隨著萬(wàn)物互聯(lián)時(shí)代的到來,網(wǎng)絡(luò)設(shè)備數(shù)量不斷增加,網(wǎng)絡(luò)規(guī)模不斷擴(kuò)大,網(wǎng)絡(luò)流量管理也變得日漸復(fù)雜。如何提高網(wǎng)絡(luò)管理效率成為眾多研究人員的關(guān)注點(diǎn),網(wǎng)絡(luò)流量預(yù)測(cè)對(duì)于網(wǎng)絡(luò)管理與維護(hù)有著至關(guān)重要的影響,精準(zhǔn)的流量預(yù)測(cè)結(jié)果能極大地提高流量調(diào)度、異常定位、攻擊檢測(cè)的效率。本文提出一種新的基于SDN網(wǎng)絡(luò)環(huán)境的在線網(wǎng)絡(luò)流量預(yù)測(cè)模型,稱為L(zhǎng)STM-NW。LSTM-NW模型首先使用小波變換將原始流量數(shù)據(jù)分解成近似數(shù)據(jù)和多組細(xì)節(jié)數(shù)據(jù),然后將分解出來的近似數(shù)據(jù)和細(xì)節(jié)數(shù)據(jù)同時(shí)作為輸入通過LSTM神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)下一時(shí)刻的流量值;本文將模型分成初始化學(xué)習(xí)和在線學(xué)習(xí)/預(yù)測(cè)兩個(gè)階段,詳細(xì)推導(dǎo)了在線學(xué)習(xí)的計(jì)算步驟并計(jì)算了在線學(xué)習(xí)過程中每一次更新模型的計(jì)算復(fù)雜度,足夠低的復(fù)雜度允許模型可以長(zhǎng)時(shí)間運(yùn)行在SDN控制器中不間斷的為其它網(wǎng)絡(luò)管理應(yīng)用提供高準(zhǔn)確度的流量預(yù)測(cè)數(shù)據(jù);網(wǎng)絡(luò)流量具有隨機(jī)突變的特性,神經(jīng)網(wǎng)絡(luò)在線學(xué)習(xí)過程中權(quán)重需要頻繁更新,此時(shí)網(wǎng)絡(luò)流量數(shù)據(jù)隨機(jī)突變會(huì)造成權(quán)重的震蕩。為了抑制這一問題,本文還提出了一種適用于網(wǎng)絡(luò)流量預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)權(quán)重優(yōu)化算法,稱為CGD算法。CGD算法作為L(zhǎng)STM-NW的一部分,使得LSTM-NW模型在學(xué)習(xí)新的流量模式時(shí)能夠抑制梯度的震蕩,避免流量突變對(duì)模型造成的負(fù)面影響,同時(shí)又能適應(yīng)網(wǎng)絡(luò)流量模式的變化趨勢(shì),始終保持良好的預(yù)測(cè)準(zhǔn)確率。實(shí)驗(yàn)中使用了英國(guó)學(xué)術(shù)主干網(wǎng)和歐洲城市主干網(wǎng)兩個(gè)數(shù)據(jù)集,進(jìn)行了多組實(shí)驗(yàn)。首先通過實(shí)驗(yàn)驗(yàn)證了在使用LSTM模型進(jìn)行訓(xùn)練前先使用小波變換分解原始網(wǎng)絡(luò)流量數(shù)據(jù)的必要性。然后又將本文提出的LSTM-NW模型拆分成多個(gè)不同條件的版本,分別與當(dāng)前最佳的網(wǎng)絡(luò)流量預(yù)測(cè)模型DBNG模型進(jìn)行了詳細(xì)對(duì)比。在實(shí)驗(yàn)結(jié)果評(píng)價(jià)方面,本文實(shí)驗(yàn)中首次將測(cè)試集按時(shí)間先后順序分成了多個(gè)區(qū)間,同時(shí)對(duì)比了多個(gè)時(shí)間區(qū)間內(nèi)各種模型的預(yù)測(cè)結(jié)果相對(duì)于真實(shí)流量數(shù)據(jù)的RMSE和MAPE兩個(gè)指標(biāo),以此來評(píng)判模型是否能長(zhǎng)時(shí)間始終保持預(yù)測(cè)的精準(zhǔn)度。最終實(shí)驗(yàn)結(jié)果驗(yàn)證了本文提出的LSTM-NW模型在網(wǎng)絡(luò)流量預(yù)測(cè)問題上的優(yōu)越性。
【學(xué)位單位】：湖南師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP393.06;TP183
【部分圖文】：

1.1.2 研究意義根據(jù)中國(guó)互聯(lián)網(wǎng)信息中心于 2017 年 7 月發(fā)布的《第 40 次中國(guó)互聯(lián)網(wǎng)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》[2]顯示：中國(guó)網(wǎng)民數(shù)量從 2016 年底至 2017 年 6 月半年內(nèi)新增約1992 萬(wàn)人，整體規(guī)模達(dá)到了 7.51 億人，網(wǎng)絡(luò)用戶人數(shù)占到總?cè)丝跀?shù)的 54.3%，相比 2016 年底有 1.1％的提高。與此同時(shí)，手機(jī)網(wǎng)民數(shù)量也增加了 2830 萬(wàn)人，使用手機(jī)上網(wǎng)的人數(shù)占到整體網(wǎng)民總數(shù)的 96.3%，這一比例在 2016 年底只有95.1%。數(shù)據(jù)還顯示中國(guó)農(nóng)村網(wǎng)絡(luò)用戶數(shù)量達(dá)到了 2.01 億，占到全體網(wǎng)絡(luò)用戶數(shù)的 26.7%。在中國(guó)用戶的互聯(lián)網(wǎng)接入方式上，55.0%的用戶使用臺(tái)式電腦接入，36.5%的用戶使用筆記本電腦接入，分別有 28.7%和 26.7%的用戶會(huì)使用平板電腦和電視接入互聯(lián)網(wǎng)，而使用手機(jī)接入互聯(lián)網(wǎng)的用戶比例高達(dá) 96.3%。

SDN 環(huán)境下基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)模型研究的一種實(shí)現(xiàn)，這種看法是錯(cuò)誤的，實(shí)際上 OpenFlow 只是 SDN 架構(gòu)中眾多南向協(xié)議中的一種而已�？刂破魍ㄟ^北向接口來與上層的應(yīng)用程序進(jìn)行業(yè)務(wù)邏輯交互，網(wǎng)絡(luò)管理員可以使用編程的方式來管理網(wǎng)絡(luò)流量和部署網(wǎng)絡(luò)服務(wù)。這樣就可通過軟件編程來定義邏輯網(wǎng)絡(luò)拓?fù)錆M足客戶的定制化需求，實(shí)現(xiàn)靈活的路由管理，也能加快應(yīng)用升級(jí)速度，使的運(yùn)維的難度大大降低，使的底層網(wǎng)絡(luò)拓?fù)湎鄬?duì)上層應(yīng)用編程接口透明化。

隨著越來越多研究人員的參與，人工神經(jīng)網(wǎng)絡(luò)的研究工作不斷深入，并取得了非常多的研究成果。在模式識(shí)別、智能機(jī)器人、自動(dòng)控制、預(yù)測(cè)估計(jì)、生物、醫(yī)學(xué)、經(jīng)濟(jì)等領(lǐng)域已成功地解決了許多現(xiàn)代計(jì)算機(jī)難以解決的實(shí)際問題，表現(xiàn)出了良好的智能特性。人工神經(jīng)網(wǎng)絡(luò)之所以能解決許多現(xiàn)代計(jì)算機(jī)難以解決的實(shí)際問題主要?dú)w功于神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力。例如用于圖像識(shí)別的神經(jīng)網(wǎng)絡(luò)模型，只在先把許多不同的圖像作為學(xué)習(xí)樣本以及對(duì)應(yīng)的識(shí)別結(jié)果作為標(biāo)簽輸入人工神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)會(huì)自己尋找出相似圖片對(duì)應(yīng)的特征，慢慢學(xué)會(huì)識(shí)別類似的其它圖像[35]。這就是一種帶監(jiān)督的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法。自學(xué)習(xí)能力對(duì)于預(yù)測(cè)問題有著特別重要的意義，神經(jīng)網(wǎng)絡(luò)可通過歷史數(shù)據(jù)自行發(fā)現(xiàn)潛在規(guī)律，然后對(duì)未來一段時(shí)間的趨勢(shì)作出預(yù)測(cè)。目前循環(huán)神經(jīng)網(wǎng)絡(luò)已被應(yīng)用到經(jīng)濟(jì)預(yù)測(cè)[36]、市場(chǎng)預(yù)測(cè)[37]、氣象預(yù)測(cè)[38]等各個(gè)領(lǐng)域，表現(xiàn)出了優(yōu)秀的預(yù)測(cè)能力。
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳貴兵;;基于非線性組合模型的船舶無線網(wǎng)絡(luò)流量預(yù)測(cè)[J];艦船科學(xué)技術(shù);2019年20期

2 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

3 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

4 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

5 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

6 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

7 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

8 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

9 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

10 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

相關(guān)博士學(xué)位論文 前2條

1 孫曉川;未來網(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 張煥;SDN環(huán)境下基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)模型研究[D];湖南師范大學(xué);2019年

2 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

3 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

4 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

5 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

6 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

7 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

8 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

9 楊祎;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

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

本文編號(hào)：2863787