化，需要重新獲取和計(jì)算。
12、 根據(jù)權(quán)利要求1所述的網(wǎng)絡(luò)流量預(yù)測和異常檢測方法，其特征在于，其步驟如下Sl:設(shè)定置信度參數(shù)ct及cc。。S2:根據(jù)網(wǎng)絡(luò)流量歷史采集數(shù)據(jù)，利用流量模型計(jì)算T,及^W并估算df]的正態(tài)分布參數(shù)//和^，根據(jù)預(yù)設(shè)置信度《及《0計(jì)算網(wǎng)絡(luò)流量置信上下限區(qū)間。S3:判斷當(dāng)前流量是否超越網(wǎng)絡(luò)流量置信區(qū)間，如果超越則轉(zhuǎn)S4，否則轉(zhuǎn)S7。S4:更新流量采集數(shù)據(jù)，更新后的流量數(shù)據(jù)用于網(wǎng)絡(luò)流量模型參數(shù)的建立。S5:根據(jù)更新的流量數(shù)據(jù)按照流量模型計(jì)算r,及^W并估算^W的正態(tài)分布參數(shù)p禾口 ff2。S6:根據(jù)預(yù)設(shè)置信度oc及cco計(jì)算新的網(wǎng)絡(luò)流量置信上下限區(qū)間。S7:根據(jù)更新的流量數(shù)據(jù)計(jì)算^W并將其劃分為個(gè)狀態(tài)區(qū)間，根據(jù)前一時(shí)刻flf]處于第/區(qū)間，后一時(shí)刻dd處于第區(qū)間的比率/7力VEm)來構(gòu)造轉(zhuǎn)移概率矩陣S8:根據(jù)當(dāng)前時(shí)刻網(wǎng)絡(luò)流量利用流量預(yù)測算法或流量超越閾值的概率預(yù)測算法對(duì)未來時(shí)刻網(wǎng)絡(luò)流量或網(wǎng)絡(luò)流量超越閾值的概率進(jìn)行預(yù)測。
全文摘要
本發(fā)明涉及網(wǎng)絡(luò)流量預(yù)測和異常檢測技術(shù)領(lǐng)域，包括基于正態(tài)分布的馬爾可夫周期流量模型、基于該模型的網(wǎng)絡(luò)流量預(yù)測算法、網(wǎng)絡(luò)流量超越閾值的概率預(yù)測算法以及網(wǎng)絡(luò)流量異常檢測算法。本方法中采用的流量模型是針對(duì)正常狀態(tài)下網(wǎng)絡(luò)流量具有周期性和突發(fā)性的特征而建立的，它將實(shí)際網(wǎng)絡(luò)流量分為周期分量和隨機(jī)分量，其中周期分量為周期性函數(shù)，隨機(jī)分量服從正態(tài)分布且具有馬爾可夫性。理論及實(shí)驗(yàn)都證明該模型能夠合理描述網(wǎng)絡(luò)流量特征。與傳統(tǒng)流量預(yù)測方法相比，本方法計(jì)算復(fù)雜度簡單，對(duì)于網(wǎng)絡(luò)流量的長相關(guān)特征、周期性特征以及突發(fā)性特征都有很好的描述，因而本方法具有更高的準(zhǔn)確度和可信度。
文檔編號(hào)H04L12/24GK101651568SQ20091015889
公開日2010年2月17日 申請(qǐng)日期2009年7月1日 優(yōu)先權(quán)日2009年7月1日
發(fā)明者時(shí)鴻濤 申請(qǐng)人:青島農(nóng)業(yè)大學(xué)