面向异常 ISP 流量预测的集成回归模型研究
机器学习
2022-05-04 v1 网络与互联网体系结构
摘要
网络流量行为的预测对于现代电信网络的有效管理具有重要意义。然而，利用管理经验和市场分析数据进行网络流量预测的直观方法不足以构成高效的预测框架。因此，人们研究了多种不同的数学模型以捕捉网络流量总体趋势并据此预测。但针对真实世界异常流量的不同回归模型及其集成的综合性能分析此前尚未被研究。本文分析了 Extra Gradient Boost（XGBoost）、Light Gradient Boosting Machine（LightGBM）、Stochastic Gradient Descent（SGD）、Gradient Boosting Regressor（GBR）和 CatBoost Regressor 等多种回归模型，用于预测含异常值与不含异常值的真实流量，并展示了异常值检测在真实流量预测中的重要性。此外，我们展示了集成回归模型优于单一预测模型。我们基于长度为 6、9、12、15 和 18 的五种不同特征集比较了不同回归模型的性能。我们的集成回归模型在九个异常值调整后的输入下取得了实际流量与预测流量之间最小的平均差距 5.04%。总体而言，实验结果表明数据中的异常值会显著影响预测质量。因此，异常值检测与缓解有助于回归模型学习总体趋势并做出更好的预测。
引用
@article{arxiv.2205.01300,
title = {Towards an Ensemble Regressor Model for Anomalous ISP Traffic Prediction},
author = {Sajal Saha and Anwar Haque and Greg Sidebottom},
journal= {arXiv preprint arXiv:2205.01300},
year = {2022}
}
备注
7 pages, 7 figures, To appear in the proceedings on International Symposium on Networks, Computers and Communications in China, from July 19 to 22, 2022