一种用于网络流量矩阵预测的长短期记忆循环神经网络框架
网络与互联网体系结构
2017-06-12 v3 机器学习
摘要
网络流量矩阵（TM）预测被定义为根据先前和已实现的网络流量数据估算未来网络流量的问题。它广泛应用于网络规划、资源管理和网络安全。长短期记忆（LSTM）是一种特定的循环神经网络（RNN）架构，非常适合于从经验中学习，以分类、处理和预测具有未知大小时间滞后的时间序列。已证明LSTM比传统RNN更准确地建模时间序列及其长程依赖关系。在本文中，我们提出一种LSTM RNN框架，用于预测大型网络中的短期和长期流量矩阵（TM）。通过在GEANT网络的真实数据上验证我们的框架，我们表明我们的LSTM模型收敛迅速，并为相对小尺寸模型提供了最先进的TM预测性能。
引用
@article{arxiv.1705.05690,
title = {A Long Short-Term Memory Recurrent Neural Network Framework for Network Traffic Matrix Prediction},
author = {Abdelhadi Azzouni and Guy Pujolle},
journal= {arXiv preprint arXiv:1705.05690},
year = {2017}
}
备注
Submitted for peer review. arXiv admin note: text overlap with arXiv:1402.1128 by other authors