本技术涉及网络安全，尤其涉及一种流量基线预测方法、装置及电子设备。
背景技术：
1、随着网络技术的迅速发展和互联网的普及，计算机的网络安全越来越受到人们的重视。网络设备在日常使用过程中，容易遭受到计算机病毒、网络攻击等，例如，分布式拒绝服务(distributed denial ofservice，ddos)攻击、会话劫持和恶意爬虫等。
2、流量基线是指在一定时间范围内，网络流量的平均值或基准值。通过设置准确的流量基线，可以检测和识别出上述的异常流量行为，还有助于了解网络的最大负载和流量分布等情况，从而进行网络容量规划和带宽规划，避免出现资源过剩或不足的情况。
3、相关技术中，通常会根据历史流量数据，对流量基线进行预测。当网络流量处于线性、平稳的状态时，能够基于历史流量数据，准确地预测出与当前网络情况对应的流量基线。但是，当网络流量存在激增或陡降的情况时，网络流量并不是按照某种特定规律变化，存在较强的随机性，从而导致在对非线性的网络流量进行预测时，难以把控预测误差，故而导致对非线性网络流量的流量基线预测准确率低。
技术实现思路
1、本技术实施例提供了一种流量基线预测方法、装置及电子设备，用以实现在对非线性、非平稳的网络流量的流量基线预测，以提高流量基线的准确率。
2、第一方面，本技术实施例提供了一种流量基线预测方法，所述方法包括：
3、基于历史周期内的网络流量数据，按照预设时间窗口，获得各个流量峰值数据；
4、根据各个流量峰值数据，获得网络流量数据对应的时域特征；
5、将时域特征转化为多个模态对应的频域特征；
6、基于多个频域特征各自对应的流量贡献值，获得流量基线预测值；其中，流量贡献值用于指示各个频域信号在未来时间周期内的流量情况。
7、通过上述方法，能够根据网络流量数据的特征进行动态调整和优化，将网络流量数据对应的时域特征分解为多个模态的频域特征，从而降低网络流量非平稳特性的影响，实现准确的流量基线预测。
8、在一种可选的实施方式中，基于历史周期内的网络流量数据，按照预设时间窗口，获得各个流量峰值数据，包括：
9、将网络流量数据，按照预设时间窗口划分为n个网络流量数据段；其中，n为大于等于1的正整数；
10、确定出每个网络流量数据段中源ip向目的ip发送上行数据包的最大次数，获得各个流量峰值数据。
11、通过上述方法，能够统计出每个时间窗口内的流量峰值数据。
12、在一种可选的实施方式中，基于各个流量峰值数据，获得网络流量数据对应的时域特征，包括：
13、根据各个流量峰值数据，获得网络流量数据对应的统计信息；其中，统计信息至少包括流量峰值数据对应的均值、中位数、众数；
14、按照预设规则对统计信息进行排序，获得网络流量数据对应的时域序列信号，并将时域序列信号作为所述网络流量数据的时域特征。
15、通过上述方法，能够获得网络流量数据的时域序列信号，并采用该时域序列信号作为时域特征。
16、在一种可选的实施方式中，将时域特征转换为多个模态对应的频域特征，包括：
17、将历史周期内的网络流量数据划分为训练集和验证集；
18、构建多个不同阶数的预测模型，并采用交叉验证的方式对所述多个不同阶数的预测模型进行验证，获得各个预测模型的预测精度；
19、将预测精度最高的预测模型对应的阶数作为模态分解的目标阶数；
20、基于目标阶数对时域特征进行分解，获得多个模态对应的频域特征。
21、通过上述方法，能够在不同模态分解阶数下进行模型训练和验证，选择验证误差最小的阶数作为模态分解的最佳阶数。
22、在一种可选的实施方式中，基于目标阶数对时域特征进行分解，获得多个模态对应的频域特征，包括：
23、采用预设模态分解算法按照目标阶数对时域序列信号进行分解，获得本征模态函数集合；
24、按照预设规则从本征模态函数集合中，选择出m个目标本征模态函数；其中，m为大于等于1的正整数；
25、基于m个目标本征模态函数，获得多个模态对应的频域特征。
26、通过上述方法，按照最优阶数对时域序列信号进行模态分解，能够得到不同的频域特征，从而降低网络流量数据动态变化的影响。
27、在一种可选的实施方式中，基于多个频域特征各自对应的流量贡献值，获得流量基线预测值，包括：
28、采用指数平滑算法，预测多个频域特征各自在未来时间周期内对应的流量贡献值；
29、基于多个频域特征各自对应的流量贡献值，获得流量基线预测值。
30、通过上述方法，对未来时间周期的流量贡献值进行预测，预测结果包含了时频信息，反映了不同模态的频域特征在未来时刻的变化趋势和贡献程度。
31、第二方面，本技术提供了一种流量基线预测装置，所述装置包括：
32、获取模块，用于基于历史周期内的网络流量数据，按照预设时间窗口，获得各个流量峰值数据；
33、处理模块，用于根据各个流量峰值数据，获得网络流量数据对应的时域特征；
34、转换模块，用于将时域特征转化为多个模态对应的频域特征；
35、预测模块，用于基于多个频域特征各自对应的流量贡献值，获得流量基线预测值；其中，流量基线预测值用于指示各个频域信号在未来时间周期内的流量情况。
36、在一种可选的实施方式中，在基于历史周期内的网络流量数据，按照预设时间窗口，获得各个流量峰值数据时，所述获取模块具体用于：
37、将网络流量数据，按照预设时间窗口划分为n个网络流量数据段；其中，n为大于等于1的正整数；
38、确定出每个网络流量数据段中源ip向目的ip发送上行数据包的最大次数，获得各个流量峰值数据。
39、在一种可选的实施方式中，在基于各个流量峰值数据，获得网络流量数据对应的时域特征时，所述处理模块具体用于：
40、根据各个流量峰值数据，获得所述网络流量数据对应的统计信息；其中，统计信息至少包括流量峰值数据对应的均值、中位数、众数；
41、按照预设规则对统计信息进行排序，获得网络流量数据对应的时域序列信号，并将时域序列信号作为网络流量数据的时域特征。
42、在一种可选的实施方式中，在将时域特征转化为多个模态对应的频域特征时，所述转换模块具体用于：
43、将历史周期内的网络流量数据划分为训练集和验证集；
44、构建多个不同阶数的预测模型，并采用交叉验证的方式对多个不同阶数的预测模型进行验证，获得各个预测模型的预测精度；
45、将预测精度最高的预测模型对应的阶数作为模态分解的目标阶数；
46、基于目标阶数对时域特征进行分解，获得多个模态对应的频域特征。
47、在一种可选的实施方式中，在基于目标阶数对时域特征进行分解，获得多个模态对应的频域特征时，所述转换模块具体用于：
48、采用预设模态分解算法按照目标阶数对时域特征进行分解，获得本征模态函数集合；
49、按照预设规则从本征模态函数集合中，选择出m个目标本征模态函数；其中，m为大于等于1的正整数；
50、基于m个目标本征模态函数，获得多个模态对应的频域特征。
51、在一种可选的实施方式中，在基于多个频域特征各自对应的流量贡献值，获得流量基线预测值时，所述预测模块具体用于：
52、采用指数平滑算法，预测多个频域特征各自在未来时间周期内对应的流量贡献值；
53、基于多个频域特征各自对应的流量贡献值，获得流量基线预测值。
54、第三方面，本技术提供了一种电子设备，其包括处理器和存储器，其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行上述第一方面所述的流量基线预测方法的步骤。
55、第四方面，本技术提供了一种计算机可读存储介质，其包括程序代码，当所述程序代码在电子设备上运行时，所述程序代码用于使所述电子设备执行上述第一方面所述的流量基线预测方法的步骤。
56、第五方面，本技术提供了一种计算机程序产品，所述计算机程序产品在被计算机调用时，使得所述计算机执行如第一方面所述的流量基线预测方法步骤。
57、此外，本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者，通过实施本技术而了解。本技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
1.一种流量基线预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述基于历史周期内的网络流量数据，按照预设时间窗口，获得各个流量峰值数据，包括：
3.如权利要求1所述的方法，其特征在于，所述基于所述各个流量峰值数据，获得所述网络流量数据对应的时域特征，包括：
4.如权利要求3所述的方法，其特征在于，所述将所述时域特征转化为多个模态对应的频域特征，包括：
5.如权利要求4所述的方法，其特征在于，所述基于所述目标阶数对所述时域特征进行分解，获得多个模态对应的频域特征，包括：
6.如权利要求1所述的方法，其特征在于，基于所述多个频域特征各自对应的流量贡献值，获得流量基线预测值，包括：
7.一种流量基线预测装置，其特征在于，所述装置包括：
8.如权利要求7所述的装置，其特征在于，在所述基于历史周期内的网络流量数据，按照预设时间窗口，获得各个流量峰值数据时，所述获取模块具体用于：
9.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。
