摘要
准确分析校园网络的使用趋势和及时检测网络异常,是众多高校校园管理者提高网络资源利用率和应对网络故障做出判断和响应的关键.使用STL季节性分解算法对网络流量数据原始时间序列进行分离,获得长期趋势、季节差异和短期波动特征,分析校园网络使用情况.同时,将季节性分解算法与ARIMA模型相结合,建立SARIMA模型,通过获取某高校8个月的168万条校园网络数据,建立适应动态特征网络流量变化的复杂时间序列模型,对未来可能的网络流量值进行预测,当预测值与真实值的差值过大时,视为流量出现异常,产生网络预警信息.
基金项目
防灾科技学院2023大学生创新创业项目(S202311775072)
NETL
NSTL
万方数据