预测模型是网络流量管理和异常检测的核心，但要评估其在长期运行中的适应能力，需要跨越多年、覆盖年度季节性和行为漂移的数据。现有公开数据集时长不足，难以支撑此类长时段预测任务。
我们发布 CESNET-TimeSeries26 数据集，包含两部分：
- 来自 CESNET3 网络的 995 天连续流量时间序列；
- 一个子网的约 4.5 年历史记录。 数据覆盖 278,466 个 IP 地址、285 所机构、566 个机构子网，提供三种聚合粒度（如 5 分钟、1 小时、1 天）。
该数据集为评估预测模型在运营管理和安全监控中的长期表现提供了统一基准。实验表明，年度季节性是最显著的周期成分；只有当训练窗口至少包含完整一年时，模型才能有效捕获并利用该季节性特征，而子年数据集无法满足此条件。
此基准可用于检验模型对概念漂移的鲁棒性、检测长期异常以及比较不同预测方法在真实网络环境中的表现。
点评