面向异常 ISP 流量的深度序列建模预测
摘要
现实世界中的互联网流量易受各种外部与内部因素影响，可能 abruptly 改变正常流量。这些意外变化被视为流量中的离群点。然而，深度序列模型已被用于预测复杂的 IP 流量，但其在异常流量上的比较性能尚未得到广泛研究。本文中，我们研究并评估了不同深度序列模型在异常流量预测上的性能。我们实现了若干深度序列模型来预测不含及含离群点的真实流量，并展示了离群点检测在真实世界流量预测中的重要性。首先，应用了两种不同离群点检测技术，即三西格玛规则（Three-Sigma rule）与孤立森林（Isolation Forest），以识别异常。其次，在训练模型前使用向后填充（Backward Filling）技术调整这些异常数据点。最后，比较了不同模型在异常流量与调整后流量上的性能。LSTM_Encoder_Decoder（LSTM_En_De）是我们实验中的最佳预测模型，在调整离群点后将实际与预测流量间的偏差降低了逾 11%。所有其他模型，包括循环神经网络（RNN）、长短期记忆网络（LSTM）、带注意力层的 LSTM_En_De（LSTM_En_De_Atn）、门控循环单元（GRU），在替换离群点后预测表现更优，预测误差分别降低逾 29%、24%、19% 与 10%。我们的实验结果表明，数据中的离群点会显著影响预测质量。因此，离群点检测与缓解有助于深度序列模型学习总体趋势并作出更好的预测。
引用
@article{arxiv.2205.01685,
title = {Deep Sequence Modeling for Anomalous ISP Traffic Prediction},
author = {Sajal Saha and Anwar Haque and Greg Sidebottom},
journal= {arXiv preprint arXiv:2205.01685},
year = {2022}
}
备注
6 pages, 6 images, To appear in the Proceedings of IEEE International Conference on Communications, Seoul, South Korea, 2022. arXiv admin note: substantial text overlap with arXiv:2205.01300