基于高阶图卷积自编码器的网络流量预测 |
| |
引用本文: | 崔兆阳,李昭桦?覮. 基于高阶图卷积自编码器的网络流量预测[J]. 湖南大学学报(自然科学版), 2020, 47(4): 169-174 |
| |
作者姓名: | 崔兆阳 李昭桦?覮 |
| |
作者单位: | (1. 广州供电局有限公司,广东 广州510620;2. 中国能源建设集团 广东省电力设计研究院有限公司,广东 广州 510663) |
| |
摘 要: | 网络流量预测是有效保障用户QoS措施之一。当前深度学习为基础的网络算法预测中没有充分利用网络拓扑信息。为此,提出了基于高阶图卷积自编码器的网络流量预测模型。该流量预测模型基于软件定义网络(SDN)架构,利用高阶图卷积网络(GCN)获取网络拓扑中的多跳邻域之间的流量相互影响关系,采用门控递归单元(GRU)获取网络的时间相关性信息,利用自编码模型来实现无监督学习和预测。在Abilene网络上采用真实数据进行了仿真对比分析试验,结果表明,提出的方法在网络流量检测方面的MAPE值为41.56%,低于其它深度学习的方法,同时预测准确率方面也达到最优。
|
关 键 词: | 流量检测;高阶图卷积;GRU自编码器;网络拥塞预测 |
Network Traffic Prediction Based on k-hops Graph Convolutinal Autoencoder |
| |
Abstract: | |
| |
Keywords: | |
|
| 点击此处可从《湖南大学学报(自然科学版)》浏览原始摘要信息 |
|
点击此处可从《湖南大学学报(自然科学版)》下载全文 |