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(shì),得益于它能夠?qū)W(wǎng)絡(luò)進(jìn)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(tái)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(gè)性化,如何針對(duì)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(fù)載均衡,是本文主要的研究課題,對(duì)此本文主要做了如下兩方面的工作:首先,提出了一個(gè)在SDN網(wǎng)絡(luò)中服務(wù)流分類與識(shí)別的框架,該框架在每個(gè)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(gè)端口傳輸?shù)臄?shù)據(jù)流的信息,并將統(tǒng)計(jì)后的流特征信息發(fā)往控制器的服務(wù)流分類模塊的隊(duì)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(jī)器學(xué)習(xí)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(xùn)練集而訓(xùn)練出的分類模型,它通過提取隊(duì)列中流的有效特征信息進(jìn)行分類預(yù)測(cè),從而識(shí)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(xùn)練分類模型使其自適應(yīng)未來的網(wǎng)絡(luò)變化。在最后對(duì)框架中核心技術(shù)深度神經(jīng)網(wǎng)絡(luò)分類模型進(jìn)行了仿真實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明該模型能夠有效... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：78 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

JupyterNotebook的Web界面截圖

為一個(gè)普遍存在于所有機(jī)器學(xué)習(xí)流量分類研究中的問題訓(xùn)練模型來說太多了，因?yàn)檩斎刖S度太高，會(huì)增加大量特征項(xiàng)會(huì)干擾分類模型的訓(xùn)練，影響分類效果，再加上集的訓(xùn)練樣本數(shù)量過小，這將導(dǎo)致分類器的訓(xùn)練模型過，最終非樣本數(shù)據(jù)的分類準(zhǔn)確性和方差不會(huì)很好。因此特征選擇的方法對(duì)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(xùn)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(xùn)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(jìn)

(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(jī)發(fā)送數(shù)據(jù)流后LLB-QoSAS算法在 250 次迭代內(nèi)評(píng)價(jià)指標(biāo)以及路徑利用率總和等幾個(gè)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(jìn)行詳細(xì)說明。圖 4.6(a)中的第一幅是評(píng)價(jià)指標(biāo)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(píng)價(jià)指標(biāo)值，best_fitness 表示的是迭代到目前為止所找到的當(dāng)前最優(yōu)路徑的評(píng)價(jià)指標(biāo)的值。從圖中可以看到，改進(jìn)后的算法在第43 次迭代時(shí)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(shí)找到了當(dāng)前最優(yōu)解，同時(shí)在第 100 次迭代之后avg_fitness 逐漸向 best_fitness 靠近并收斂

【參考文獻(xiàn)】：
期刊論文
[1]軟件定義網(wǎng)絡(luò)可擴(kuò)展性研究綜述[J]. 付永紅,畢軍,張克堯,吳建平.  通信學(xué)報(bào). 2017(07)
[2]帶L2正則化項(xiàng)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(píng)述[J]. 張賓,楊家海,吳建平.  軟件學(xué)報(bào). 2011(01)
[4]基于遺傳蟻群算法的QoS路由算法研究[J]. 尹向東.  計(jì)算機(jī)工程與應(yīng)用. 2009(17)
[5]基于賭盤的動(dòng)態(tài)負(fù)荷均衡方法及其實(shí)現(xiàn)[J]. 鄒園萍,劉紅林.  通信學(xué)報(bào). 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(xué)報(bào). 2007(01)
[7]一種基于拉格朗日松弛的時(shí)延約束多播路由算法[J]. 王珩,王華,孫亞民.  通信學(xué)報(bào). 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(jì)算機(jī)學(xué)報(bào). 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(shí)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(xué)技術(shù)大學(xué) 2016

碩士論文
[1]基于SVM的P2P流量早期識(shí)別研究[D]. 陳陽.河北大學(xué) 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(xué) 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(xué) 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(xué) 2015
[5]基于決策樹的P2P流量識(shí)別方法研究[D]. 王潔環(huán).西安電子科技大學(xué) 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(xué) 2015
[7]基于蟻群算法SDN負(fù)載均衡的研究[D]. 魏凱.吉林大學(xué) 2015
[8]面向SDN的流量調(diào)度技術(shù)研究[D]. 柯友運(yùn).西安電子科技大學(xué) 2014
[9]多路徑網(wǎng)絡(luò)負(fù)載均衡算法研究[D]. 王宇坤.太原理工大學(xué) 2007
[10]多約束QoS路由優(yōu)化與仿真[D]. 王剛.山東大學(xué) 2007



本文編號(hào)：3345157