【摘要】：隨著計算機信息技術的發(fā)展,網(wǎng)絡的功能場景及架構越來越復雜,網(wǎng)絡流量爆炸性增長,展現(xiàn)出許多新的特征,這些對網(wǎng)絡的性能提高和穩(wěn)定性維護提出了新的挑戰(zhàn)。為了增強網(wǎng)絡運行速率和提高網(wǎng)絡資源利用率,本文在流量分場景建模的基礎上結合機器學習算法對流量進行分類預測研究,同時搭建SDN仿真平臺進行算法實現(xiàn),具有理論與實踐意義。首先,針對骨干網(wǎng)、數(shù)據(jù)中心、邊緣網(wǎng)及大突發(fā)情況這四種典型的流量場景結合前人的研究工作分別建立泊松、MMPP、自相似及Pareto數(shù)學模型,深入研究流量特征的同時得出路由緩存的參考大小,并進行現(xiàn)網(wǎng)流量分析與SDN網(wǎng)絡仿真雙重驗證。其次,在流量建模的基礎上,使用lightBGM多分類算法對泊松、MMPP和自相似流量數(shù)據(jù)進行分類,數(shù)據(jù)預處理提取特征,在訓練中對參數(shù)不斷優(yōu)化以達到較好的分類效果;接下來針對已分類的突發(fā)性較強的自相似流量進行數(shù)據(jù)處理與預測研究,采用能夠捕捉到流量序列中長距離依賴的LSTM算法進行預測,通過研究不同參數(shù)取值對預測準確度的影響以得到最佳的流量預測模型。最后,使用ONOS控制器搭建SDN網(wǎng)絡平臺,分別建立信息采集、流量分類、流量預測與路由調整的功能模塊,完成從信息采集到流量分類預測及網(wǎng)絡優(yōu)化的全過程,對算法應用進行探索實踐。
【圖文】：

考慮到泊松模型和ＭＭＰＰ模型中流量表現(xiàn)出相對平穩(wěn)的特征，影響較小，在ＬｉｇｈｔＧＢＭ算法對不同流量進行分類后，主要針對邊緣的自相似流量進行流量預測算法的研究，采用基于循環(huán)神經(jīng)網(wǎng)絡ＲＬＳＴＭ算法［１２］進行模型訓練，通過數(shù)據(jù)處理及參數(shù)優(yōu)化獲得最佳的樣，，在實踐中先對網(wǎng)絡流量進行模型分類，再對突發(fā)性強的流量采法進行實時流量預測，根據(jù)預測結果，網(wǎng)絡進一步調整路由，優(yōu)化網(wǎng)絡４．邐ＳＤＮ網(wǎng)絡平臺仿真實現(xiàn)逡逑經(jīng)過理論研究后搭建ＳＤＮ仿真平臺，在Ｍｉｎｉｎｅｔ環(huán)境中搭建網(wǎng)絡產(chǎn)生具有不同特征的網(wǎng)絡流量，同時利用ＯＮＯＳ控制器，分別建立流量分類、流量預測、路由調整四個功能模塊［１３］。在平臺中即時獲取分析流量特征，將機器學習分類預測算法應用其中，根據(jù)對流量信息流量做出模型判斷分類，對分類之后的突發(fā)流量用訓練好的算法模根據(jù)預測結果通過ＯＮＯＳ控制器下發(fā)流表對路由進行調整，實現(xiàn)網(wǎng)完成了對流量從建模到分類再預測的全過程。本研宄可以進一步在網(wǎng)絡中部署應用，利用ＳＤＮ中心控制器對網(wǎng)絡資源進行優(yōu)化配置。逡逑具體的研究框架如圖１－１：逡逑

分配到對應的子節(jié)點上，將這一過程不斷重復，進行判斷和分配，直到樣本抵達逡逑葉子節(jié)點獲得樣本類別［１７］。逡逑一個決策樹的模型示意圖如圖２－１所示。逡逑Ａ逡逑Ｙ邋／邐＼邋Ｎ邐Ｙ邋／邐＼邋Ｎ逡逑圖２－１決策樹模型逡逑根據(jù)損失函數(shù)的最小化來建立模型，這一點上決策樹是與Ｇｒａｄｉｅｎｔ邋Ｂｏｏｓｔｉｎｇ逡逑相同的。決策樹的建立是自上而下的，每一次循環(huán)都要根據(jù)訓練樣本的特征進行逡逑分叉，直到葉子節(jié)點，所以選擇合適的分叉屬性成為建立一個決策樹的關鍵，要逡逑保證分類速度快且樹不會過深。對于這種屬性的衡量懫用非純度這一參數(shù)，如果逡逑一個數(shù)據(jù)集只有一種分類結果，則為最純，反之，則集合不純，一致性不夠好。逡逑關于非純度的衡量指標有基尼指數(shù)（Ｇｉｎｉ邋Ｉｎｄｅｘ）、分類誤差和熵，公式分別為：逡逑Ｇｉｎｉ邋ｉｎｄｅｘ邋＝邋Ｇｉｎｉ（Ｄ）逡逑ｙ＝ｉ逡逑七邐七２邐（２－１）逡逑＝邋ＬＰｊ－ＬＰｊ逡逑ｙ＝ｉ邐ｙ＝ｉ逡逑ｙ＝ｉ逡逑Ｃｌａｓｓｉｆｉｃａｔｉｏｎ邋Ｅｒｒｏｒ邋＝邋１邋－邋ｍａｘ｛＾／｝邐（２－２）逡逑ｊ逡逑Ｅｎｔｒｏｐｙ邋＝邋Ｅ（Ｄ）邋＝邋Ｐｊ邋ｌｏｇ２邋Ｐｊ邐（２－３）逡逑ｙ＝ｉ逡逑這三個公式差別并不明顯，值越大，代表越不純，其中Ｄ表示樣本數(shù)據(jù)的逡逑分類集合
【學位授予單位】：北京郵電大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP393.06;TP181

【相似文獻】

相關期刊論文 前10條

1 李巧俠;;基于組合模型的網(wǎng)絡流量預測[J];微型電腦應用;2018年08期

2 王雪松;;改進支持向量機的網(wǎng)絡流量預測[J];計算機系統(tǒng)應用;2017年03期

3 丁春莉;李林森;;和聲搜索算法優(yōu)化支持向量機的網(wǎng)絡流量預測[J];微型電腦應用;2017年01期

4 陳南岳;湯永斌;岳淼;滕云;;一種網(wǎng)絡流量預測模型的研究[J];科技通報;2017年07期

5 張濤;唐華;張?zhí)鹛?;網(wǎng)絡流量預測算法仿真分析[J];計算機仿真;2016年09期

6 盧振利;;相空間重構和正則極限學習機的網(wǎng)絡流量預測[J];激光雜志;2015年01期

7 張大衛(wèi);李海雁;;基于相空間重構雙參數(shù)聯(lián)合估計的網(wǎng)絡流量預測[J];計算機與數(shù)字工程;2014年09期

8 趙偉;;一種改進的網(wǎng)絡流量預測模型研究[J];計算機技術與發(fā)展;2013年04期

9 章治;;組合神經(jīng)網(wǎng)絡的網(wǎng)絡流量預測研究[J];微電子學與計算機;2012年03期

10 趙云;肖嵬;陳阿林;;基于加權支持向量回歸的網(wǎng)絡流量預測[J];計算機工程與應用;2012年21期

相關會議論文 前4條

1 李林峰;裘正定;;時間序列分析在網(wǎng)絡流量預測中的應用研究[A];2005通信理論與技術新進展——第十屆全國青年通信學術會議論文集[C];2005年

2 桂曉琳;許向陽;;基于Elman神經(jīng)網(wǎng)絡的網(wǎng)絡流量預測[A];全國自動化新技術學術交流會會議論文集（一）[C];2005年

3 張黎;孫艷華;張延華;;隨季節(jié)變化的海量網(wǎng)絡數(shù)據(jù)預測方法[A];全國第4屆信號和智能信息處理與應用學術會議論文集[C];2010年

4 盧丹蕾;孫艷華;張延華;;基于數(shù)據(jù)挖掘的網(wǎng)絡流量預測[A];全國第4屆信號和智能信息處理與應用學術會議論文集[C];2010年

相關重要報紙文章 前1條

1 南京郵電大學通信工程系教授 糜正琨;解NGN的QoS之“痛”[N];通信產(chǎn)業(yè)報;2005年

相關博士學位論文 前2條

1 孫曉川;未來網(wǎng)絡虛擬化資源管理機制研究[D];北京郵電大學;2013年

2 于青;基于混沌時間序列預測的主動型入侵防御系統(tǒng)研究[D];天津大學;2012年

相關碩士學位論文 前10條

1 楊興;基于Kafka監(jiān)測系統(tǒng)的網(wǎng)絡流量預測和異常檢測[D];北京郵電大學;2019年

2 師圣蔓;基于機器學習的網(wǎng)絡流量預測與應用研究[D];北京郵電大學;2019年

3 姚騫;基于機器學習的SDN網(wǎng)絡流量預測與負載均衡[D];電子科技大學;2018年

4 邱鍇;轉移張量在數(shù)據(jù)中心流量預測中的應用[D];華中科技大學;2016年

5 姚春萍;基于s變換和壓縮感知的大規(guī)模網(wǎng)絡流量預測與仿真實現(xiàn)[D];東北大學;2013年

6 陳振偉;基于神經(jīng)網(wǎng)絡的改進網(wǎng)絡流量預測算法的研究[D];河南大學;2008年

7 蔣慶華;一種基于小波變換及自回歸模型的網(wǎng)絡流量預測算法[D];吉林大學;2006年

8 楊yN;網(wǎng)絡流量預測技術的研究[D];北京郵電大學;2014年

9 孔玉;基于極大極小概率機的無線網(wǎng)絡流量預測[D];西華大學;2009年

10 文政;基于混沌—支持向量機理論的網(wǎng)絡流量預測[D];鄭州大學;2012年

本文編號：2602869