利用因果关系增强网络流量时间序列预测

预测网络服务流量具有重要的社会价值，因为它可以应用于各种实际场景，包括但不限于动态资源伸缩、负载均衡、系统异常检测、服务水平协议遵从和欺诈检测。网络服务流量的特点是随时间频繁且剧烈波动，并受异构网络用户行为的影响，这使得准确预测成为一项具有挑战性的任务。先前的研究已广泛探索了统计方法和神经网络，以从先前的服务流量时间序列中挖掘特征进行预测。然而，这些方法在很大程度上忽略了服务之间的因果关系。受生态系统因果关系的启发，我们通过经验识别了网络服务之间的因果关系。为了利用这些关系来改进网络服务流量预测，我们提出了一个有效的神经网络模块 CCMPlus，旨在提取跨服务的因果关系特征。该模块可以与现有的时间序列模型无缝集成，以持续提升网络服务流量预测的性能。我们从理论上证明了 CCMPlus 模块生成的因果关联矩阵捕获了服务间的因果关系。在来自 Microsoft Azure、阿里巴巴集团和蚂蚁集团的真实世界数据集上的实证结果证实，我们的方法在预测服务流量时间序列的均方误差（MSE）和平均绝对误差（MAE）方面超越了最先进的方法。这些发现凸显了利用因果关系改进预测的有效性。