基于机器学习的网络流量预测与应用研究

发布时间：2020-03-27 10:59

【摘要】：随着计算机信息技术的发展,网络的功能场景及架构越来越复杂,网络流量爆炸性增长,展现出许多新的特征,这些对网络的性能提高和稳定性维护提出了新的挑战。为了增强网络运行速率和提高网络资源利用率,本文在流量分场景建模的基础上结合机器学习算法对流量进行分类预测研究,同时搭建SDN仿真平台进行算法实现,具有理论与实践意义。首先,针对骨干网、数据中心、边缘网及大突发情况这四种典型的流量场景结合前人的研究工作分别建立泊松、MMPP、自相似及Pareto数学模型,深入研究流量特征的同时得出路由缓存的参考大小,并进行现网流量分析与SDN网络仿真双重验证。其次,在流量建模的基础上,使用lightBGM多分类算法对泊松、MMPP和自相似流量数据进行分类,数据预处理提取特征,在训练中对参数不断优化以达到较好的分类效果;接下来针对已分类的突发性较强的自相似流量进行数据处理与预测研究,采用能够捕捉到流量序列中长距离依赖的LSTM算法进行预测,通过研究不同参数取值对预测准确度的影响以得到最佳的流量预测模型。最后,使用ONOS控制器搭建SDN网络平台,分别建立信息采集、流量分类、流量预测与路由调整的功能模块,完成从信息采集到流量分类预测及网络优化的全过程,对算法应用进行探索实践。
【图文】：

框架图,论文研究,框架

考虑到泊松模型和ＭＭＰＰ模型中流量表现出相对平稳的特征，影响较小，在ＬｉｇｈｔＧＢＭ算法对不同流量进行分类后，主要针对边缘的自相似流量进行流量预测算法的研究，采用基于循环神经网络ＲＬＳＴＭ算法［１２］进行模型训练，通过数据处理及参数优化获得最佳的样，，在实践中先对网络流量进行模型分类，再对突发性强的流量采法进行实时流量预测，根据预测结果，网络进一步调整路由，优化网络４．逦ＳＤＮ网络平台仿真实现逡逑经过理论研究后搭建ＳＤＮ仿真平台，在Ｍｉｎｉｎｅｔ环境中搭建网络产生具有不同特征的网络流量，同时利用ＯＮＯＳ控制器，分别建立流量分类、流量预测、路由调整四个功能模块［１３］。在平台中即时获取分析流量特征，将机器学习分类预测算法应用其中，根据对流量信息流量做出模型判断分类，对分类之后的突发流量用训练好的算法模根据预测结果通过ＯＮＯＳ控制器下发流表对路由进行调整，实现网完成了对流量从建模到分类再预测的全过程。本研宄可以进一步在网络中部署应用，利用ＳＤＮ中心控制器对网络资源进行优化配置。逡逑具体的研究框架如图１－１：逡逑

示意图,决策树,损失函数,最小化

分配到对应的子节点上，将这一过程不断重复，进行判断和分配，直到样本抵达逡逑叶子节点获得样本类别［１７］。逡逑一个决策树的模型示意图如图２－１所示。逡逑Ａ逡逑Ｙ邋／逦＼邋Ｎ逦Ｙ邋／逦＼邋Ｎ逡逑图２－１决策树模型逡逑根据损失函数的最小化来建立模型，这一点上决策树是与Ｇｒａｄｉｅｎｔ邋Ｂｏｏｓｔｉｎｇ逡逑相同的。决策树的建立是自上而下的，每一次循环都要根据训练样本的特征进行逡逑分叉，直到叶子节点，所以选择合适的分叉属性成为建立一个决策树的关键，要逡逑保证分类速度快且树不会过深。对于这种属性的衡量懫用非纯度这一参数，如果逡逑一个数据集只有一种分类结果，则为最纯，反之，则集合不纯，一致性不够好。逡逑关于非纯度的衡量指标有基尼指数（Ｇｉｎｉ邋Ｉｎｄｅｘ）、分类误差和熵，公式分别为：逡逑Ｇｉｎｉ邋ｉｎｄｅｘ邋＝邋Ｇｉｎｉ（Ｄ）逡逑ｙ＝ｉ逡逑七逦七２逦（２－１）逡逑＝邋ＬＰｊ－ＬＰｊ逡逑ｙ＝ｉ逦ｙ＝ｉ逡逑ｙ＝ｉ逡逑Ｃｌａｓｓｉｆｉｃａｔｉｏｎ邋Ｅｒｒｏｒ邋＝邋１邋－邋ｍａｘ｛＾／｝逦（２－２）逡逑ｊ逡逑Ｅｎｔｒｏｐｙ邋＝邋Ｅ（Ｄ）邋＝邋Ｐｊ邋ｌｏｇ２邋Ｐｊ逦（２－３）逡逑ｙ＝ｉ逡逑这三个公式差别并不明显，值越大，代表越不纯，其中Ｄ表示样本数据的逡逑分类集合
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP393.06;TP181

【相似文献】