网络流量预测方法、系统、存储介质及处理器与流程

1.本技术涉及通信技术领域，具体涉及一种网络流量预测方法、一种网络流量预测系统、一种存储介质及一种处理器。


背景技术：

2.随着通信技术发展，通信数据的类型和大小越来越多样化，用户对于通信响应速度需求也越来越高。例如，在金融业的系统承载着众多重要和关键业务，应用的种类日趋多样，带宽占用也随着语音视频、图像等新应用类型的使用给面临越来越多的挑战，系统的稳定运行是金融业务迅速发展的基础。当金融业生产网络发生大流量传输引起带宽瞬间拥堵丢包、应用系统交易缓慢活交易成功率降低，秒级影响和失误带来的后果都是巨大的。特别是很多金融行业做了自己的电商平台、发布了独立的结算模式，客户的购买行为也呈现季节性变化情况下，无法有效保证时间序列的线性和准确性。
3.正是因为网络流量随着规模及应用类型的变化，传统ar等线性预测方法已无法应对复杂的非线性场景，现有很多专利也采用基于神经网络的网络流量预测方法，但是性能不能保证稳定，且针对非线性时间序列的预测准确性也有待加强。针对现有网络流量预测方案存在的预测性能不稳定和预测精准度不高的问题，需要创造一种新的网络流量预测方案。


技术实现要素：

4.本技术实施例的目的是提供一种网络流量预测方法、系统、存储介质及处理器，以解决现有网络流量预测方案存在的预测性能不稳定和预测精准度不高的问题。
5.为了实现上述目的，本技术第一方面提供一种网络流量预测方法，包括：获取通信网络中的实时通信业务数据；在不同的注意机制维度下，基于多个分别构建的通信节点关系模型和所述实时通信业务数据进行各通信节点的关系度计算，获得各注意机制维度下的计算值；将各注意机制维度下的计算值作为输入，进行融合处理，获得融合计算值；基于所述融合计算值进行网络流量预测，获得网络流量预测结果。
6.在本技术实施例中，所述不同的注意机制维度包括：空间注意机制维度和图自注意机制维度。
7.在本技术实施例中，所述通信节点关系模型为graph图，多个分别构建的graph图包括：distance graph图、neighbor graph图、functionality graph图、heuristic graph图和temporal pattern similarity graph图；其中，所述distance graph图用于描述通信节点间的欧氏距离；所述neighbor graph图用于描述通信节点间的连接关系；所述functionality graph图用于描述通信节点间的功能相似性；所述heuristic graph图用于描述通信节点间的参数分布关系；所述temporal pattern similarity graph图用于描述通信节点间的通讯时序关系。
8.在本技术实施例中，在获取通信网络中的实时通信业务数据之后，所述方法还包
括：基于各graph图需求的构建数据，对所述通信业务数据进行分类，获得多个通信业务数据集；每一个graph图对应一个通信业务数据集，并基于各通信业务数据集进行各graph图构建。当然，其他能够进行节点间关系描述的图表模型，理论上也能适用于本发明方案，例如pregel、powergraph、graphx、gelly。
9.在本技术实施例中，所述distance graph图的构建规则包括：遍历所有通信节点，分别计算任意两个通信节点之间的欧式距离，获得各通信节点与其他通信节点的所有欧式距离计算结果；基于所有欧式距离计算结果，构建graph图，获得distance graph图。
10.在本技术实施例中，所述neighbor graph图的构建规则包括：遍历所有通信节点，读取各通信节点与其他通信节点之间的直接通信关系，若两个通信节点存在直接通信链路，则标定为相连，反之，则标定为不相连；获得所有通信节点与其他通信节点之间的连接标注结果，进行graph图构建，获得neighbor graph图。
11.在本技术实施例中，所述functionality graph图的构建规则包括：识别各通信节点的功能，并基于识别结果进行预设功能向量匹配，使得每个通信节点的功能均由对应的功能向量表示；遍历所有通信节点，分别计算各通信节点与其他通信节点之间的皮尔逊相关系数，获得各通信节点与其他通信节点之间的所有皮尔逊相关系数计算结果；基于所有皮尔逊相关系数计算结果，进行graph图构建，获得functionality graph图。
12.在本技术实施例中，所述heuristic graph图的构建规则包括：基于通信业务数据，以数据发生时间和样本数据分别作为两轴构建直方图；在所述直方图中，标注出所有通信节点对应的分布参数；遍历所有通信节点，基于各通信节点的分布参数与其他通信节点的分布参数，在所述直方图中的距离构建graph图，获得heuristic graph图。
13.在本技术实施例中，所述temporal pattern similarity graph图的构建规则包括：基于各通信节点的通信时序，分别计算各通信节点与其他通信节点的相关系数；基于所述相关系数，建立各通信节点与其他任一通信节点在时间模式上的联系，并基于所述时间模式上的联系构件graph图，获得temporal pattern similarity graph图。
14.在本技术实施例中，所述在不同的注意机制维度下，基于多个分别构建的graph图和所述实时通信业务数据进行各通信节点的关系度计算，包括：在空间注意机制维度下进行通信节点的关系度计算，包括：在每个graph图内部，进行各节点之间的关系描述；以所有节点的关系描述进行内积处理，获得内积处理结果；基于softmax函数对所述内积处理结果进行计算，获得空间注意力得分；基于所述空间注意力得分，与各节点进行融合，将融合结果作为空间注意机制维度下的通信节点的关系度计算结果。
15.在本技术实施例中，所述在不同的注意机制维度下，基于多个分别构建的graph图和所述实时通信业务数据进行各通信节点的关系度计算，包括：在图自注意机制维度下进行通信节点的关系度计算，包括：遍历所有节点，分别进行各节点在不同的graph图下的注意力处理，计算各节点在不同的graph图下的图自注意力得分；基于所述图自注意力得分，与对应节点进行融合，将融合结果作为图自注意机制维度下的通信节点的关系度计算结果。
16.在本技术实施例中，所述将各注意机制维度下的计算值作为输入，进行融合处理，获得融合计算值，包括：基于gate fusion模型对所述空间注意机制维度下的通信节点的关系度计算结果和所述图自注意机制维度下的通信节点的关系度计算结果进行融合，融合关
系为：
[0017][0018]
其中，h
(l)
为融合计算值；为空间注意机制维度下的通信节点的关系度计算结果；为图自注意机制维度下的通信节点的关系度计算结果；z为权重。
[0019]
本技术第二方面提供一种网络流量预测系统，包括：采集单元，用于获取通信网络中的实时通信业务数据；处理单元，用于在不同的注意机制维度下，基于多个分别构建的通信节点关系模型和所述实时通信业务数据进行各通信节点的关系度计算，获得各注意机制维度下的计算值融合单元，用于将各注意机制维度下的计算值作为输入，进行融合处理，获得融合计算值；预测单元，用于基于所述融合计算值进行网络流量预测，获得网络流量预测结果。
[0020]
本技术第三方面提供一种处理器，被配置成执行上述的网络流量预测方法。
[0021]
本技术第四方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得所述处理器被配置成执行上述的网络流量预测方法。
[0022]
本技术第五方面提供一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述的网络流量预测方法。
[0023]
通过上述技术方案，本发明方案充分考虑了时间序列和节点空间特征，进行了通信网络的多元描述，基于graph图进行多元特征表示。实现从多个维度提取节点之间的信息，可以方便后续多角度的时空关系建模。后续基于多个维度提取的节点之间的信息进行网络流量预测，避免遗漏影响因素，保证网络流量的识别精准性。
[0024]
本技术实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0025]
附图是用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本技术实施例，但并不构成对本技术实施例的限制。在附图中：
[0026]
图1示意性示出了根据本技术实施例的网络流量预测方法的流程示意图；
[0027]
图2示意性示出了根据本技术实施例的网络流量预测系统的结构框图；
[0028]
图3示意性示出了根据本技术实施例的计算机设备的内部结构图。
具体实施方式
[0029]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本技术实施例，并不用于限制本技术实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0030]
需要说明，若本技术实施例中有涉及方向性指示(诸如上、下、左、右、前、后)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动
情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
[0031]
另外，若本技术实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本技术要求的保护范围之内。
[0032]
随着通信技术发展，通信数据的类型和大小越来越多样化，用户对于通信响应速度需求也越来越高。例如，在金融业的系统承载着众多重要和关键业务，应用的种类日趋多样，带宽占用也随着语音视频、图像等新应用类型的使用给面临越来越多的挑战，系统的稳定运行是金融业务迅速发展的基础。当金融业生产网络发生大流量传输引起带宽瞬间拥堵丢包、应用系统交易缓慢活交易成功率降低，秒级影响和失误带来的后果都是巨大的。特别是很多金融行业做了自己的电商平台、发布了独立的结算模式，客户的购买行为也呈现季节性变化情况下，无法有效保证时间序列的线性和准确性。
[0033]
正是因为网络流量随着规模及应用类型的变化，传统ar等线性预测方法已无法应对复杂的非线性场景，现有很多专利也采用基于神经网络的网络流量预测方法，但是性能不能保证稳定，且针对非线性时间序列的预测准确性也有待加强。针对现有网络流量预测方案存在的预测性能不稳定和预测精准度不高的问题，本发明方案提出了一种新的网络流量预测方法，本发明方案充分考虑了时间序列和节点空间特征，进行了通信网络的多元描述，基于graph图进行多元特征表示。实现从多个维度提取节点之间的信息，可以方便后续多角度的时空关系建模。后续基于多个维度提取的节点之间的信息进行网络流量预测，避免遗漏影响因素，保证网络流量的识别精准性。
[0034]
图1示意性示出了根据本技术实施例的网络流量预测方法的流程示意图。如图1所示，在本技术一实施例中，提供了一种网络流量预测方法，包括以下步骤：
[0035]
步骤s10：获取通信网络中的实时通信业务数据。
[0036]
具体的，本发明方案期望的技术效果为基于当前通信网络状态进行后续通信信息预测，判断后续通信网络是否满足预测需求，若不满足预设需求，进行提前预警，避免用户侧的交易行为受影响，告知用户进行业务调整或网络调整，保证预测精度从而维护用户的使用体验。基于此，本发明方案首先需要全面地采集通信网络中的实时通信业务数据，以便于基于该数据进行对应的后续网络流量预测。
[0037]
步骤s20：在不同的注意机制维度，基于多个分别构建的graph图和所述实时通信业务数据进行各通信节点的关系度计算，获得各注意机制维度下的计算值。
[0038]
优选的，所述不同的注意机制维度包括：空间注意机制维度和图自注意机制维度。
[0039]
在本发明实施例中，为了进行网络流量预测，现有方案往往仅考虑单一维度，即要么仅考虑系统结构，要么仅考虑通信数据的时间序列信息。这种方式在应对单一通信特征的网络时，因为通信状态线性，所以单一变量的预测效果能够满足需求。但是，正如上述距离的金融行业，这类应用场景因为业务场景多样，所以其非线性特征十分明显，想要实现在这种场景下的网络流量预测，现有的单一维度预测方案显然是不符合需求的。基于此，本发明方案进行网络流量预测时，需要在不同的维度进行网络流量预测，然后进行预测结果融
合，保证预测结构是基于全变量预测得到的，以此保证预测结果的准确性。
[0040]
优选的，所述多个分别构建的graph图包括：distance graph图、neighbor graph图、functionality graph图、heuristic graph图、temporal pattern similarity graph图；其中，所述distance graph图用于描述通信节点间的欧氏距离；所述neighbor graph图用于描述通信节点间的连接关系；所述functionality graph图用于描述通信节点间的功能相似性；所述heuristic graph图用于描述通信节点间参数分布关系；所述temporal pattern similarity graph图用于描述通信节点间通讯时序关系。
[0041]
在本发明实施例中，graph图是非线性数据结构，是一种较线性结构和树结构更为复杂的数据结构，在图结构中数据元素之间的关系能够是任意的，图中任意两个数据元素之间均可能相关。本发明方案针对通信节点之间可能存在的所有关联关系，基于不同的关联关系进行针对性的graph图，能够从不同的关系维度进行节点关系表征，实现节点间关系的全描述。基于该全描述的节点间的关系，后续进行流量预测时，能够对所有变量进行考虑，保证预测精度。
[0042]
优选的，在获取通信网络中的实时通信业务数据之后，所述方法还包括：基于各graph图需求的构建数据，对所述通信业务数据进行分类，获得多个通信业务数据集；每一个graph图对应一个通信业务数据集，并基于各通信业务数据集进行各graph图构建。
[0043]
具体的，因为需要针对不同的关系维度进行graph图构建，所以为了保证各graph图构建的精准性和构建效率，本发明方案需要预先进行数据分类，针对不同关系维度需要参考的数据类型，进行采集数据分类，保证了后续graph图构建的有序进行，减少数据处理量，提高构建效率。
[0044]
优选的，所述distance graph图的构建规则包括：遍历所有通信节点，分别计算任意两个通信节点之间的欧式距离，获得各通信节点与其他通信节点的所有欧式距离计算结果；基于所有欧式距离计算结果，构建graph图，获得distance graph图。
[0045]
优选的，所述neighbor graph图的构建规则包括：遍历所有通信节点，读取各通信节点与其他通信节点之间的直接通信关系，若两个通信节点存在直接通信链路，则标定为相连，反之，则标定为不相连；获得所有通信节点与其他通信节点之间的连接标注结果，进行graph图构建，获得neighbor graph图。
[0046]
优选的，所述functionality graph图的构建规则包括：识别各通信节点的功能，并基于识别结果进行预设功能向量匹配，使得每个通信节点的功能均由对应的功能向量表示；遍历所有通信节点，分别计算各通信节点其他通信节点之间的皮尔逊相关系数，获得各通信节点与其他通信节点之间的所有皮尔逊相关系数计算结果；基于所有皮尔逊相关系数计算结果进行graph图构建，获得functionality graph图。
[0047]
优选的，所述heuristic graph图构的建规则包括：基于通信业务数据，以数据发生时间和样本数据分别作为两轴构建直方图；在所述直方图中，标注出所有通信节点对应的分布参数；遍历所有通信节点，基于各通信节点的分布参数与其他通信节点的分布参数在所述直方图中的距离构建graph图，获得heuristic graph图。
[0048]
优选的，所述temporal pattern similarity graph图的构建规则包括：基于各通信节点的通信时序分别计算各通信节点与其他通信节点的相关系数；基于所述相关系数，建立各通信节点其他任一通信节点在时间模式上的联系，并基于所述时间模式上的联系构
件graph图，获得temporal pattern similarity graph图。
[0049]
在本发明实施例中，通过多种类型graph的构建，实现从多个维度提取节点之间的信息，可以方便后续多角度的时空关系建模。
[0050]
在一种可能的实施方式中，通过业务交易、应用系统、部署集群、计算资源、网络和存储资源、机房环境(此项可不考虑)等不同领域，不同层次、不同视角的构建整体构建图，并初始化distance graph图，neighbor graph图、functionality graph图、heuristic graph图。
[0051]
在一种可能的实施方式中，针对functionality graph图，部署单元为保证通用性，可以调整为部署集群，在构建functionality graph图，可以根据业务系统的功能交易链路glb及tc进行功能向量计算。针对heuristic graph图，结合整体视图数据进行拟合直方分布图。针对temporal pattern similarity graph图，时间序列主要指业务流量监测时序数据。
[0052]
进一步的，节点的表征是采用两个embedding表示一个节点，一部分是节点本身的embedding，另一部分是不同graph的embedding。这两个embedding相加，作为每个节点在每个图的embedding。
[0053]
优选的，所述在不同的注意机制维度，基于多个分别构建的graph图和所述实时通信业务数据进行各通信节点的关系度计算，包括：在空间注意机制维度下进行通信节点的关系度计算，包括：在每个graph图内部，进行各节点之间的关系描述；以所有节点的关系描述进行内积处理，获得内积处理结果；基于softmax函数对所述内积处理结果进行计算，获得空间注意力得分；基于所述空间注意力得分与各节点进行融合，将融合结果作为空间注意机制维度下的通信节点的关系度计算结果。
[0054]
优选的，所述在不同的注意机制维度，基于多个分别构建的graph图和所述实时通信业务数据进行各通信节点的关系度计算，包括：在图自注意机制维度下进行通信节点的关系度计算，包括：遍历所有节点，分别进行各节点在不同的graph图下的注意力处理，计算各节点在不同的graph图下的图自注意力得分；基于所述图自注意力得分与对应节点进行融合，将融合结果作为图自注意机制维度下的通信节点的关系度计算结果。
[0055]
优选的，所述将各注意机制维度下的计算值作为输入，进行融合处理，获得融合计算值，包括：基于gate fusion模型对所述空间注意机制维度下的通信节点的关系度计算结果和所述图自注意机制维度下的通信节点的关系度计算结果进行融合，融合关系为：
[0056][0057]
其中，h
(l)
为融合计算值；为空间注意机制维度下的通信节点的关系度计算结果；为图自注意机制维度下的通信节点的关系度计算结果；z为权重。
[0058]
优选的，权重的取值规则为：
[0059][0060]
在一种可能的实施方式中，通过spatilal attention维度，在每个graph内部，刻画节点之间的关系。主要是利用每个节点的表示做内积，然后加上softmax计算attention score，最后利用attention score对节点信息进行融合。然后再通过graph attention维
度，在一个节点多个图之间进行attention。对于每个节点，按照和spatial attention类似的方法计算不同图之间的attention score，并进行融合。最后，在得到两种attention的结果后，使用一个gate fusion来对二者进行融合。gate fusion也是比较常见的模型结构，利用sigmoid函数对输入形成一个取值0-1的gate，对两个输入进行加权。不同graph中从多角度进行spatial-temporal建模，进行融合，实现信息增益，提高预测精准性。
[0061]
在一个实施例中，如图2所示，提供了一种网络流量预测系统，所述系统包括：采集单元，用于获取通信网络中的实时通信业务数据；处理单元，用于在不同的注意机制维度，基于多个分别构建的graph图和所述实时通信业务数据进行各通信节点的关系度计算，获得各注意机制维度下的计算值融合单元，用于将各注意机制维度下的计算值作为输入，进行融合处理，获得融合计算值；预测单元，用于基于所述融合计算值进行网络流量预测，获得网络流量预测结果。
[0062]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现对网络流量预测方法。
[0063]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0064]
本技术实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述网络流量预测方法。
[0065]
本技术实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述网络流量预测方法。
[0066]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器a01、网络接口a02、存储器(图中未示出)和数据库(图中未示出)。其中，该计算机设备的处理器a01用于提供计算和控制能力。该计算机设备的存储器包括内存储器a03和非易失性存储介质a04。该非易失性存储介质a04存储有操作系统b01、计算机程序b02和数据库(图中未示出)。该内存储器a03为非易失性存储介质a04中的操作系统b01和计算机程序b02的运行提供环境。该计算机设备的网络接口a02用于与外部的终端通过网络连接通信。该计算机程序b02被处理器a01执行时以实现一种网络流量预测方法。
[0067]
本领域技术人员可以理解，图3中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0068]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0069]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序
指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0070]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0071]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0072]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0073]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0074]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0075]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0076]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种网络流量预测方法，其特征在于，所述方法包括：获取通信网络中的实时通信业务数据；在不同的注意机制维度下，基于多个分别构建的通信节点关系模型和所述实时通信业务数据进行各通信节点的关系度计算，获得各注意机制维度下的计算值；将各注意机制维度下的计算值作为输入，进行融合处理，获得融合计算值；基于所述融合计算值进行网络流量预测，获得网络流量预测结果。2.根据权利要求1所述的方法，其特征在于，所述不同的注意机制维度包括：空间注意机制维度和图自注意机制维度。3.根据权利要求1所述的方法，其特征在于，所述通信节点关系模型为graph图，多个分别构建的graph图包括：distance graph图、neighbor graph图、functionality graph图、heuristic graph图和temporal pattern similarity graph图；其中，所述distance graph图用于描述通信节点间的欧氏距离；所述neighbor graph图用于描述通信节点间的连接关系；所述functionality graph图用于描述通信节点间的功能相似性；所述heuristic graph图用于描述通信节点间的参数分布关系；所述temporal pattern similarity graph图用于描述通信节点间的通讯时序关系。4.根据权利要求3所述的方法，其特征在于，在获取通信网络中的实时通信业务数据之后，所述方法还包括：基于各graph图需求的构建数据，对所述通信业务数据进行分类，获得多个通信业务数据集；每一个graph图对应一个通信业务数据集，并基于各通信业务数据集进行各graph图构建。5.根据权利要求4所述的方法，其特征在于，所述distance graph图的构建规则包括：遍历所有通信节点，分别计算任意两个通信节点之间的欧式距离，获得各通信节点与其他通信节点的所有欧式距离计算结果；基于所有欧式距离计算结果，构建graph图，获得distance graph图。6.根据权利要求4所述的方法，其特征在于，所述neighbor graph图的构建规则包括：遍历所有通信节点，读取各通信节点与其他通信节点之间的直接通信关系，若两个通信节点存在直接通信链路，则标定为相连，反之，则标定为不相连；获得所有通信节点与其他通信节点之间的连接标注结果，进行graph图构建，获得neighbor graph图。7.根据权利要求4所述的方法，其特征在于，所述functionality graph图的构建规则包括：识别各通信节点的功能，并基于识别结果进行预设功能向量匹配，使得每个通信节点的功能均由对应的功能向量表示；遍历所有通信节点，分别计算各通信节点与其他通信节点之间的皮尔逊相关系数，获得各通信节点与其他通信节点之间的所有皮尔逊相关系数计算结果；基于所有皮尔逊相关系数计算结果，进行graph图构建，获得functionality graph图。
8.根据权利要求4所述的方法，其特征在于，所述heuristic graph图的构建规则包括：基于通信业务数据，以数据发生时间和样本数据分别作为两轴构建直方图；在所述直方图中，标注出所有通信节点对应的分布参数；遍历所有通信节点，基于各通信节点的分布参数与其他通信节点的分布参数，在所述直方图中的距离构建graph图，获得heuristic graph图。9.根据权利要求4所述的方法，其特征在于，所述temporal pattern similarity graph图的构建规则包括：基于各通信节点的通信时序，分别计算各通信节点与其他通信节点的相关系数；基于所述相关系数，建立各通信节点与其他任一通信节点在时间模式上的联系，并基于所述时间模式上的联系构件graph图，获得temporal pattern similarity graph图。10.根据权利要求2所述的方法，其特征在于，所述在不同的注意机制维度下，基于多个分别构建的graph图和所述实时通信业务数据进行各通信节点的关系度计算，包括：在空间注意机制维度下进行通信节点的关系度计算，包括：在每个graph图内部，进行各节点之间的关系描述；以所有节点的关系描述进行内积处理，获得内积处理结果；基于softmax函数对所述内积处理结果进行计算，获得空间注意力得分；基于所述空间注意力得分，与各节点进行融合，将融合结果作为空间注意机制维度下的通信节点的关系度计算结果。11.根据权利要求10所述的方法，其特征在于，所述在不同的注意机制维度下，基于多个分别构建的graph图和所述实时通信业务数据进行各通信节点的关系度计算，包括：在图自注意机制维度下进行通信节点的关系度计算，包括：遍历所有节点，分别进行各节点在不同的graph图下的注意力处理，计算各节点在不同的graph图下的图自注意力得分；基于所述图自注意力得分，与对应节点进行融合，将融合结果作为图自注意机制维度下的通信节点的关系度计算结果。12.根据权利要求11所述的方法，其特征在于，所述将各注意机制维度下的计算值作为输入，进行融合处理，获得融合计算值，包括：基于gate fusion模型对所述空间注意机制维度下的通信节点的关系度计算结果和所述图自注意机制维度下的通信节点的关系度计算结果进行融合，融合关系为：其中，h
(l)
为融合计算值；为空间注意机制维度下的通信节点的关系度计算结果；为图自注意机制维度下的通信节点的关系度计算结果；z为权重。13.一种网络流量预测系统，其特征在于，所述系统包括：采集单元，用于获取通信网络中的实时通信业务数据；处理单元，用于在不同的注意机制维度下，基于多个分别构建的通信节点关系模型和
所述实时通信业务数据进行各通信节点的关系度计算，获得各注意机制维度下的计算值融合单元，用于将各注意机制维度下的计算值作为输入，进行融合处理，获得融合计算值；预测单元，用于基于所述融合计算值进行网络流量预测，获得网络流量预测结果。14.一种处理器，其特征在于，被配置成执行根据权利要求1至12中任一项所述的网络流量预测方法。15.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至12中任一项所述的网络流量预测方法。16.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序在被处理器执行时实现根据权利要求1至12中任一项所述的网络流量预测方法。

技术总结
本申请实施例提供一种网络流量预测方法、系统、处理器及存储介质，属于通信技术领域，方法包括：获取通信网络中的实时通信业务数据；在不同的注意机制维度下，基于多个分别构建的通信节点关系模型和所述实时通信业务数据进行各通信节点的关系度计算，获得各注意机制维度下的计算值；将各注意机制维度下的计算值作为输入，进行融合处理，获得融合计算值；基于所述融合计算值进行网络流量预测，获得网络流量预测结果。本发明方案解决了现有网络流量预测方案因为预测模型单一导致的预测性能不稳定和预测精准度不高的问题。和预测精准度不高的问题。和预测精准度不高的问题。


技术研发人员：欧阳梦云
受保护的技术使用者：建信金融科技有限责任公司
技术研发日：2023.06.28
技术公布日：2023/9/7