駱益民（中國聯(lián)通廣東分公司，廣東廣州 510627）

1 概述

傳統(tǒng)的OTN 專線在發(fā)現(xiàn)網(wǎng)絡(luò)帶寬越限時，技術(shù)上無法支持業(yè)務(wù)帶寬快速調(diào)整，不能滿足實時性突發(fā)需求，無法避免由此引起的業(yè)務(wù)丟包等。為提升大客戶精品網(wǎng)絡(luò)的競爭力，滿足政企客戶對時延、業(yè)務(wù)快速開通、帶寬實時調(diào)整等專線業(yè)務(wù)的新需求，通過SDN化的OTN 網(wǎng)絡(luò)［1］承載可以實現(xiàn)業(yè)務(wù)快速開通、業(yè)務(wù)快速發(fā)放、快速響應(yīng)客戶業(yè)務(wù)增減調(diào)整、時延動態(tài)監(jiān)測等功能［2］，從而滿足客戶多種需求，具有強大能力的SD-OTN為流量預(yù)測提供了很好的實際應(yīng)用場景。

如何對流量進行精準預(yù)測，為用戶提供更好的體驗和解決方案成為運營商的研究熱點之一。實際網(wǎng)絡(luò)流量具有非線性、周期性、自相似性、突發(fā)性等特點，采用機器學(xué)習(xí)算法，對歷史流量序列特征進行學(xué)習(xí)和訓(xùn)練，能更好適應(yīng)流量歷史特點，具有更高的準確性。如基于時域注意力機制Transformer［3］的專線流量預(yù)測模型，但其計算復(fù)雜度較高，難以發(fā)現(xiàn)更長范圍的關(guān)系關(guān)聯(lián)性?；跁r域自相關(guān)機制的Autoformer［4］、informer［5］模型計算復(fù)雜度為線性logO（LlogL），但缺少對頻域特征的關(guān)注。Fedformer［6］基于頻域特征的學(xué)習(xí)捕捉時間序列的全局特性，實現(xiàn)了線性計算復(fù)雜度。

本文提出的流量預(yù)測模型采用多頭注意力機制對時頻域特征結(jié)合訓(xùn)練的Autoformer 架構(gòu)，可同時學(xué)習(xí)時域和頻域序列特征并進行兩域各自相關(guān)機制融合預(yù)測，獲得更高預(yù)測準確性。

2 SD-OTN流量監(jiān)測分析

為了提高流量預(yù)測準確性，首先需要把握流量總體特點，才能選取適應(yīng)性強的AI 預(yù)測算法。通過對413 條SD-OTN 專線電路進行流量監(jiān)測，涉及通信、郵政、銀行、政府單位、制造業(yè)等行業(yè)，分析得出SD-OTN專線流量的時間分布特點。圖1所示為具有明顯客戶行為特征的電路流量樣本。

圖1 3條SD-OTN專線電路流量趨勢

從圖1 可以看出，**-** ONE0014NP 電路流量和帶寬利用率呈現(xiàn)以日為周期的周期性，流量區(qū)間在300～1 500 Mbit/s，帶寬利用率區(qū)間在3.8%～20%，實際使用帶寬為簽約帶寬的20%。**-** ONE0008NP 電路流量和帶寬利用率呈現(xiàn)以日為周期的周期性，流量區(qū)間在550～2 760 Mbit/s，帶寬利用率區(qū)間在5.5%～27.6%，實際使用帶寬為簽約帶寬的27.6%。**-**ONE0100NP 電路流量和帶寬利用率呈現(xiàn)以日為周期的周期性，流量區(qū)間在1.5～63 Mbit/s，帶寬利用率區(qū)間在0.15%～6.3%，實際使用帶寬為簽約帶寬的6.3%，周末流量基本保持在低點平穩(wěn)運行。

通過對上述多條SD-OTN 專線電路流量進行監(jiān)測發(fā)現(xiàn)，SD-OTN 專線電路流量具有總體每日趨勢相似，節(jié)假日整體趨勢變小或者低點平穩(wěn)運行的特點。

3 基于Autoformer架構(gòu)的AI流量預(yù)測模型

3.1 流量預(yù)測模型構(gòu)建

本文通過對SD-OTN 電路流量特征進行分析，使用多頭注意力機制與時頻域特征結(jié)合訓(xùn)練的Autoformer［4］架構(gòu)對流量長期序列進行預(yù)測（見圖2），可以捕捉更長范圍的關(guān)系關(guān)聯(lián)性，更好地捕捉和學(xué)習(xí)時間序列的時域和頻域特性。在頻率域中，在計算復(fù)雜度不高的情況下，就能捕獲時間序列頻域特征，提高預(yù)測準確性。通過時域自相關(guān)計算和頻域相關(guān)系數(shù)計算進行融合預(yù)測輸出。

圖2 基于時頻域特征結(jié)合訓(xùn)練的Autoformer架構(gòu)的流量預(yù)測模型架構(gòu)

預(yù)測模型包括四大功能模塊，分別為數(shù)據(jù)預(yù)處理、Encoder 堆疊、Decoder 堆疊、Decoder 輸出數(shù)據(jù)處理。具體步驟如下。

a）長時序流量輸入：將3 個月15 min 顆粒度的長時序業(yè)務(wù)流入流出數(shù)據(jù)作為模型算法的輸入。

b）數(shù)據(jù)預(yù)處理：主要對客戶原始數(shù)據(jù)進行處理，提取更多初始特征。

（a）數(shù)據(jù)清洗：通過pandas 或數(shù)據(jù)庫方式讀取客戶最近幾個月的流量，進行數(shù)據(jù)異常點過濾。

（b）分析周期趨勢：對數(shù)據(jù)進行析構(gòu)處理，解析出長周期趨勢、短周期趨勢、不同周期內(nèi)同點數(shù)據(jù)差異值等數(shù)據(jù)。

（c）時刻標點：對流量數(shù)據(jù)進行周期時刻數(shù)據(jù)提取，如獲取小時點、周天、月天、季度等時刻數(shù)據(jù)，形成時刻表點數(shù)據(jù)；對國家的節(jié)假日進行不同權(quán)重的標定。

（d）傅里葉變換：對流量數(shù)據(jù)進行傅里葉頻率轉(zhuǎn)換，形成數(shù)據(jù)的同期頻率數(shù)據(jù)源；同時，根據(jù)準確性要求，可選進行小波變換，通過bior1.3 算法實現(xiàn)對低頻分量、水平高頻、垂直高頻、對角線高頻等特征的提取。

（e）滑動窗口：對輸入的流量數(shù)據(jù)進行每小時滑動窗口取值，獲取數(shù)據(jù)的訓(xùn)練值，提取與預(yù)測值對應(yīng)的歷史值，不停循環(huán)滑動建立數(shù)據(jù)集。

（f）Token 化：對形成的數(shù)據(jù)集，通過Tokenizer 實現(xiàn)數(shù)據(jù)的標準化并送入網(wǎng)絡(luò)。

c）Encoder 堆疊：實現(xiàn)數(shù)據(jù)的特征提取，主要是對提供的時序數(shù)據(jù)本身、生成的傅里葉、小波變換數(shù)據(jù)以及時刻標點數(shù)據(jù)的關(guān)系使用多頭注意力機制［5］和多層感知機［7］進行數(shù)據(jù)矩陣融合來實現(xiàn)特征提取。

（a）多頭（12 頭）自注意力模塊，通過自注意力機制q/k/v 模塊，編碼器輸出多個子空間的K/V 特征量，實現(xiàn)對數(shù)據(jù)中的關(guān)心數(shù)據(jù)激活（根據(jù)后續(xù)loss 向前的傳遞，選取部分對結(jié)果起更重要作用的數(shù)據(jù)，附上更高的權(quán)重），選擇對預(yù)測貢獻值更大的數(shù)據(jù)關(guān)系權(quán)重，送入解碼器對接實現(xiàn)時序數(shù)據(jù)還原預(yù)測。

（b）多層前饋網(wǎng)絡(luò)，對自注意力模塊的輸出數(shù)據(jù)進行降維和標準化，以便融合權(quán)重送入下一個Encoder或下一個模塊。

（c）邊界敏感模型［8］，實現(xiàn)數(shù)據(jù)前后關(guān)系的邊界彈性、選擇性提取，針對滑動窗口形成的邊界可以根據(jù)當(dāng)前特征的權(quán)重值大小向前后選取更多數(shù)據(jù)，相對于傳統(tǒng)LSTM的RNN［9］，有更好的收斂效果。

d）Decoder堆疊：實現(xiàn)中間特征的展開關(guān)聯(lián)預(yù)測。

（a）多源輸入融合，通過對Encoder 模型的輸入以及預(yù)測循環(huán)輸入進行權(quán)重融合，實現(xiàn)對Decoder 模塊的輸入。

（b）時序維度分解，將數(shù)據(jù)從Encoder 的K/V 分量向高維度編寫，以實現(xiàn)特征關(guān)聯(lián)的能力，實現(xiàn)不同維度（時序、傅里葉頻率、小波頻率、時刻標點）數(shù)據(jù)的多個層面分解。

（c）自相關(guān)機制，對時序分析的多維度數(shù)據(jù)與源數(shù)據(jù)的自相關(guān)系數(shù)進行計算。

（d）頻率相關(guān)機制，對時序分析的多維度數(shù)據(jù)與源數(shù)據(jù)的頻率相關(guān)系數(shù)進行計算。

（e）數(shù)據(jù)融合預(yù)測，對經(jīng)過自相關(guān)、頻率關(guān)系計算的多維度數(shù)據(jù)進行融合（通過多層感知機進行維度矩陣變化），生成最終的下輪周期的流量數(shù)據(jù)。

e）對Decoder輸出數(shù)據(jù)做如下處理。

（a）反Token，對Decoder 輸出的數(shù)據(jù)，做反Token數(shù)據(jù)輸出，形成和輸入數(shù)據(jù)一致的數(shù)據(jù)量度。

（b）趨勢矯正，根據(jù)傳統(tǒng)機器學(xué)習(xí)方法計算的邏輯回歸、多項式預(yù)測方法，實現(xiàn)對獲取的趨勢和模型輸出的數(shù)據(jù)進行微調(diào)。

（c）數(shù)據(jù)矯正，在實現(xiàn)對數(shù)據(jù)預(yù)測的同時對異常點進行矯正和過濾（通過平均值、最大最小值來判斷離群點，判斷是否超過正常范圍）。

（d）數(shù)據(jù)輸出，輸出指定格式、pandas 或數(shù)據(jù)庫格式的數(shù)據(jù)。

（e）循環(huán)輸入預(yù)測數(shù)據(jù)，經(jīng)過篩選后送入Decoder進行數(shù)據(jù)的對比訓(xùn)練和預(yù)測。

3.2 流量預(yù)測結(jié)果分析

基于計算量的考慮，將電路3 個月15 min 顆粒度的歷史流量序列作為訓(xùn)練樣本，通過流量模型輸出預(yù)測序列并與實際流量進行對比（見圖3和圖4）。

圖3 流量預(yù)測對比

圖4 流量預(yù)測偏差率

圖3 中黃色曲線為預(yù)測曲線，藍色曲線為實際曲線，紅色曲線為殘差曲線（預(yù)測曲線和實際曲線的差值）。從預(yù)測結(jié)果可以看出，流量的上升和下降趨勢與實際曲線變化基本吻合，殘差值在流量高峰時比低峰大，但在預(yù)測精度為15 min 實際應(yīng)用中，預(yù)留偏大的網(wǎng)絡(luò)資源更能適應(yīng)實時流量突發(fā)的情況。通過圖4預(yù)測偏差率曲線分析（預(yù)測偏差率=殘差/實際值×100%）發(fā)現(xiàn)，預(yù)測偏差率在8%～26%，平均偏差率分別為17.1%和16.8%。

3.3 流量預(yù)測應(yīng)用

通過預(yù)測未來的流量走勢，在帶寬達到越限（紅線）前，對客戶提前做好越限提醒，減少客戶電路擁塞和丟包投訴，使SD-OTN 專線月投訴率降低了16.7%。推薦客戶使用帶寬提速增值業(yè)務(wù)，提升業(yè)務(wù)帶寬至帶寬提速預(yù)測值，并根據(jù)越限預(yù)測持續(xù)時間設(shè)置提速業(yè)務(wù)的使用時間?？蛻艨梢愿鶕?jù)預(yù)測結(jié)果，對自身業(yè)務(wù)進行靈活調(diào)整，減少電路網(wǎng)絡(luò)擁塞和業(yè)務(wù)丟包，提升網(wǎng)絡(luò)利用率（見圖5）。

圖5 流量預(yù)測應(yīng)用舉例

4 結(jié)束語

本文提出的采用Autoformer 中編碼器-解碼器架構(gòu)和相關(guān)機制算法的流量預(yù)測模型，通過多頭注意力機制學(xué)習(xí)和訓(xùn)練流量序列的時域和頻域特征模型，可以學(xué)習(xí)更多序列特征，有效提高了SD-OTN 專線流量預(yù)測準確度，并被應(yīng)用到生產(chǎn)實踐中。通過對流量趨勢的精準預(yù)測，提前做好流量越限和丟包預(yù)警，并及時推送給客戶，壓降非實際網(wǎng)絡(luò)故障投訴量，SD-OTN專線月投訴率降低了16.7%，有效提升了用戶體驗。同時，該流量預(yù)測模型可為SD-OTN 客戶提供付費的臨時調(diào)速和周期性調(diào)速方案等增值業(yè)務(wù)功能，計劃推廣到政企一線部門，賦能一線引導(dǎo)客戶進行SD-OTN專線提速，支撐政企客戶業(yè)務(wù)的發(fā)展，提升網(wǎng)絡(luò)價值輸出。