SDN中基于深度学习流量预测的节能技术研究

发布时间：2022-02-17 13:25

　　随着互联网技术的迅速发展,网络数据中心不断上升的电力成本已经成为能源消耗方面一个不容忽视的问题。现有的网络数据中心节能方案主要侧重在服务器和制冷设备两个方面,在转发设备如交换机的节能问题上的研究不多。软件定义网络（Software Defined Network,SDN）是一种发展潜力巨大的新型网络架构,它的核心思想是转发与控制分离,将智能集中到控制器上进行集中控制。SDN灵活性高,并且方便管理员操作,集中控制可以减少冗余,提高效率。基于上述现状,论文首先介绍了网络流量预测的研究背景和现状,对相关技术作了详细的阐述;然后,提出了一种基于深度学习流量预测的节能框架,并对该框架的机制进行了充分的研究和探索,对框架中涉及的每个模块的功能和作用都进行了研究;接着,本文对SDN中的网络流量预测模型问题进行了研究,提出了一种基于深度学习模型（NTPNN）的流量预测方法,并通过实验验证了流量预测模型的可行性。本文将流量预测模型部署在控制平面,开发了一套基于深度学习流量预测的节能系统,其核心思想是:在预测交换机转发流量不大的情况下尝试使交换机端口进入休眠,并将流量规划到其它路径上,从而实现SDN转发设... 

【文章来源】：浙江工商大学浙江省

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 网络中心节能研究现状
        1.2.2 网络流量预测研究现状
        1.2.3 深度学习研究现状
    1.3 论文研究内容和创新点
        1.3.1 研究内容
        1.3.2 创新点
    1.4 论文组织结构
2 相关技术及原理
    2.1 SDN技术
        2.1.1 SDN架构
        2.1.2 OpenFlow技术
    2.2 深度学习技术
        2.2.1 深度学习基本概念
        2.2.2 深度学习常用模型
    2.3 本章小结
3 基于深度学习流量预测的节能技术研究
    3.1 基于深度学习流量预测的节能框架
    3.2 基于深度学习流量预测的节能机制
    3.3 本章小结
4 基于深度学习的流量预测研究
    4.1 现有基于机器学习流量预测技术
    4.2 流量预测模型
        4.2.1 NTPNN模型
        4.2.2 模型特征
    4.3 实验及结果分析
        4.3.1 流量数据采集
        4.3.2 深度学习框架选择
        4.3.3 实验环境及评估指标
        4.3.4 实验结果分析
    4.4 本章小结
5 SDN中基于深度学习流量预测的节能系统实现
    5.1 SDN中基于深度学习流量预测的节能系统
    5.2 预处理模块
    5.3 流量预测模块
        5.3.1 流量数据导入
        5.3.2 模型定义及预测
    5.4 节能策略模块
        5.4.1 节能策略模块设计
        5.4.2 节能算法设计
    5.5 实验及结果分析
        5.5.1 SDN控制器及仿真器选择
        5.5.2 网络构建
        5.5.3 实验结果分析
    5.6 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
参考文献
本文作者硕士期间取得的成果
致谢


【参考文献】：
期刊论文
[1]基于SaS过程的分数低阶时频自回归滑动平均模型参数估计及时频分布[J]. 龙俊波,汪海滨.  电子与信息学报. 2016(07)
[2]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟.  计算机应用研究. 2014(07)
[3]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)
[4]网络流量分析方法综述[J]. 苟娟迎,马力.  西安邮电学院学报. 2010(04)
[5]依等价AR模型阶次递增的自回归滑动平均模型辨识[J]. 周毅,丁锋.  华东理工大学学报(自然科学版). 2008(03)
[6]基于RBF神经网络的网络流量建模及预测[J]. 王俊松,高志伟.  计算机工程与应用. 2008(13)
[7]基于BP神经网络的非线性网络流量预测[J]. 刘杰,黄亚楼.  计算机应用. 2007(07)
[8]非线性时间序列建模的混合自回归滑动平均模型[J]. 王红军,田铮.  控制理论与应用. 2005(06)
[9]基于ARIMA模型的网络流量预测[J]. 薛可,李增智,刘浏,宋承谦.  微电子学与计算机. 2004(07)
[10]基于ARMA模型的网络流量预测[J]. 邹柏贤,刘强.  计算机研究与发展. 2002(12)

硕士论文
[1]基于FARIMA模型的网络流量建模与预测[D]. 苏占波.电子科技大学 2010



本文编号：3629479