軟件定義網(wǎng)絡(luò)（Software-defined network,SDN）成為目前網(wǎng)絡(luò)發(fā)展的新趨勢,得益于它能夠?qū)W(wǎng)絡(luò)進行集中控制,集中控制能夠帶給網(wǎng)絡(luò)管理者諸多好處,突破傳統(tǒng)網(wǎng)絡(luò)中亟需解決的問題。而云服務(wù)平臺等新興網(wǎng)絡(luò)技術(shù)的出現(xiàn),使得服務(wù)內(nèi)容集中化,服務(wù)種類多樣化,用戶的訪問也逐漸個性化,如何針對性的提升用戶訪問業(yè)務(wù)的服務(wù)質(zhì)量（QoS）,提高網(wǎng)絡(luò)中鏈路的利用率和保障鏈路的負載均衡,是本文主要的研究課題,對此本文主要做了如下兩方面的工作:首先,提出了一個在SDN網(wǎng)絡(luò)中服務(wù)流分類與識別的框架,該框架在每個SDN域中通過流量采集與分析軟件采集邊緣網(wǎng)絡(luò)設(shè)備上多個端口傳輸?shù)臄?shù)據(jù)流的信息,并將統(tǒng)計后的流特征信息發(fā)往控制器的服務(wù)流分類模塊的隊列和歷史數(shù)據(jù)庫中等待處理。服務(wù)流分類模塊是以機器學習中的深度神經(jīng)網(wǎng)絡(luò)模型為核心,以歷史數(shù)據(jù)庫中流樣本數(shù)據(jù)為訓練集而訓練出的分類模型,它通過提取隊列中流的有效特征信息進行分類預(yù)測,從而識別并感知出其所屬的服務(wù)類別,其中歷史數(shù)據(jù)庫能夠周期性的重新訓練分類模型使其自適應(yīng)未來的網(wǎng)絡(luò)變化。在最后對框架中核心技術(shù)深度神經(jīng)網(wǎng)絡(luò)分類模型進行了仿真實驗,實驗結(jié)果表明該模型能夠有效... 

【文章來源】：重慶郵電大學重慶市

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【部分圖文】：

JupyterNotebook的Web界面截圖

為一個普遍存在于所有機器學習流量分類研究中的問題訓練模型來說太多了，因為輸入維度太高，會增加大量特征項會干擾分類模型的訓練，影響分類效果，再加上集的訓練樣本數(shù)量過小，這將導致分類器的訓練模型過，最終非樣本數(shù)據(jù)的分類準確性和方差不會很好。因此特征選擇的方法對這些特征值做處理，選擇和提取其中作為深度神經(jīng)網(wǎng)絡(luò)的訓練特征屬性。的方法本文使用基于樹的特征選擇(Tree-based feature 算特征的重要程度，因此能用來去除相關(guān)程度低和冗余可以得到了訓練樣本的特征屬性的重要性排名tances_)，并通過文本和可視化的方式輸出到控制器進

(a) 第 8 條流的算法迭代過程圖 (b) 第 13 條流的算法迭代過程圖圖 4.6 算法迭代過程圖圖4.6(a)和圖4.6(b)分別是第8次和第13次模擬主機發(fā)送數(shù)據(jù)流后LLB-QoSAS算法在 250 次迭代內(nèi)評價指標以及路徑利用率總和等幾個數(shù)值的變化圖，由于圖4.6(a)和圖 4.6(b)的變化曲線非常相似，我們以圖 4.6(a)為例進行詳細說明。圖 4.6(a)中的第一幅是評價指標隨迭代次數(shù)的變化曲線圖，其中 avg_fitness 表示的是每次尋路迭代 m 只螞蟻找到的 m 條路徑的平均評價指標值，best_fitness 表示的是迭代到目前為止所找到的當前最優(yōu)路徑的評價指標的值。從圖中可以看到，改進后的算法在第43 次迭代時best_fitness 上升到最大且直到第 250次迭代都沒有再變化，這說明在第 43 次迭代時找到了當前最優(yōu)解，同時在第 100 次迭代之后avg_fitness 逐漸向 best_fitness 靠近并收斂

【參考文獻】：
期刊論文
[1]軟件定義網(wǎng)絡(luò)可擴展性研究綜述[J]. 付永紅,畢軍,張克堯,吳建平.  通信學報. 2017(07)
[2]帶L2正則化項的神經(jīng)網(wǎng)絡(luò)逆向迭代算法收斂性分析[J]. 呂煒,陳永剛,沈晨.  信息技術(shù)與信息化. 2015(06)
[3]Internet流量模型分析與評述[J]. 張賓,楊家海,吳建平.  軟件學報. 2011(01)
[4]基于遺傳蟻群算法的QoS路由算法研究[J]. 尹向東.  計算機工程與應(yīng)用. 2009(17)
[5]基于賭盤的動態(tài)負荷均衡方法及其實現(xiàn)[J]. 鄒園萍,劉紅林.  通信學報. 2008(09)
[6]求解帶度約束多播路由問題的啟發(fā)式遺傳算法[J]. 潘耘,王行剛,馮煙利,余鎮(zhèn)危.  通信學報. 2007(01)
[7]一種基于拉格朗日松弛的時延約束多播路由算法[J]. 王珩,王華,孫亞民.  通信學報. 2004(05)
[8]一種基于蟻群算法的TSP問題分段求解算法[J]. 吳斌,史忠植.  計算機學報. 2001(12)
[9]神經(jīng)網(wǎng)絡(luò)中BP算法的分析[J]. 張鈴,張鈸.  模式識別與人工智能. 1994(03)

博士論文
[1]軟件定義網(wǎng)絡(luò)中多媒體傳輸路由及緩存算法研究[D]. 李索恒.中國科學技術(shù)大學 2016

碩士論文
[1]基于SVM的P2P流量早期識別研究[D]. 陳陽.河北大學 2017
[2]SDN下的流量工程和一致性更新問題的研究[D]. 葛鑫.南京大學 2016
[3]面向QoS保證的軟件定義網(wǎng)絡(luò)資源管控技術(shù)研究[D]. 許晨輝.南京航空航天大學 2016
[4]基于啟發(fā)式多約束最優(yōu)路徑的軟件定義網(wǎng)絡(luò)服務(wù)質(zhì)量路由算法研究[D]. 楊建華.西安電子科技大學 2015
[5]基于決策樹的P2P流量識別方法研究[D]. 王潔環(huán).西安電子科技大學 2015
[6]SDN在IP網(wǎng)絡(luò)的流量調(diào)度應(yīng)用研究[D]. 吳曼.電子科技大學 2015
[7]基于蟻群算法SDN負載均衡的研究[D]. 魏凱.吉林大學 2015
[8]面向SDN的流量調(diào)度技術(shù)研究[D]. 柯友運.西安電子科技大學 2014
[9]多路徑網(wǎng)絡(luò)負載均衡算法研究[D]. 王宇坤.太原理工大學 2007
[10]多約束QoS路由優(yōu)化與仿真[D]. 王剛.山東大學 2007



本文編號：3345157