發(fā)布時(shí)間：2020-03-27 10:59

【摘要】：隨著計(jì)算機(jī)信息技術(shù)的發(fā)展,網(wǎng)絡(luò)的功能場(chǎng)景及架構(gòu)越來(lái)越復(fù)雜,網(wǎng)絡(luò)流量爆炸性增長(zhǎng),展現(xiàn)出許多新的特征,這些對(duì)網(wǎng)絡(luò)的性能提高和穩(wěn)定性維護(hù)提出了新的挑戰(zhàn)。為了增強(qiáng)網(wǎng)絡(luò)運(yùn)行速率和提高網(wǎng)絡(luò)資源利用率,本文在流量分場(chǎng)景建模的基礎(chǔ)上結(jié)合機(jī)器學(xué)習(xí)算法對(duì)流量進(jìn)行分類(lèi)預(yù)測(cè)研究,同時(shí)搭建SDN仿真平臺(tái)進(jìn)行算法實(shí)現(xiàn),具有理論與實(shí)踐意義。首先,針對(duì)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(chǎng)景結(jié)合前人的研究工作分別建立泊松、MMPP、自相似及Pareto數(shù)學(xué)模型,深入研究流量特征的同時(shí)得出路由緩存的參考大小,并進(jìn)行現(xiàn)網(wǎng)流量分析與SDN網(wǎng)絡(luò)仿真雙重驗(yàn)證。其次,在流量建模的基礎(chǔ)上,使用lightBGM多分類(lèi)算法對(duì)泊松、MMPP和自相似流量數(shù)據(jù)進(jìn)行分類(lèi),數(shù)據(jù)預(yù)處理提取特征,在訓(xùn)練中對(duì)參數(shù)不斷優(yōu)化以達(dá)到較好的分類(lèi)效果;接下來(lái)針對(duì)已分類(lèi)的突發(fā)性較強(qiáng)的自相似流量進(jìn)行數(shù)據(jù)處理與預(yù)測(cè)研究,采用能夠捕捉到流量序列中長(zhǎng)距離依賴的LSTM算法進(jìn)行預(yù)測(cè),通過(guò)研究不同參數(shù)取值對(duì)預(yù)測(cè)準(zhǔn)確度的影響以得到最佳的流量預(yù)測(cè)模型。最后,使用ONOS控制器搭建SDN網(wǎng)絡(luò)平臺(tái),分別建立信息采集、流量分類(lèi)、流量預(yù)測(cè)與路由調(diào)整的功能模塊,完成從信息采集到流量分類(lèi)預(yù)測(cè)及網(wǎng)絡(luò)優(yōu)化的全過(guò)程,對(duì)算法應(yīng)用進(jìn)行探索實(shí)踐。
【圖文】：

考慮到泊松模型和ＭＭＰＰ模型中流量表現(xiàn)出相對(duì)平穩(wěn)的特征，影響較小，在ＬｉｇｈｔＧＢＭ算法對(duì)不同流量進(jìn)行分類(lèi)后，主要針對(duì)邊緣的自相似流量進(jìn)行流量預(yù)測(cè)算法的研究，采用基于循環(huán)神經(jīng)網(wǎng)絡(luò)ＲＬＳＴＭ算法［１２］進(jìn)行模型訓(xùn)練，通過(guò)數(shù)據(jù)處理及參數(shù)優(yōu)化獲得最佳的樣，，在實(shí)踐中先對(duì)網(wǎng)絡(luò)流量進(jìn)行模型分類(lèi)，再對(duì)突發(fā)性強(qiáng)的流量采法進(jìn)行實(shí)時(shí)流量預(yù)測(cè)，根據(jù)預(yù)測(cè)結(jié)果，網(wǎng)絡(luò)進(jìn)一步調(diào)整路由，優(yōu)化網(wǎng)絡(luò)４．邐ＳＤＮ網(wǎng)絡(luò)平臺(tái)仿真實(shí)現(xiàn)逡逑經(jīng)過(guò)理論研究后搭建ＳＤＮ仿真平臺(tái)，在Ｍｉｎｉｎｅｔ環(huán)境中搭建網(wǎng)絡(luò)產(chǎn)生具有不同特征的網(wǎng)絡(luò)流量，同時(shí)利用ＯＮＯＳ控制器，分別建立流量分類(lèi)、流量預(yù)測(cè)、路由調(diào)整四個(gè)功能模塊［１３］。在平臺(tái)中即時(shí)獲取分析流量特征，將機(jī)器學(xué)習(xí)分類(lèi)預(yù)測(cè)算法應(yīng)用其中，根據(jù)對(duì)流量信息流量做出模型判斷分類(lèi)，對(duì)分類(lèi)之后的突發(fā)流量用訓(xùn)練好的算法模根據(jù)預(yù)測(cè)結(jié)果通過(guò)ＯＮＯＳ控制器下發(fā)流表對(duì)路由進(jìn)行調(diào)整，實(shí)現(xiàn)網(wǎng)完成了對(duì)流量從建模到分類(lèi)再預(yù)測(cè)的全過(guò)程。本研宄可以進(jìn)一步在網(wǎng)絡(luò)中部署應(yīng)用，利用ＳＤＮ中心控制器對(duì)網(wǎng)絡(luò)資源進(jìn)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(duì)應(yīng)的子節(jié)點(diǎn)上，將這一過(guò)程不斷重復(fù)，進(jìn)行判斷和分配，直到樣本抵達(dá)逡逑葉子節(jié)點(diǎn)獲得樣本類(lèi)別［１７］。逡逑一個(gè)決策樹(shù)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(shù)模型逡逑根據(jù)損失函數(shù)的最小化來(lái)建立模型，這一點(diǎn)上決策樹(shù)是與Ｇｒａｄｉｅｎｔ邋Ｂｏｏｓｔｉｎｇ逡逑相同的。決策樹(shù)的建立是自上而下的，每一次循環(huán)都要根據(jù)訓(xùn)練樣本的特征進(jìn)行逡逑分叉，直到葉子節(jié)點(diǎn)，所以選擇合適的分叉屬性成為建立一個(gè)決策樹(shù)的關(guān)鍵，要逡逑保證分類(lèi)速度快且樹(shù)不會(huì)過(guò)深。對(duì)于這種屬性的衡量懫用非純度這一參數(shù)，如果逡逑一個(gè)數(shù)據(jù)集只有一種分類(lèi)結(jié)果，則為最純，反之，則集合不純，一致性不夠好。逡逑關(guān)于非純度的衡量指標(biāo)有基尼指數(shù)（Ｇｉｎｉ邋Ｉｎｄｅｘ）、分類(lèi)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(gè)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(lèi)集合
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：TP393.06;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李巧俠;;基于組合模型的網(wǎng)絡(luò)流量預(yù)測(cè)[J];微型電腦應(yīng)用;2018年08期

2 王雪松;;改進(jìn)支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測(cè)[J];計(jì)算機(jī)系統(tǒng)應(yīng)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(jī)的網(wǎng)絡(luò)流量預(yù)測(cè)[J];微型電腦應(yīng)用;2017年01期

4 陳南岳;湯永斌;岳淼;滕云;;一種網(wǎng)絡(luò)流量預(yù)測(cè)模型的研究[J];科技通報(bào);2017年07期

5 張濤;唐華;張?zhí)鹛?;網(wǎng)絡(luò)流量預(yù)測(cè)算法仿真分析[J];計(jì)算機(jī)仿真;2016年09期

6 盧振利;;相空間重構(gòu)和正則極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)流量預(yù)測(cè)[J];激光雜志;2015年01期

7 張大衛(wèi);李海雁;;基于相空間重構(gòu)雙參數(shù)聯(lián)合估計(jì)的網(wǎng)絡(luò)流量預(yù)測(cè)[J];計(jì)算機(jī)與數(shù)字工程;2014年09期

8 趙偉;;一種改進(jìn)的網(wǎng)絡(luò)流量預(yù)測(cè)模型研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2013年04期

9 章治;;組合神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)研究[J];微電子學(xué)與計(jì)算機(jī);2012年03期

10 趙云;肖嵬;陳阿林;;基于加權(quán)支持向量回歸的網(wǎng)絡(luò)流量預(yù)測(cè)[J];計(jì)算機(jī)工程與應(yīng)用;2012年21期

相關(guān)會(huì)議論文 前4條

1 李林峰;裘正定;;時(shí)間序列分析在網(wǎng)絡(luò)流量預(yù)測(cè)中的應(yīng)用研究[A];2005通信理論與技術(shù)新進(jìn)展——第十屆全國(guó)青年通信學(xué)術(shù)會(huì)議論文集[C];2005年

2 桂曉琳;許向陽(yáng);;基于Elman神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)[A];全國(guó)自動(dòng)化新技術(shù)學(xué)術(shù)交流會(huì)會(huì)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(luò)數(shù)據(jù)預(yù)測(cè)方法[A];全國(guó)第4屆信號(hào)和智能信息處理與應(yīng)用學(xué)術(shù)會(huì)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(luò)流量預(yù)測(cè)[A];全國(guó)第4屆信號(hào)和智能信息處理與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2010年

相關(guān)重要報(bào)紙文章 前1條

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

相關(guān)博士學(xué)位論文 前2條

1 孫曉川;未來(lái)網(wǎng)絡(luò)虛擬化資源管理機(jī)制研究[D];北京郵電大學(xué);2013年

2 于青;基于混沌時(shí)間序列預(yù)測(cè)的主動(dòng)型入侵防御系統(tǒng)研究[D];天津大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 楊興;基于Kafka監(jiān)測(cè)系統(tǒng)的網(wǎng)絡(luò)流量預(yù)測(cè)和異常檢測(cè)[D];北京郵電大學(xué);2019年

2 師圣蔓;基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)流量預(yù)測(cè)與應(yīng)用研究[D];北京郵電大學(xué);2019年

3 姚騫;基于機(jī)器學(xué)習(xí)的SDN網(wǎng)絡(luò)流量預(yù)測(cè)與負(fù)載均衡[D];電子科技大學(xué);2018年

4 邱鍇;轉(zhuǎn)移張量在數(shù)據(jù)中心流量預(yù)測(cè)中的應(yīng)用[D];華中科技大學(xué);2016年

5 姚春萍;基于s變換和壓縮感知的大規(guī)模網(wǎng)絡(luò)流量預(yù)測(cè)與仿真實(shí)現(xiàn)[D];東北大學(xué);2013年

6 陳振偉;基于神經(jīng)網(wǎng)絡(luò)的改進(jìn)網(wǎng)絡(luò)流量預(yù)測(cè)算法的研究[D];河南大學(xué);2008年

7 蔣慶華;一種基于小波變換及自回歸模型的網(wǎng)絡(luò)流量預(yù)測(cè)算法[D];吉林大學(xué);2006年

8 楊yN;網(wǎng)絡(luò)流量預(yù)測(cè)技術(shù)的研究[D];北京郵電大學(xué);2014年

9 孔玉;基于極大極小概率機(jī)的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)[D];西華大學(xué);2009年

10 文政;基于混沌—支持向量機(jī)理論的網(wǎng)絡(luò)流量預(yù)測(cè)[D];鄭州大學(xué);2012年

本文編號(hào)：2602869