随着信息技术的进步,IP骨干网络规模急剧扩大,网络结构也越来越复杂,网络流量预测成为一个重要的研究课题。由于网络规模的扩大及现代网络中用户的飞速增长,网络拥塞或过载的情况时有发生,因此对网络流量进行实时预测对于网络的高效运行、网络资源分配和网络规划等具有重要意义。近年来,网络流量预测在实际应用中的重要性越来越受到人工智能研究领域的关注,长短时记忆神经网络LSTM(Long-term and Shor-term Memory Network,LSTM)由于能够处理时间序列之间的长短程依赖关系,已成为主流的网络流量预测方法之一,但是将LSTM模型应用到网络流量实时预测时,存在模型参数量过大、计算成本过高,容易导致模型过拟合等问题,这在具有严格等待时间要求的网络流量预测任务中是不能容忍的;另一方面,现有LSTM模型单从网络流量相关性特征进行建模,忽略了网络结构中路由器节点空间相关性的考虑,因此对网络流量进行实时、准确的预测模型建模,还存在一定的挑战。本文基于深度学习技术设计了两种不同的轻量级IP骨干网络流量实时预测神经网络算法,主要研究内容和创新点如下:针对LSTM模型应用于网络流量实时预测所存在的模型参数量大,计算成本过高,容易导致模型过拟合等问题,本文提出了一种基于MGU(Minimal Gated Unit,MGU)循环神经网络的IP骨干网络流量实时预测方法,该方法针对网络流量的时间相关性,引入基于最小门控单元的循环神经网络,构建轻量级深度学习预测模型,实验结果表明,与传统的LSTM流量预测方法相比,本文所提方法能以较少的模型训练时间获得相当甚至略优于LSTM模型的流量预测性能,并且在流量预测精度和实时性方面也优于已有的方法。针对上述模型仅仅考虑了网络流量的时间相关性却忽略了其空间相关性的问题,所以结合网络拓扑中路由器节点空间相关性,本文提出了一种基于空时相关STGM(Spatial-Temporal GCN-MGU,STGM)模型的IP骨干网络流量实时预测方法,同时利用网络流量时间相关性和空间相关性特征,实验结果表明,与只考虑网络流量时间相关性的方法相比,所提出的预测方法,模型精简,实时性预测性能也有了一定的提高。最后,基于IP骨干网络流量实时预测的应用需求分析,本文基于上文所提出的方法设计并实现了一个IP骨干网络流量实时预测原型系统,该系统实现了流量实时预测预警等功能,。通过该系统,用户可以对网络流量进行实时预测,从而保证预测的实时性、准确性,并且还可以通过配置实现对网络流量预警的管理。