MamNet：用于网络流量时间序列预测和频率模式分析的新型混合模型
机器学习
2025-07-02 v1 网络与互联网体系结构
摘要
网络流量的异常波动可能指示潜在的安全威胁或系统故障。因此，高效的网络流量预测和异常检测方法对于网络安全和流量管理至关重要。本文提出一种新型网络流量预测和异常检测模型MamNet，该模型集成了时域建模和频域特征提取。该模型首先通过Mamba模块（时域建模）捕获网络流量的长期依赖性，然后利用傅里叶变换（频域特征提取）识别流量中周期性波动。在特征融合层中，整合多尺度信息以增强模型检测网络流量异常的能力。在UNSW-NB15和CAIDA数据集上的实验表明，MamNet在准确性、召回率和F1分数方面均优于多个最新主流模型。具体而言，对于复杂流量模式和长期趋势检测，其检测性能提升约为2%至4%。结果表明，MamNet能够有效捕获网络流量在不同时间尺度上的异常，适用于网络安全和流量管理中的异常检测任务。未来工作可通过纳入外部网络事件信息来进一步优化模型结构，从而提高模型在复杂网络环境中的适应性和稳定性。
引用
@article{arxiv.2507.00304,
title = {MamNet: A Novel Hybrid Model for Time-Series Forecasting and Frequency Pattern Analysis in Network Traffic},
author = {Yujun Zhang and Runlong Li and Xiaoxiang Liang and Xinhao Yang and Tian Su and Bo Liu and Yan Zhou},
journal= {arXiv preprint arXiv:2507.00304},
year = {2025}
}
备注
16 pages