基于深度置信網絡的互聯網流量預測方法

關鍵詞：深度置信網絡；互聯網流量；預測

隨著互聯網技術的進一步發展與普及，它廣泛應用于人們的日常生活中。近年來，我國寬帶網絡資費成本逐年下降，但網絡流量的規模快速增長，呈線性增長趨勢。因此，通過合理規劃互聯網網絡資源，既可以充分利用用戶網絡資源，又可以保證每個用戶網絡資源的有效使用價值與質量。通過將實際流量與預測模型進行預測比較，可以準確識別出不規則數量的垃圾郵件，以及數據流量使用過程中涉及的其他安全攻擊。基于此，本文重點研究深度置信網絡（DBN） 的結構，以實現高預測精度。

一、推動互聯網發展的關鍵性因素

（一）視頻

在我國信息技術飛速發展的背景下，3D 電視（3DTV）和超高清電視（UHDTV）技術已經逐漸發展，且高清電視（HDTV）普及得越來越廣泛，能夠滿足人們對于信息資源獲取的需求。一般情況下，對于互聯網數據的獲取而言，一段20 分鐘時長、分辨率為7680×4320 像素的UHDTV2 原始視頻會占據很大的空間，一般而言可能需要整個空間的4TB。為減小空間占用，需要將其進行相應的壓縮，但經過壓縮后也至少需要承載250Mbit/s 的實時傳輸帶寬。為滿足網絡承載需要，就需要提供1020Mbit/s 的接入帶寬。

（二）移動

對于我國互聯網的使用而言，一般可以將其分為固定和移動兩種模式。移動接入互聯網的方式是一種有效方式，更是互聯網發展的重要特征類型之一。截至2020年上半年，國內的手機上網用戶數量有所增加，甚至超過了臺式電腦上網用戶數的情況。如今，人們主要通過使用各種移動終端設備獲取和接收移動互聯網信息，其中包括智能手機、筆記本電腦等。這些設備在使用過程中會產生一定的數據流量，而智能手機流量是非智能手機流量的35 倍[1]。經過相關分析，隨著未來5 年的發展，移動接入數據流量將會繼續增長，并且其增速將是固定網絡接入流量增速的三倍。

（三）云計算

云計算涵蓋了許多不同的技術，其中包括分布式計算、網絡分布式云存儲、虛擬化、負載分布智能技術等，這些技術形式都是云計算的一種應用形式。通過利用互聯網，用戶可以遠程獲取處理信息能力和存儲信息的能力，并實現資源共享的目的。隨著我國互聯網技術的發展，“終端”這個概念逐漸引入互聯網應用中。在此期間，大量的數據可以在本地終端與云端之間進行轉化，主要以計算機與視頻傳輸的形式進行。由此可見，云計算技術對互聯網的發展有明顯的影響。由于云存儲系統對整個互聯網帶寬的要求更高。為了能夠滿足本地終端實時讀取云存儲數據的需求，視頻技術的應用可以提供相應的解決方案，從而為互聯網流量的爆發式增長提供支持。

二、理論背景

由于互聯網能夠滿足人們的精神需求并為人們的生活帶來便利，為了提升互聯網的有效使用，需要加強對互聯網流量的使用監測，為建設安全使用互聯網技術奠定基礎。深度置信網絡算法可以在訓練過程中通過讓神經網絡模型達到特定輸入匹配的目標，從而保證其能夠適應各種不同的輸入。同時，還可以選擇網絡理論中目標輸入參數，并基于這些參數直接推導出給定目標輸入參數之間的非線性關系。為了提高人工神經網絡中神經元計算的效率，需要增加神經元的數量以及增加隱藏層，并構建一個具有深層抽象結構的神經元計算模型。其中一個或多個隱藏層可作為更多抽象層單元被執行。深度置信網絡的更深層架構可以借助該方式，在實際應用期間具有強大的優勢。在深度置信網絡建立期間，應基于隱藏層所具有的深度特征對神經網絡進行分析。神經網絡會涉及許多非線性層，這些非線性層的建立構成神經網絡系統。深層網絡在層次結構方面存在不同的性質，這些性質均可以表示為高度可變的非線性模型。然而，目前為止人們還不清楚如何進一步設計深度網絡算法，為了解決這一實際的問題，需要采用一種全新的算法，有效提升互聯網流量預測的效果[2]。對于深度置信網絡而言，在構建期間，通過訓練一層深度網絡的方式。這種深度架構算法的實際應用可以通過疊加RBM（RestriCted Boltzmann Machines）網絡來實現，從而有效實現深度置信網絡模式。此外，DBN 算法也是當前最簡單、常見、有效可行的設計方法。通過構建DBN 模型，可以將若干個RBM 節點疊加組合而成，如圖1 所示。

三、構建模型

基于深度置信網絡的流量預測模型主要包括三種不同的網絡架構模式，可以選擇其中一種來建立模型。在建立網絡模型之后，可以利用該模型來預測相關的互聯網流量信息。具體可以根據模型預測未來超過1 小時的時間序列深度網絡流量數據，從而幫助人們更好地使用網絡。深度置信網絡對提升互聯網流量預測效果具有重要作用，具體結構可以按照圖2 所示進行構建。該模型可以分為4 層，用于預測未來的流量負荷情況。在確定模型隱藏層寬度大小及其選擇因素時，需要考慮隱藏神經元數目的范圍和DDBN 模型的神經元數目設置方式。

例如，可以通過蒙特卡羅模擬，計算第一隱藏神經元數目范圍為100—600 時效果最好。表1 展示了DDBN模型的神經元數目首選設置方式。由表1 可知，通過預訓練可以獲取參數值的具體情況，并為第一層神經元構造一組初始輸入參數值。然后，在掌握相關參數值的基礎上，從上一層獲得的輸出作為另一個新輸入的特征層集，并將參數值作為下一層的新輸入。在構建模型期間，要想獲得更多的非線性表示內容，需要進行相應的訓練，并可以重復使用相關內容進行實際訓練，以達到參數初始化的目的。當前所涉及的DBN 網絡模型并沒有進行深入分析，其中RBM 層模型也尚未進行訓練模式。為解決這一問題，就需要進行微調訓練干預，以有效解決存在的問題。此外，在互聯網流量預測過程中，可以利用監督學習算法進行訓練，這種微調訓練主要針對整個網絡模型，旨在有效確定預測模型的目標[3]。

四、基于深度置信網絡的互聯網流量預測方法

（一）預測智能手機和功能手機的用戶

在基于深度置信網絡的流量預測中，應對涉及的一定時間內換機用戶數量進行相應分析。在分析期間，需要保證換機用戶占總用戶數的比例，并確保這個比例在分析期間保持不變。這說明用戶的換機需求穩定且有一定的增長空間。因此，可以利用相對穩定的換機率來預測換機用戶數量，只需要將總用戶數乘以換機率即可。還需要預測通話用戶總數，這是普通用戶的預測。由于用戶換機比例是穩定的，可以根據歷史數據來確定。轉機用戶模型為： 轉機用戶數= 呼叫用戶總數× 轉機用戶比例。其中，總通話用戶數根據總用戶數的預測模型計算，轉機用戶占比使用歷史數據。

為了顯著提高互聯網流量預測的計算精度，只需要將輸入集的數據進一步簡單拆分，轉化為一個小時、月、天、時刻以及一個t、t-1 和兩個t-2 的互聯網流量。目前，手機終端可分為智能手機和功能手機兩類。根據兩類手機在換機用戶中的占比分析，這兩類換機比例基本上與終端廠商的出貨量占比相對應。這說明終端廠商的出貨量結構直接影響用戶對換機的選擇。因此，在模型中，可以根據終端廠商的出貨結構來確定更換用戶中智能手機和功能機用戶比例。

（二）預測TD和非TD換機用戶

除了智能手機和功能手機的分類外，目前手機還能分為TD終端和非TD終端。因此，移動終端類型又可以進一步分為TD智能手機、非TD智能手機、TD功能機和非TD 終端。TD 功能手機市場部調研顯示，影響用戶終端選擇的主要因素是渠道推廣。針對TD 和非TD換機用戶模型可以推斷：換機TD 智能手機用戶= 換機智能手機用戶× 換機TD 智能手機用戶比例。其中，涉及的TD 智能手機換機用戶也具有一定比例，其比例也會占TD 功能機換機比例。具體的比例取決于市場部門對TD 終端發展態度，而補貼方式則是由市場部根據發展戰略來確定。

（三）城鄉各類終端用戶到達量預測

在對城鄉各類終端用戶到達量進行預測時，可以根據移動公司的TD 網絡建設情況進行相應分析。分析后發現，在TD 網絡的實際應用中，其覆蓋主要針對城市地區，而沒有覆蓋農村地區。基于當前TD 和GSM 網絡的實際情況，還需要將替代用戶劃分為城鄉，并根據市場部的研究來評估城鄉替代率。影響城鄉替代率的主要因素是市場部對城鄉發展的戰略。同時，市場部門對城鄉終端的評價指標基本一致，城鄉換機用戶可以按照以下方式計算：城市各類換機用戶= 各類換機用戶× 占比（城市中此類用戶的數量）。其中，城鄉終端置換用戶比例取決于市場部門對城鄉終端的發展戰略，可以通過市場部門的考核指標和發展戰略綜合確定。需要注意的是，換機用戶是指使用新IMEI 號碼的手機用戶，但不等同于凈增用戶。例如，某用戶是TD 智能手機用戶，更換TD 智能手機后成為TD 智能手機換機用戶，但這并不表示TD 智能手機用戶的凈增，通過分析換機用戶和凈增用戶可以發現兩者存在一定的相關性。

（四）各類終端流量預測

各類終端的流量預測是根據用戶數乘以單個用戶流量。常用的單個用戶流量預測方法有回歸分析和類比法，但這些方法都沒有考慮流量和移動應用開發對用戶的影響。目前，在預測單用戶流量時，通常會考慮流量、速率和應用之間的相關性。因此，各終端類型的流量預測模型可以表示為：各類終端流量= 各類終端用戶數× 該類終端單個用戶流量。在這個模型中，可以通過回歸分析、類比法和關聯分析等方法綜合判斷單個用戶的流量大小。

（五）預測TD 和GSM 網絡承載流量

通過以上預測模型，城市TD 智能手機、城市非TD智能手機、城市TD 功能手機、城市非TD 功能手機、農村TD 智能手機、農村非TD 智能手機在實際使用期間，均會產生一定的流量數據，這些流量數據都是使用手機的主要形式。在使用期間，TD 網絡只會覆蓋在城市地區，城市地區使用時也會產生相應的數據。農村地區所有終端的數據流量都在GSM 網絡上進行，雖然城市有TD 網絡覆蓋，但在實際使用期間，部分地區也會存在覆蓋盲點的情況，或者存在信號差的問題。通過分析DTT 客戶在GSM 網絡上承載的流量，傳輸率與DTT 網絡的覆蓋范圍和質量有關，可以根據歷史數據和TD 網絡優化策略綜合確定檢測率。

（六）后端網絡反推市場策略

在深度神經網絡模型檢測期間，由于投入其中使用的相關數據資源具有有限的特點，這樣就會嚴重影響市場的建立效果，導致當前建設的網絡模式無法滿足市場的實際需要。當前互聯網網絡數據在運行期間，市場部需要制定有關的TD 智能手機。在智能手機建設期間，相關人員只會考慮到自身的評價指標。但是在網絡分析期間，并沒有考慮到涉及網絡的實際分配需求，這樣就會導致TD 網絡無法將網絡流量有效分配。而在深度置信網絡模型建立期間，也可以基于GSM 網絡容量具有一定特點的情況下，通過模型建立的方式，有效推斷城市TD 網絡應分流的數據流量。在對流量數據分析期間，也可以獲得功能手機用戶數。在用戶數的建立之下，就可以形成一種前后端聯動體系。在體系建立之下，也可以實現逆向計算的目標。不僅能夠反推出相應的市場策略模式，還可以推算每個終端類型的用戶數。

五、結束語

綜上所述，本文提出了一種基于DBN 的神經網絡模型，用于預測互聯網流量數據的使用。深度置信網絡模型具有更好的預測性能，能夠減小誤差，主要是由于DBN 模型具有明顯的特征提取能力。同時，WLAN 業務作為CMNET 的核心業務，是中國移動三網協同戰略的重要組成部分。而GSM、TD-SCDMA 網絡數據業務承載能力不足的問題，集團客戶專線、家庭寬帶等業務也是中國移動全業務競爭的必要手段之一。中國移動互聯網作為上述業務的承載網絡，在帶寬提速、全業務承載、電信級以太網演進等發展趨勢的推動下，正面臨前所未有的發展機遇。CMNET 核心網建設應注意保障有效網絡帶寬，積極引入網絡資源，并適時推廣高帶寬鏈路和路由器集群技術。

作者單位：李冉 中國電信股份有限公司北京分公司