SDN环境下基于神经网络的网络流量预测模型研究

发布时间：2020-10-31 09:50

　　 随着万物互联时代的到来,网络设备数量不断增加,网络规模不断扩大,网络流量管理也变得日渐复杂。如何提高网络管理效率成为众多研究人员的关注点,网络流量预测对于网络管理与维护有着至关重要的影响,精准的流量预测结果能极大地提高流量调度、异常定位、攻击检测的效率。本文提出一种新的基于SDN网络环境的在线网络流量预测模型,称为LSTM-NW。LSTM-NW模型首先使用小波变换将原始流量数据分解成近似数据和多组细节数据,然后将分解出来的近似数据和细节数据同时作为输入通过LSTM神经网络来预测下一时刻的流量值;本文将模型分成初始化学习和在线学习/预测两个阶段,详细推导了在线学习的计算步骤并计算了在线学习过程中每一次更新模型的计算复杂度,足够低的复杂度允许模型可以长时间运行在SDN控制器中不间断的为其它网络管理应用提供高准确度的流量预测数据;网络流量具有随机突变的特性,神经网络在线学习过程中权重需要频繁更新,此时网络流量数据随机突变会造成权重的震荡。为了抑制这一问题,本文还提出了一种适用于网络流量预测的神经网络权重优化算法,称为CGD算法。CGD算法作为LSTM-NW的一部分,使得LSTM-NW模型在学习新的流量模式时能够抑制梯度的震荡,避免流量突变对模型造成的负面影响,同时又能适应网络流量模式的变化趋势,始终保持良好的预测准确率。实验中使用了英国学术主干网和欧洲城市主干网两个数据集,进行了多组实验。首先通过实验验证了在使用LSTM模型进行训练前先使用小波变换分解原始网络流量数据的必要性。然后又将本文提出的LSTM-NW模型拆分成多个不同条件的版本,分别与当前最佳的网络流量预测模型DBNG模型进行了详细对比。在实验结果评价方面,本文实验中首次将测试集按时间先后顺序分成了多个区间,同时对比了多个时间区间内各种模型的预测结果相对于真实流量数据的RMSE和MAPE两个指标,以此来评判模型是否能长时间始终保持预测的精准度。最终实验结果验证了本文提出的LSTM-NW模型在网络流量预测问题上的优越性。
【学位单位】：湖南师范大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP393.06;TP183
【部分图文】：

1.1.2 研究意义根据中国互联网信息中心于 2017 年 7 月发布的《第 40 次中国互联网发展状况统计报告》[2]显示：中国网民数量从 2016 年底至 2017 年 6 月半年内新增约1992 万人，整体规模达到了 7.51 亿人，网络用户人数占到总人口数的 54.3%，相比 2016 年底有 1.1％的提高。与此同时，手机网民数量也增加了 2830 万人，使用手机上网的人数占到整体网民总数的 96.3%，这一比例在 2016 年底只有95.1%。数据还显示中国农村网络用户数量达到了 2.01 亿，占到全体网络用户数的 26.7%。在中国用户的互联网接入方式上，55.0%的用户使用台式电脑接入，36.5%的用户使用笔记本电脑接入，分别有 28.7%和 26.7%的用户会使用平板电脑和电视接入互联网，而使用手机接入互联网的用户比例高达 96.3%。

SDN 环境下基于神经网络的网络流量预测模型研究的一种实现，这种看法是错误的，实际上 OpenFlow 只是 SDN 架构中众多南向协议中的一种而已。控制器通过北向接口来与上层的应用程序进行业务逻辑交互，网络管理员可以使用编程的方式来管理网络流量和部署网络服务。这样就可通过软件编程来定义逻辑网络拓扑满足客户的定制化需求，实现灵活的路由管理，也能加快应用升级速度，使的运维的难度大大降低，使的底层网络拓扑相对上层应用编程接口透明化。

随着越来越多研究人员的参与，人工神经网络的研究工作不断深入，并取得了非常多的研究成果。在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。人工神经网络之所以能解决许多现代计算机难以解决的实际问题主要归功于神经网络的自学习能力。例如用于图像识别的神经网络模型，只在先把许多不同的图像作为学习样本以及对应的识别结果作为标签输入人工神经网络，神经网络网络会自己寻找出相似图片对应的特征，慢慢学会识别类似的其它图像[35]。这就是一种带监督的神经网络学习方法。自学习能力对于预测问题有着特别重要的意义，神经网络可通过历史数据自行发现潜在规律，然后对未来一段时间的趋势作出预测。目前循环神经网络已被应用到经济预测[36]、市场预测[37]、气象预测[38]等各个领域，表现出了优秀的预测能力。
【相似文献】

相关期刊论文 前10条

1 陈贵兵;;基于非线性组合模型的船舶无线网络流量预测[J];舰船科学技术;2019年20期

2 李巧侠;;基于组合模型的网络流量预测[J];微型电脑应用;2018年08期

3 王雪松;;改进支持向量机的网络流量预测[J];计算机系统应用;2017年03期

4 丁春莉;李林森;;和声搜索算法优化支持向量机的网络流量预测[J];微型电脑应用;2017年01期

5 陈南岳;汤永斌;岳淼;滕云;;一种网络流量预测模型的研究[J];科技通报;2017年07期

6 张涛;唐华;张甜甜;;网络流量预测算法仿真分析[J];计算机仿真;2016年09期

7 卢振利;;相空间重构和正则极限学习机的网络流量预测[J];激光杂志;2015年01期

8 张大卫;李海雁;;基于相空间重构双参数联合估计的网络流量预测[J];计算机与数字工程;2014年09期

9 赵伟;;一种改进的网络流量预测模型研究[J];计算机技术与发展;2013年04期

10 章治;;组合神经网络的网络流量预测研究[J];微电子学与计算机;2012年03期

相关博士学位论文 前2条

1 孙晓川;未来网络虚拟化资源管理机制研究[D];北京邮电大学;2013年

2 于青;基于混沌时间序列预测的主动型入侵防御系统研究[D];天津大学;2012年

相关硕士学位论文 前10条

1 张焕;SDN环境下基于神经网络的网络流量预测模型研究[D];湖南师范大学;2019年

2 杨兴;基于Kafka监测系统的网络流量预测和异常检测[D];北京邮电大学;2019年

3 师圣蔓;基于机器学习的网络流量预测与应用研究[D];北京邮电大学;2019年

4 姚骞;基于机器学习的SDN网络流量预测与负载均衡[D];电子科技大学;2018年

5 邱锴;转移张量在数据中心流量预测中的应用[D];华中科技大学;2016年

6 姚春萍;基于s变换和压缩感知的大规模网络流量预测与仿真实现[D];东北大学;2013年

7 陈振伟;基于神经网络的改进网络流量预测算法的研究[D];河南大学;2008年

8 蒋庆华;一种基于小波变换及自回归模型的网络流量预测算法[D];吉林大学;2006年

9 杨祎;网络流量预测技术的研究[D];北京邮电大学;2014年

10 孔玉;基于极大极小概率机的无线网络流量预测[D];西华大学;2009年

本文编号：2863787