面向细粒度网络流预测
网络与互联网体系结构
2018-08-21 v1 机器学习
摘要
网络设计的一个主要挑战是流量负载通常无法提前获知。这使得难以合理分配资源以最佳预防或缓解瓶颈。尽管已有若干作者展示了如何通过聚合流以粗粒度方式预测流量，但在单个流层面（包括突发流量）的细粒度流量预测被广泛认为是不可能的。据我们所知，本文提出了首个细粒度逐流流量预测方法。简言之，我们引入了基于频率的核卡尔曼滤波器（FKKF），它基于测量值预测单个流的行为。我们的 FKKF 依赖于著名的卡尔曼滤波器并结合一个核以支持非线性函数的预测。此外，我们将操作空间从时域变换到频域。在该频域中（我们通过短时傅里叶变换（STFT）将输入数据变换至此空间），可在从源自同一套接字到套接字连接的过去与进行中流中通过主成分分析（PCA）提取其关键特征后，预测流的峰值结构。我们在一个大学数据中心的流行基准轨迹上证明了方法的有效性。我们的方法在 20 组流中的 17 组上平均提前约 0.49（平均）秒预测流量，平均预测误差为 6.43%，而现有粗粒度方法的最佳预测误差也达 77%。
引用
@article{arxiv.1808.06453,
title = {Towards Fine Grained Network Flow Prediction},
author = {Patrick Jahnke and Emmanuel Stapf and Jonas Mieseler and Gerhard Neumann and Patrick Eugster},
journal= {arXiv preprint arXiv:1808.06453},
year = {2018}
}