1、目的及意义（含国内外的研究现状分析）

1.1 研究目的及意义

随着移动通信技术的飞速发展、移动端智能设备的普及以及多媒体技术的应用，无论是有线网络还是无线网络，数据业务流量的成倍翻升在不断影响着网络性能和用户体验^[1]。面对如此庞大的流量，网络运营商需要智能的路由策略，将网络流量合理的从起点路由到终点。然而，目前相关研究所针对的路由算法，很多针对固定带宽需求或者当前流量^[2]，这种被动式的路由算法，在流量动态程度高的计算机网络中，很容易造成网络拥塞或者资源利用率不足。因此，智能网络管控系统中，需要有流量预测模块^[3]，来预测未来一段时间的流量，以便优化路由策略。如果能准确预测下一时刻的网络流量并合理分配路径，这在整个网络管控中都意义无限。所以，预测准确度显得尤为重要。一旦预测结果出现比较大的偏差，就可能导致网络中不合理的路径分配，造成部分网络拥塞或者资源使用率降低的结果，降低传输质量或者网络资源利用率。然而，在网络流量预测的实际运行过程中却很可能会遭受攻击^[4]，攻击对整个预测结果的影响显得尤为重要。一旦网络流量预测的模型遭受攻击，造成对下一时刻用户流量的错误预测，会导致网络中不合理的路径分配由此引发上述后果，使得整个网络性能大大降低。

因此，有一个可以准确预测网络流量的模型对网络管控有着重要意义，而流量预测模型基于神经网络，神经网络具有易受攻击性，为了网络安全的进一步考虑，我们首先需要站在攻击者的角度实现一次对网络流量预测模型的攻击并研究清楚攻击的机制，有助于网络运营商有针对性的研究对策；研究能否用不被检测到的尽可能小的干扰去攻击神经网络预测模型，使其产生攻击者期望达到的预测误差，也是未来安全、合理、有效的优化网络性能的基础。

1.2 国内外研究现状

绝大部分的预测模型都需要依赖于神经网络^[5]，而在深度学习领域，基于长短期记忆（Long-Short-Time-Menory，LSTM）神经网络的预测模型在进行交通流量预测^[6]时展现出极高的性能。LSTM网络是一种特殊的循环神经网络，具有能够学习的长期依赖的能力^[7]，LSTM网络能够在更长的时间跨度内捕获时间序列的特征，基于LSTM网络或基于改进的LSTM网络进行预测的方法较为常见，比如电力信息网络预测、智能交通体系中的交通流量预测，但将LSTM网络直接应用于网络中流量的预测并不是很多，因为很多文献中也分析过网络流量的动态性，流量数据是非平稳的，会有突发的流量激增和骤减，会在一定的周期性规律上表现出一定的随机性，因此将LSTM神经网络等运用于网络流量的预测的模型很少且不完善^[8,9]。

现在对于网络流量的预测模型比较少，都是一些比较传统的数学模型，虽然数学理论基础比较成熟，但预测效果不够理想^[10-12]；针对于一个神经网络的攻击，国外目前已有一些研究是面向于神经网络的攻击及防御。不过这些对神经网络的攻击方法研究主要是针对于分类器的相关神经网络，主要是面向实现分类功能的神经网络模型，攻击者制造攻击样本导致错误分类，寻找一个最小的干扰来实现在不被检测到的情况下的成功攻击。该类攻击方法的实现、攻击样本的构造、防御方法均有涉及。然而，上述均是针对于分类器的相关神经网络的研究，而本次课题中，研究的对象是基于LSTM神经网络的网络流量预测模型，和上述的人工神经网络相比结构上有了很大的变化^[13-15]。同时，预测空间也从离散种类，变成了连续的数据值。本次课题，需要在准确预测的基础上，通过控制输入样本对数据加入较小的扰动，实现对神经网络的攻击，即使是原本预测较为准确的神经网络，会产生误差较大的预测结果。如果能搭建出进行网络流量预测的神经网络并且能实现良好的攻击效果，也可以为未来的防御等进一步的研究打好基础。

3、进度安排

第1－3周：查阅相关文献资料，明确研究内容，了解研究所需理论基础。确定方案，完成开题报告。

第4－5周：熟悉掌握基本理论，完成英文资料的翻译，熟悉开发环境。

第6－9周：编程实现各算法，并进行仿真调试。

第10－12周：针对具体的实验数据，完成整个系统的仿真，实现功能。

第13－15周：完成并修改毕业论文。

第16周：准备论文答辩。