arXiv cs.AI· Josef Koumar, Karel Hynek, Kamil Jerabek, Pavel Siska·· 3 天前AI 评分22
CESNET-TimeSeries26：面向年度季节性、概念漂移与长期异常检测的多年网络流量时间序列数据集
CESNET-TimeSeries26: A Multi-Year Network Traffic Time Series Dataset for Annual Seasonality, Concept Drift, and Long-Term Anomaly Detection
AI 导读
CESNET 发布 CESNET-TimeSeries26 网络流量时间序列数据集，包含 CESNET3 网络 995 天连续流量数据及一个约 4.5 年的子网数据，覆盖 278,466 个 IP 地址、285 家机构和 566 个机构子网，提供三种聚合间隔。
正文 · AI 翻译
摘要：基于预测的模型是网络流量管理和异常检测的基础。然而，必须在较长时间跨度上评估这些预测模型，以衡量其对意外现象和底层模式变化的适应能力。这种长期评估需要多年数据，以涵盖年度季节性和行为漂移。现有的公开数据集时间跨度太短，无法支持此类长时程预测任务。我们推出 CESNET-TimeSeries26，包含来自 CESNET3 网络的 995 天连续流量时间序列，以及一个跨度约 4.5 年的单一子网。该数据集以三种聚合间隔捕获了 278,466 个 IP 地址、285 家机构和 566 个机构子网。该数据集为评估运营管理和安全监控中的预测模型提供了明确的纵向基准。我们证明年度季节性是最主要的周期成分。此外，我们表明预测模型只有在其训练窗口覆盖至少一个完整年度周期时才能利用年度成分，而这是任何不足一年的数据集都无法提供的。
| 学科： | 人工智能（cs.AI）；机器学习（cs.LG）；网络与互联网架构（cs.NI） |
| 引用为： | arXiv:2610.14799 [cs.AI] |
| （或 arXiv:2610.14799v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14799 arXiv 颁发的 DOI，通过 DataCite（待注册） |
提交历史
来自：Josef Koumar 博士 [查看电子邮件]
[v1]
2026年10月10日星期六 10:49:09 UTC（2,888 KB）
来源：arXiv cs.AI · arxiv.org