资料下载
×
基于LSTM模型的多时间尺度融合预测方法
消耗积分:0 |
格式:pdf |
大小:2.05 MB |
2021-03-19
分享资料个
网络排队时延对了解网络带宽利用率与分析拥塞级别具有重要意义，而传统时延测量技术对网络流量和往返时延预测的时效性差且准确性低，容易忽略突发的网络延时变化。结合交换机内部网络排队时延的细粒度特性和多变性，提出基于LSTM模型的多时间尺度融合预测方法。利用带内网络遥测技术获取并转换网络细粒度参数，为预测模型提供延时和利用率特征，构建基于长短期记忆网络（LSTM）的多时间尺度融合预测模型（LSTMerge），将不同采样尺度数据进行融合，并采用流式计算框架对网络排队时延进行预测。实验结果表明，与LSTM、SⅤR等预测模型相比，LSTM- Merge模型所得预测结果的均方根误差更小，3种时间尺度融合模型较其他数目时间尺度融合模型所得预测结果的实时性更好且准确性更高。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
