基于领域知识内嵌的深度学习网络流量预测研究

首先针对流量数据可能存在的时域分布突变问题设计了一种基于JS散度的异常检测算法，以获得能够反映流量变化规律的数据。而考虑到网络流量的自相似性、长时相关性和周期性特点，提出一种基于卷积生成网络和自适应注意力元网络组成的动态时域生成流量预测模型（GDTN），能够有效地降噪、生成和预测流量数据，并根据不同输入条件动态分配不同多时域流量特征的重要性。最后在智能城域网端口数据集上进行实验，验证了该算法相比于多种经典时序预测算法在预测准确度、存储资源占用和时间效用等方面具备明显优势。     

基于大数据的自动生成扩容板卡方案研究与应用

通过大数据分析方法,计算建设期内流量和端口增长速率,挖掘需要扩容的设备,并通过大数据思维,分析设备和板卡的关联关系,建立板卡库,根据算法自动推荐所需扩容的板卡类型和数量,最终自动生成扩容板卡方案.通过本文的研究方案,可以定期生成板卡扩容方案,提高建设效率,缩短建设周期,减少人工成本,解决现有板卡扩容方案存在的问题.     

基于大数据和虚拟化技术的网元告警接收处理方法

阐述网络管理中设备告警接收处理的现状,提出一种松耦合式完成告警的存储采集和实时处理方法,并给出详细的告警信息接收与分析实施流程,最后给出方案的应用情况介绍.该方案实现大规模告警采集与亿级告警信息存储,结合大数据、虚拟化、云技术实现数据实时分析,提升了数据的开放性,解决了传统方式采集处理能力较弱,无法满足大型网络管理需求...