CN114826948A - 一种基于图卷积网络的sdn网络流量预测方法 - Google Patents
一种基于图卷积网络的sdn网络流量预测方法 Download PDFInfo
- Publication number
- CN114826948A CN114826948A CN202210445367.9A CN202210445367A CN114826948A CN 114826948 A CN114826948 A CN 114826948A CN 202210445367 A CN202210445367 A CN 202210445367A CN 114826948 A CN114826948 A CN 114826948A
- Authority
- CN
- China
- Prior art keywords
- network
- graph
- flow
- model
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 206010035664 Pneumonia Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明属于网络流量预测技术领域,具体的说是一种基于图卷积网络的SDN网络流量预测方法。本发明通过使用图卷积网络进行流量预测,将整体网络抽象为网络拓扑,网络节点抽象为图中的点、节点与节点连接的链路抽象为图中的边,更好的拟合网络的动态变化,有助于实现更加精准的网络流量预测。
Description
技术领域
本发明属于网络流量预测技术领域,具体的说是一种基于图卷积网络的SDN网络流量预测方法。
背景技术
在新冠肺炎疫情防控常态化的大背景下,人们对网络的依赖程度加深,大数据行程码、外卖点餐、智能家居、线上网课等工作和生活的方方面面都离不开网络的稳定运行,一个网络节点或链路的故障会影响到千百万人的生活。如何能够提前预防大数据流量涌入或突发故障,保证网络环境的稳定性,成为当下亟需解决的问题。
对网络流量进行预测,可以全方位的对网络进行感知,能够很好的解决上述问题。通过对过去一段时间的网络流量进行分析和特征提取,有效获取流量的变化规律,并对未来一段时间链路和整体网络的运行状态做出预测,可以有效避免网络突发状况的发生。流量预测最能考验一个算法的运行速度和计算精度,在真实场景中具有极强的应用价值。
近年来对流量预测多使用深度学习模型,经过循环神经网络(Recurrent NeuralNetwork,RNN)、长短时记忆网络(Long Short-Term Memory,LSTM)、门控循环单元(GatedRecurrent Unit,GRU)等模型的改进,流量预测的精度突飞猛进。但是RNN及其变种模型自始至终都存在一个共性的问题,就是这些模型只考虑了时间特征,而忽略了空间特征。现有流量预测模型已经较为成熟,但关注重点在于时间序列模型的改进算法,对提高预测精度和降低误差的改进较小。
图是一种数据形式,在通信网络、电力传输、交通网络、人体循环网络中随处可见“图”的影子。图与通信网络本身就有着密不可分的关系,将图的思想运用于网络链路流量的预测,有着很强的合理性和可实现性。
传统的卷积神经网络(Convolutional Neural Network,CNN)只适用于欧氏空间,而网络拓扑是一个非欧氏空间,因此CNN不能处理网络拓扑的数据。而图卷积网络(GraphConvolutional Network,GCN)可以处理拓扑网络结构,提取顶点和顶点之间的空间特征。它的核心思想是,将图中的节点和边,转化为空间中的点和线,然后再进行节点分类、边分类、图分类等操作。GCN在图像处理领域表现良好,可以迁移在流量预测领域提取空间特征,对提高算法性能有着良好的效果。
发明内容
本发明的发明目的在于:图卷积网络针对当前网络流量的时间突发性和空间相关性,将时间特征和空间特征相结合,预测方向更加全面。用图表示节点间的连接关系,获取网络中每一时刻的数据权重、更好的拟合与前后时刻的关系。
本发明采用的基于图卷积网络的SDN网络流量预测方法的技术方案如下:
S1、数据处理:连续采样N个周期得到SDN网络各交换机之间的流量数据,得到流量矩阵Xt;获取SDN网络拓扑结构,抽象得到邻接矩阵A;将流量矩阵Xt作为训练集;在仿真中可采用流量矩阵Xt不少于80%的数据作为训练集,其余作为测试集。
S2、构建图卷积网络模型:确定输入层神经元的个数、各隐藏层神经元数量、完成输入到输出的映射,即根据前R个时刻的流量值预测后M个时刻的流量值。
S21、利用图的卷积获取交换机之间的连接关系:在图卷积网络的每一个隐藏层,图的卷积GC定义为节点信号和滤波器相乘,在傅里叶域可以参数化滤波器。对于邻接矩阵A中的任一点a,计算公式如下所示
gθ·a=UgθUTa
其中,gθ表示滤波器,U是归一化拉普拉斯矩阵的特征矩阵,UTa是a的图傅里叶变换。
S22、对SDN网络中的每一条链路,按照顺序进行特征提取:
Ut是t时刻的更新门,用于控制前一时刻网络流量传入当前层的概率;Rt为t时刻的重置门,用于控制前一时刻的网络流量是否被忽略;Ct为存储单元,用于存储当前时刻t的信息。当前时刻的流量值Xt首先经过图卷积GC得到Xt',然后与t-1时刻的隐藏层Ht-1结合,经过计算得到t时刻的隐藏层输出Ht。
各控制门输出的具体计算过程如下。
Ut=δ(Wu[f(A,Xt),Ht-1]+bu)
Rt=δ(Wr[f(A,Xt),Ht-1]+br)
Ct=tanh(Wc[f(A,Xt),(Rt·Ht-1)]+bc)
Ht=Ut·Ht-1+(1-Ut)·Ct
其中,f(A,Xt)表示图的卷积过程,W和b表示训练过程中的权重和偏差。
S23、对于图卷积网络t时刻的隐藏层输出Ht,使用多层感知器作为评分函数,经过Softmax函数标准化,计算每个隐藏状态的权重αi;每个状态的权重αi通过两个隐藏层获得,计算公式如下。
ei=w(2)(w(1)H+b(1))+b(2)
其中w(1)和b(1)是第一层权重和偏差,w(2)和b(2)是第二层的权重和偏差。
对每个状态的权重αi进行全连接,得到描述全局网络变化的上下文向量Yt,Yt即为输出层的输出结果,计算公式如下。
S3、模型训练:设定随机初始值对模型进行初始化,输入训练集对S2构建的模型进行训练,训练过程中不断更新各隐藏层的参数,并保存训练模型。
S4、获取SDN网络流量,将其输入到训练好的模型中获得预测结果。
本发明的有益效果为,本发明通过使用图卷积网络进行流量预测,将整体网络抽象为网络拓扑,网络节点抽象为图中的点、节点与节点连接的链路抽象为图中的边,更好的拟合网络的动态变化,有助于实现更加精准的网络流量预测。
附图说明
图1实施例拓扑图;
图2为基于图卷积网络模型的预测结果图;
图3为隐藏层数变化时图卷积网络模型性能图;
图4为学习率变化时图卷积网络模型性能图;
图5不同干扰下图卷积网络模型误差。
具体实施方式
下面结合附图和实施例,详细描述本发明的技术方法:
实施例
S1、获取样本数据集
本实施例使用ONOS作为网络控制器,采用Mininet作为网络仿真平台模拟SDN网络环境。采用的拓扑图共包含12台交换机、15台主机、15条单向链路、共计30条双向链路,如图1所示。其中s1和s2是主交换机,分别作为源地址和目的地址。a3s1~a3s10为区域内交换机。s1连接4台主机,其余交换机均连接一台主机。主机h1向h11一共发送四条业务,数据包分别为1.25Mbps、0.2Mbps、0.5Mbps和1.15Mbps。链路带宽统一设定为2Mbps。当前三个包发送后,链路负载达到1.95Mbps,接近带宽阈值。当第四个包发送后,明显超过阈值。业务流量设计为20个时间间隔,重复上述业务发送,获取业务发送过程中的流量。
S2、数据预处理
本实施例的拓扑共有30条链路,因此将流量转化为N*30的矩阵Xt,单位Mbps,Xt的某一列代表某条链路各个时刻的链路负载值,某一行代表某一个时刻各个链路的链路负载值。处理好的矩阵Xt作为link_load数据集。
S21、确定链路与序号:邻接矩阵能够反映链路之间有无连接,描述了邻接链路对当前链路的影响。实施例中使用的拓扑共用30条链路,首先需要确定链路的序号,如表1所示。
表1链路与序号对照表
S22、通过链路之间的连接关系确定邻接矩阵:确定好链路对应的序号后,根据链路之间有无连接,为邻接矩阵A=arc[i][j]赋值,1表示有连接,0表示无连接。其中链路1-15的邻接矩阵如表2所示。链路16-30是链路1-15的反向链路,邻接关系相似。处理好的邻接矩阵A作为link_adj数据集。
表2链路1-15的邻接矩阵
S3、构建图卷积网络模型,进行训练和测试,得到预测结果
S31、读取link_load数据集和link_adj数据集;
S32、数据预处理,将读入的数据进行归一化和去噪处理;
S33、样本分割,选取80%作为训练集,20%作为测试集;
S34、初始化模型参数,指定初始的学习率、步长、隐藏层数等;
S35、使用训练集作为输入,开始进行模型训练;
S36、计算图卷积GC,得到f(A,Xt);
S37、计算更新门Ut、重置门Rt、保存当前时刻信息Ct、生成每层的隐藏状态Ht,;
S38、计算每个隐藏状态的权重ei、softmax标准化后生成各隐藏状态权重αt,计算上下文向量Yt,并输出结果;
S39、采用均方根误差(Root Mean Squard Error,RMSE)作为模型的损失函数,判断模型是否达到最佳效果;如果训练未完成,持续循环,更新隐藏状态Ht;
S310、训练完成,数据反归一化,计算误差,保存模型;
S311、使用测试集,调用模型,得到预测结果。
S4、预测结果验证:图卷积网络模型隐藏层数的初始值设为64,学***滑滤波器实现的,这个过程弱化了对突变数据的感知。
S5、模型性能评估:探究模型参数对模型性能的影响,使用和RMSE和平均绝对误差(Mean Absolute Error,MAE)作为模型优劣的量化指标。
S51、隐藏层数对模型性能的影响:将隐藏层数的取值范围规定在[8,16,32,64,80,100,128]内选取,图卷积网络模型的预测性能指标RMSE和MAE如图3所示。实验结果表明,隐藏层数在64时,误差最小。随着隐藏层数的增加,预测误差先降低,到达最低值后会由于参数***式增长而缓慢增加。
S52、学习率对模型性能的影响:确定学习率的取值大概范围,再逐步缩小取整范围。学习率取值分别为[0.001,0.005,0.01,0.05,0.1,1]。此时RMSE和MAE的变化很大,其中当学习率取0.01时,误差最小。因此进一步缩小范围再次实验,学习率取值分别为[0.01,0.02,0.03,0.04,0.05,0.06,0.07,0.08,0.09,0.1]。图卷积网络模型性能随学习率变化如图4所示。实验结果表明,学习率在0.03时,RMSE和MAE最小。
S53、噪声对模型性能的影响:为了更好的模拟真实环境,检验模型的稳健性,对模型加入噪声干扰。本实施例设置的噪声服从高斯分布N∈(0,δ2),并对噪声进行归一化处理。对参数δ的取值为[0.2,0.4,0.6,0.8]。A3T-GCN模型的性能指标RMSE、MAE如图5所示。实验结果表明,不同噪声下,图卷积网络模型的各种性能指标变化不大,验证了模型的稳健性。
综上,本发明对基于图卷积网络的SDN网络流量预测的从多个角度的性能进行实验,验证了模型可以有效的获取空间特征和时间特征。针对网络流量的时间突发性和空间相关性,模型具有一定的预测精度和稳健性。
Claims (1)
1.一种基于图卷积网络的SDN网络流量预测方法,其特征在于,包括以下步骤:
S1、连续采样N个周期得到SDN网络各交换机之间的流量数据,得到流量矩阵Xt;获取SDN网络拓扑结构,抽象得到邻接矩阵A;将流量矩阵Xt作为训练集;
S2、构建图卷积网络模型:确定输入层神经元的个数、各隐藏层神经元数量、完成输入到输出的映射,即根据前R个时刻的流量值预测后M个时刻的流量值,具体包括:
S21、利用图的卷积获取交换机之间的连接关系:在图卷积网络的每一个隐藏层,图的卷积GC定义为节点信号和滤波器相乘,在傅里叶域参数化滤波器;对于邻接矩阵A中的任一点a,计算方式为:
gθ·a=UgθUTa
其中,gθ表示滤波器,U是归一化拉普拉斯矩阵的特征矩阵,UTa是a的图傅里叶变换;
S22、对SDN网络中的每一条链路,按照顺序进行特征提取:
定义Ut是t时刻的更新门,用于控制前一时刻网络流量传入当前层的概率;定义Rt为t时刻的重置门,用于控制前一时刻的网络流量是否被忽略;定义Ct为存储单元,用于存储当前时刻t的信息;令当前时刻的流量值Xt首先经过图卷积GC得到Xt',然后与t-1时刻的隐藏层Ht-1结合,经过计算得到t时刻的隐藏层输出Ht;
各控制门输出的具体计算方式为:
Ut=δ(Wu[f(A,Xt),Ht-1]+bu)
Rt=δ(Wr[f(A,Xt),Ht-1]+br)
Ct=tanh(Wc[f(A,Xt),(Rt·Ht-1)]+bc)
Ht=Ut·Ht-1+(1-Ut)·Ct
其中,f(A,Xt)表示图的卷积过程,W和b表示训练过程中的权重和偏差,下标用于区分对应的不同控制门;
S23、对图卷积网络t时刻的隐藏层输出Ht,使用多层感知器作为评分函数,经过Softmax函数标准化,计算每个隐藏状态的权重αi;每个状态的权重αi通过两个隐藏层获得,计算方式为:
ei=w(2)(w(1)H+b(1))+b(2)
其中w(1)和b(1)是第一层权重和偏差,w(2)和b(2)是第二层的权重和偏差;
对每个状态的权重αi进行全连接,得到描述全局网络变化的上下文向量Yt,Yt即为输出层的输出结果,计算方式为:
S3、模型训练:设定随机初始值对模型进行初始化,输入训练集对S2构建的模型进行训练,训练过程中不断更新各隐藏层的参数,得到训练好的模型;
S4、获取SDN网络流量,将其输入到训练好的模型中获得预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210445367.9A CN114826948A (zh) | 2022-04-26 | 2022-04-26 | 一种基于图卷积网络的sdn网络流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210445367.9A CN114826948A (zh) | 2022-04-26 | 2022-04-26 | 一种基于图卷积网络的sdn网络流量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114826948A true CN114826948A (zh) | 2022-07-29 |
Family
ID=82506803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210445367.9A Pending CN114826948A (zh) | 2022-04-26 | 2022-04-26 | 一种基于图卷积网络的sdn网络流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114826948A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116112379A (zh) * | 2022-12-09 | 2023-05-12 | 国网湖北省电力有限公司信息通信公司 | 一种数据中心多维业务共享设备的有向链路动态预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112350876A (zh) * | 2021-01-11 | 2021-02-09 | 南京信息工程大学 | 一种基于图神经网络的网络流量预测方法 |
CN113852492A (zh) * | 2021-09-01 | 2021-12-28 | 南京信息工程大学 | 基于注意力机制和图卷积神经网络的网络流量预测方法 |
-
2022
- 2022-04-26 CN CN202210445367.9A patent/CN114826948A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112350876A (zh) * | 2021-01-11 | 2021-02-09 | 南京信息工程大学 | 一种基于图神经网络的网络流量预测方法 |
CN113852492A (zh) * | 2021-09-01 | 2021-12-28 | 南京信息工程大学 | 基于注意力机制和图卷积神经网络的网络流量预测方法 |
Non-Patent Citations (2)
Title |
---|
ZENG XIANGYUN等: "Deep Reinforcement Learning with Graph Convolutional Networks for Load Balancing in SDN-Based Data Center Networks", 《 2021 18TH INTERNATIONAL COMPUTER CONFERENCE ON WAVELET ACTIVE MEDIA TECHNOLOGY AND INFORMATION PROCESSING (ICCWAMTIP)》 * |
宋元隆等: "基于图卷积神经网络的SDN网络流量预测", 《计算机科学》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116112379A (zh) * | 2022-12-09 | 2023-05-12 | 国网湖北省电力有限公司信息通信公司 | 一种数据中心多维业务共享设备的有向链路动态预测方法 |
CN116112379B (zh) * | 2022-12-09 | 2024-02-02 | 国网湖北省电力有限公司信息通信公司 | 一种数据中心多维业务共享设备的有向链路动态预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
CN114818515A (zh) | 一种基于自注意力机制和图卷积网络的多维时序预测方法 | |
CN105845128B (zh) | 基于动态剪枝束宽预测的语音识别效率优化方法 | |
CN110991362A (zh) | 一种基于注意力机制的行人检测模型 | |
CN110504676B (zh) | 一种基于apso-bp的配电网状态估计方法 | |
CN108876044B (zh) | 一种基于知识增强神经网络的线上内容流行度预测方法 | |
CN111260124A (zh) | 一种基于注意力机制深度学习的混沌时间序列预测方法 | |
CN106656357B (zh) | 一种工频通信信道状态评估***和方法 | |
CN108665322A (zh) | 口粮消费量预测模型的构建方法、消费量预测方法及装置 | |
CN111355633A (zh) | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 | |
CN114826948A (zh) | 一种基于图卷积网络的sdn网络流量预测方法 | |
CN107578101B (zh) | 一种数据流负载预测方法 | |
CN114708479B (zh) | 一种基于图结构和特征的自适应防御方法 | |
Song | Robust initialization of a Jordan network with recurrent constrained learning | |
CN112036651A (zh) | 基于量子免疫优化bp神经网络算法的电价预测方法 | |
CN114124734A (zh) | 一种基于GCN-Transformer集成模型的网络流量预测方法 | |
CN117668743A (zh) | 一种关联时空关系的时序数据预测方法 | |
CN116403054A (zh) | 基于类脑网络模型的图像优化分类方法 | |
CN113807005B (zh) | 基于改进fpa-dbn的轴承剩余寿命预测方法 | |
Baldvinsson et al. | Il-gan: Rare sample generation via incremental learning in gans | |
CN112613227B (zh) | 基于混合机器学习的航空发动机剩余使用寿命预测模型 | |
CN116094758A (zh) | 一种大规模网络流量采集方法及*** | |
CN113268782B (zh) | 一种基于图神经网络的机器账号识别及伪装对抗方法 | |
CN114372418A (zh) | 一种风电功率时空态势描述模型建立方法 | |
CN113763710A (zh) | 一种基于非线性自适应***的短期交通流预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220729 |