CN108880888A - 一种基于深度学习的sdn网络流量预测方法 - Google Patents
一种基于深度学习的sdn网络流量预测方法 Download PDFInfo
- Publication number
- CN108880888A CN108880888A CN201810639904.7A CN201810639904A CN108880888A CN 108880888 A CN108880888 A CN 108880888A CN 201810639904 A CN201810639904 A CN 201810639904A CN 108880888 A CN108880888 A CN 108880888A
- Authority
- CN
- China
- Prior art keywords
- network
- module
- analysis
- flow
- sdn
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于深度学习的SDN网络流量预测方法,包括如下步骤:构建SDN网络流量预测模型,在SDN各层中分别添加相应的模块;获取转发层的网络流量,到控制层进行预测分析,实现对应用层的整体优化;在整个SDN网络系统中贯穿网络流量预测策略,保障网络稳定高效的运行,提高SDN网络系统的服务质量。本发明提出了一种SDN网络流量预测模型,并且基于此预测模型设计了一套完整的预测机制,各模块之间相互协作,共同完成网络流量的预测功能,并可以将预测的结果用于下层的链路切换和上层的应用分析处理,实现网络的拥塞控制、均衡负载,对网络资源的分配和组网设计进行合理优化,提高SDN网络的运行效率。
Description
技术领域
本发明属于网络通信技术领域,尤其涉及一种基于深度学习的SDN网络流量预测方法。
背景技术
现代计算机网络技术发展迅速,网络应用数量也在急剧增长,网络中的流量也呈现指数性的增长,这对于网络设备的性能提出了更高的要求。但是,仅仅单纯地依靠提高设备的性能去解决当前网络中存在的问题是不切实际的。
因为,普遍存在的问题是:流量的分布往往呈现出不均衡的状态,在流量密集的区域,设备往往不堪重负而出现故障甚至瘫痪;而在流量稀疏的区域设备又常常因为空闲而得不到最优的利用率。所以,对流量的优化传输显得至关重要。这不仅可以有效保证网络运行的可靠性,保证足够的服务质量,而且也是对设备的一种充分利用和分配。
在现有的设备不变的前提下,每个网络的负载能力和容量都是有限的,为了实现数据可靠和高效的传输,必须优化网络流量管理。传统的网络流量管理都是一种问题驱动型的管理模式,即在网络出现问题之后再由管理员处理,这种处理方式是低效的,而且成本很高。因此,网络管理已成为网络发展中一个重要的关键技术,对网络的发展有着很大的影响。其中最重要的就是进行网络流量的预测,如果能事先设定一个阈值,若是发现流量值超过了这个阈值,就提前做出相应的均衡流量处理,这样在每一次故障或者危险来临前都“快一步”。
进行网络流量的预测,其利处是很多的:首先可以实现网络的拥塞控制,均衡负载,增强用户体验。其次,可对网络资源的分配和组网设计进行合理的优化。最后,通过分析得到网络的相关参数,再对参数进行优化能够提高网络的运行效率。对于网络规划和提高用户体验意义深远。
SDN已经逐渐成为目前网络界的一个新兴产业,也可以说是一个比较前沿的技术。SDN的主要思想是,将原本属于网络交换机和路由器中的控制平面与数据平面分离开来,实现真正的转发与数据分离。SDN控制器主要实现,路由的计算、网络的控制以及管理、交换机流表的生成以及下发、网络拓扑的收集等。数据层的设备只负责数据的转发,以及执行控制层下发的策略。转发与控制分离的这种思想和实现,逻辑上实现了控制的集中。SDN控制器保存有整个网络的拓扑信息、动态转发表的信息、故障状态以及资源的利用率等等。从这方面来讲,其开放和扩展了网络的能力,通过集中控制器可以实现对网络上资源的整合,虚拟化以及统一管理。控制层中北向接口可以为上层应用提供需要的服务和资源,这也正是网络能力开放,按需提供的最好体现。
在机器学习的研究中,深度学习是一个新的领域,它主要通过建立可以进行分析、学习的神经网络,达到模拟人脑功能的目的。比如,模拟人脑的运行机理来解释一些数据,比如文本数据,图像数据,以及声音数据等等。其概念源自人工神经网络的探索和研究,比如具有多个隐藏层的多层感知器本质上来讲,就是一种深度学习的网络结构。
深度学习的特征是:组合低层表现出来的表象特征,进来在高层形成比较抽象的特征,这样就可以发现输入数据中隐藏着的不易观察的特征信息。2006年,Hinton等人提出了深度学习的概念,他们发表的论文的主要观点是:在DBN的基础上,提出了一种非监督贪心逐层训练算法,这个算法给具有深层结构的网络的具体优化方面的难题带来了现实上的解决方案,之后,他们又提出了具有多层自动编码器的深层网络结构。此外,Lecun等人提出了CNN,CNN是第一个真正具有多层网络结构的学习算法,主要思想是,通过利用空间上的相对关系,大幅度地减少训练网络所依赖的参数的数目,这样可以大大地缩短神经网络训练所需要的时间,而且在准确性方面和模型性能方面都有大幅度的提升。
值得注意的是,当前,对于网络流量预测的实践大多集中在传统网络领域,对于SDN网络的预测是少之又少,而在此基础上采用深度学习算法进行预测的课题则是完全没有过的。因此,本发明将三者结合起来并进行优化,探索一条新的方向。
发明内容
本发明针对现有技术的不足,提出了一种基于深度学习的SDN网络流量预测方法,针对SDN网络流量分布不均衡问题提供流量预测功能,获取转发层的流量,到控制层进行预测分析,实现对应用层的整体优化;在整个SDN网络系统中贯穿网络流量预测策略,保障网络稳定高效的运行,提高SDN网络系统的服务质量;具体包括以下步骤:
步骤一:构建SDN网络流量预测模型,在SDN各层中分别添加相应的模块;
应用层中包括应用服务管理模块和应用调控管理模块;
控制层中包括流量预测分析模块、策略分析管理模块、流与动作管理模块、流量趋势分析模块和流量统计分析模块;
转发层中包括转发信息库和流量获取模块;
步骤二:获取转发层的网络流量,到控制层进行预测分析,实现对应用层的整体优化;在整个SDN网络系统中贯穿网络流量预测策略,保障网络稳定高效的运行,提高SDN网络系统的服务质量;具体包括如下步骤:
(1)SDN网络系统启动之后,控制层的流量统计分析模块下发统计策略到转发层的流量获取模块;
(2)流量获取模块按照流量统计分析模块下发的统计策略获取本网段的流量数据信息,然后上报给流量统计分析模块;
(3)流量统计分析模块将收集来的信息进行格式归一化处理后,发送给流量预测分析模块;
(4)流量预测分析模块使用TensorFlow深度学习框架中的TensorFlow TimeSeries(TFTS)模块进行处理,得出流量预测结果信息,然后将此信息发送给流量趋势分析模块;
(5)流量趋势分析模块接收到预测结果后进行网络运行状态分析,主要是根据网络延迟、丢包率和抖动情况来监测网络中是否出现扰动及网络是否正常运行,然后将该分析结果发送给策略分析管理模块;
(6)策略分析管理模块根据接收到的分析结果,利用快速转发机制来生成流表转发策略,并将此策略下发给流与动作管理模块;
(7)流与动作管理模块依据接收的转发策略,将对应的流表下发到相应的交换机中并存入其转发信息库;然后交换机根据收到的流表进行数据的转发;
(8)流量趋势分析模块将对应用层的分析结果发送给应用层的应用服务管理模块;
(9)应用服务管理模块根据接收到的分析结果,制定相应的网络规划方案,如合理调配带宽等资源;然后将方案发送至应用调控管理模块,应用调控管理模块接收到方案后依据方案启动相应的优化机制,如关闭流量急增的应用等。
本发明的有益效果是:创新性的提出了一种SDN网络流量预测框架,并且基于此预测框架设计了一套完整的网络流量预测机制,各模块之间相互协作,共同完成网络流量的预测功能,并可以将预测的结果用于下层的链路切换和上层的应用分析处理;实现网络的拥塞控制、均衡负载,对网络资源的分配和组网设计进行合理优化,提高SDN网络的运行效率。
附图说明
图1为SDN网络流量预测框架;
图2为SDN网络流量预测机制。
具体实施方式
下面结合附图对本发明作进一步的说明。
本发明提供的一种基于深度学习的SDN网络流量预测方法,针对SDN网络流量分布不均衡问题提供流量预测功能,获取转发层的流量,到控制层进行预测分析,实现对应用层的整体优化。在整个系统中贯穿网络流量预测策略,保障网络稳定高效的运行,提高系统的服务质量。
步骤一:构建SDN网络流量预测模型,在SDN各层中分别添加相应的模块,如图1所示:
应用层中包括应用服务管理模块和应用调控管理模块;
控制层中包括流量预测分析模块、策略分析管理模块、流与动作管理模块、流量趋势分析模块和流量统计分析模块;
转发层中包括转发信息库和流量获取模块。
步骤二:获取转发层的网络流量,到控制层进行预测分析,实现对应用层的整体优化。在整个SDN网络系统中贯穿网络流量预测策略,保障网络稳定高效的运行,提高系统的服务质量,如图2所示,具体包括如下步骤:
(1)SDN网络系统启动之后,控制层的流量统计分析模块下发统计策略到转发层的流量获取模块;
(2)流量获取模块按照流量统计分析模块下发的统计策略获取本网段的流量数据信息,然后上报给流量统计分析模块;
(3)流量统计分析模块将收集来的信息进行格式归一化处理后,发送给流量预测分析模块;
(4)流量预测分析模块使用TensorFlow深度学习框架中的TensorFlow TimeSeries(TFTS)模块进行处理,TFTS模块是一个时间序列预测模块;用TFTS模块得出流量预测结果信息,然后将此信息发送给流量趋势分析模块;
(5)流量趋势分析模块接收到预测结果后进行网络运行状态分析,主要是根据网络延迟、丢包率和抖动情况来监测网络中是否出现扰动及网络是否正常运行,然后将该分析结果发送给策略分析管理模块;
(6)策略分析管理模块根据接收到的分析结果,利用快速转发机制来生成流表转发策略,并将此策略下发给流与动作管理模块;
(7)流与动作管理模块依据接收的转发策略,将对应的流表下发到相应的交换机中并存入其转发信息库;然后交换机根据收到的流表进行数据的转发;
(8)流量趋势分析模块将对应用层的分析结果发送给应用层的应用服务管理模块;
(9)应用服务管理模块根据接收到的分析结果,制定相应的网络规划方案,如合理调配带宽等资源。然后将方案发送至应用调控管理模块,应用调控管理模块接收到方案后依据方案启动相应的优化机制,如关闭流量急增的应用等。
Claims (3)
1.一种基于深度学习的SDN网络流量预测方法,其特征在于,包括如下步骤:
步骤一:构建SDN网络流量预测模型,在SDN各层中分别添加相应的模块;
应用层中包括应用服务管理模块和应用调控管理模块;
控制层中包括流量预测分析模块、策略分析管理模块、流与动作管理模块、流量趋势分析模块和流量统计分析模块;
转发层中包括转发信息库和流量获取模块;
步骤二:获取转发层的网络流量,到控制层进行预测分析,实现对应用层的整体优化,具体包括如下步骤:
(1)SDN网络系统启动之后,控制层的流量统计分析模块下发统计策略到转发层的流量获取模块;
(2)流量获取模块按照流量统计分析模块下发的统计策略获取本网段的流量数据信息,然后上报给流量统计分析模块;
(3)流量统计分析模块将收集来的信息进行格式归一化处理后,发送给流量预测分析模块;
(4)流量预测分析模块使用TensorFlow深度学习框架中的TensorFlow Time Series(TFTS)模块进行处理,得出流量预测结果信息,然后将此信息发送给流量趋势分析模块;
(5)流量趋势分析模块接收到预测结果后进行网络运行状态分析,主要是根据网络延迟、丢包率和抖动情况来监测网络中是否出现扰动及网络是否正常运行,然后将分析结果发送给策略分析管理模块;
(6)策略分析管理模块根据接收到的分析结果,利用快速转发机制来生成流表转发策略,并将此策略下发给流与动作管理模块;
(7)流与动作管理模块依据接收的转发策略,将对应的流表下发到相应的交换机中并存入其转发信息库;然后交换机根据收到的流表进行数据的转发;
(8)流量趋势分析模块将对应用层的分析结果发送给应用层的应用服务管理模块;
(9)应用服务管理模块根据接收到的分析结果,制定相应的网络规划方案,然后将方案发送至应用调控管理模块,应用调控管理模块接收到方案后依据方案启动相应的优化机制。
2.根据权利要求1所述的一种基于深度学习的SDN网络流量预测方法,其特征在于,包括如下步骤:在整个SDN网络系统中贯穿网络流量预测策略,保障网络稳定高效的运行,提高SDN网络系统的服务质量。
3.根据权利要求1所述的一种基于深度学习的SDN网络流量预测方法,其特征在于,各模块之间相互协作,共同完成网络流量的预测功能,并可以将预测的结果用于下层的链路切换和上层的应用分析处理,实现网络的拥塞控制、均衡负载。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810639904.7A CN108880888A (zh) | 2018-06-20 | 2018-06-20 | 一种基于深度学习的sdn网络流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810639904.7A CN108880888A (zh) | 2018-06-20 | 2018-06-20 | 一种基于深度学习的sdn网络流量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108880888A true CN108880888A (zh) | 2018-11-23 |
Family
ID=64340021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810639904.7A Pending CN108880888A (zh) | 2018-06-20 | 2018-06-20 | 一种基于深度学习的sdn网络流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108880888A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109831320A (zh) * | 2018-12-29 | 2019-05-31 | 国家电网有限公司 | 一种辅助流量预测控制方法、存储介质和电子设备 |
CN109873726A (zh) * | 2019-03-07 | 2019-06-11 | 西安交通大学 | Sdn中基于深度学习的鲁棒服务质量预测与保障方法 |
CN109995592A (zh) * | 2019-04-09 | 2019-07-09 | 中国联合网络通信集团有限公司 | 业务质量监控方法和设备 |
CN110275437A (zh) * | 2019-06-06 | 2019-09-24 | 江苏大学 | 基于深度学习的sdn网络流量优势监控节点动态选择系统及其动态选择方法 |
CN111526096A (zh) * | 2020-03-13 | 2020-08-11 | 北京交通大学 | 智融标识网络状态预测与拥塞控制系统 |
CN111555907A (zh) * | 2020-04-19 | 2020-08-18 | 北京理工大学 | 基于强化学习的数据中心网络能耗和服务质量优化方法 |
CN113132415A (zh) * | 2021-05-10 | 2021-07-16 | 安徽思珀特信息科技有限公司 | 一种基于网络流量分析的威胁发现系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105471631A (zh) * | 2015-11-17 | 2016-04-06 | 重庆大学 | 基于流量趋势的网络流量预测方法 |
CN105701571A (zh) * | 2016-01-13 | 2016-06-22 | 南京邮电大学 | 一种基于神经网络组合模型的短时交通流量预测方法 |
CN106953747A (zh) * | 2017-03-01 | 2017-07-14 | 浙江工商大学 | 一种基于深度学习的sdn网络自愈方法 |
CN107124320A (zh) * | 2017-06-30 | 2017-09-01 | 北京金山安全软件有限公司 | 流量数据的监控方法、装置及服务器 |
CN107948166A (zh) * | 2017-11-29 | 2018-04-20 | 广东亿迅科技有限公司 | 基于深度学习的流量异常检测方法及装置 |
-
2018
- 2018-06-20 CN CN201810639904.7A patent/CN108880888A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105471631A (zh) * | 2015-11-17 | 2016-04-06 | 重庆大学 | 基于流量趋势的网络流量预测方法 |
CN105701571A (zh) * | 2016-01-13 | 2016-06-22 | 南京邮电大学 | 一种基于神经网络组合模型的短时交通流量预测方法 |
CN106953747A (zh) * | 2017-03-01 | 2017-07-14 | 浙江工商大学 | 一种基于深度学习的sdn网络自愈方法 |
CN107124320A (zh) * | 2017-06-30 | 2017-09-01 | 北京金山安全软件有限公司 | 流量数据的监控方法、装置及服务器 |
CN107948166A (zh) * | 2017-11-29 | 2018-04-20 | 广东亿迅科技有限公司 | 基于深度学习的流量异常检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
鹿如强: "《中国优秀硕士学位论文全文数据库 信息科技辑》", 15 May 2018 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109831320A (zh) * | 2018-12-29 | 2019-05-31 | 国家电网有限公司 | 一种辅助流量预测控制方法、存储介质和电子设备 |
CN109831320B (zh) * | 2018-12-29 | 2022-03-25 | 国家电网有限公司 | 一种辅助流量预测控制方法、存储介质和电子设备 |
CN109873726A (zh) * | 2019-03-07 | 2019-06-11 | 西安交通大学 | Sdn中基于深度学习的鲁棒服务质量预测与保障方法 |
CN109995592A (zh) * | 2019-04-09 | 2019-07-09 | 中国联合网络通信集团有限公司 | 业务质量监控方法和设备 |
CN110275437A (zh) * | 2019-06-06 | 2019-09-24 | 江苏大学 | 基于深度学习的sdn网络流量优势监控节点动态选择系统及其动态选择方法 |
CN110275437B (zh) * | 2019-06-06 | 2022-11-15 | 江苏大学 | Sdn网络流量优势监控节点动态选择系统及其方法 |
CN111526096A (zh) * | 2020-03-13 | 2020-08-11 | 北京交通大学 | 智融标识网络状态预测与拥塞控制系统 |
CN111555907A (zh) * | 2020-04-19 | 2020-08-18 | 北京理工大学 | 基于强化学习的数据中心网络能耗和服务质量优化方法 |
CN111555907B (zh) * | 2020-04-19 | 2021-04-23 | 北京理工大学 | 基于强化学习的数据中心网络能耗和服务质量优化方法 |
CN113132415A (zh) * | 2021-05-10 | 2021-07-16 | 安徽思珀特信息科技有限公司 | 一种基于网络流量分析的威胁发现系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108880888A (zh) | 一种基于深度学习的sdn网络流量预测方法 | |
CN105227481B (zh) | 基于路径开销和流调度代价最小化的sdn拥塞控制路由方法 | |
US10070328B2 (en) | Predictive network traffic management | |
WO2020181761A1 (zh) | 一种sdn增强路径装箱装置及方法 | |
CN107666412B (zh) | 服务功能链的虚拟网络功能部署方法 | |
CN104158753B (zh) | 基于软件定义网络的动态流调度方法及系统 | |
CN105791151B (zh) | 一种动态流量控制方法,及装置 | |
CN108712464A (zh) | 一种面向集群微服务高可用的实现方法 | |
CN109450790B (zh) | 一种基于流量感知的网络服务功能链智慧供应方法 | |
WO2018120802A1 (zh) | 协同内容缓存控制系统和方法 | |
Huang et al. | Software-defined QoS provisioning for fog computing advanced wireless sensor networks | |
CN105242956A (zh) | 虚拟功能服务链部署系统及其部署方法 | |
CN105872053A (zh) | 数据迁移方法及系统 | |
CN106656905A (zh) | 防火墙集群实现方法及装置 | |
CN110213175A (zh) | 一种面向知识定义网络的智能管控系统及管控方法 | |
CN115277574B (zh) | 一种sdn架构下数据中心网络负载均衡方法 | |
Mi et al. | Software-defined green 5G system for big data | |
US20220104127A1 (en) | Method and apparatus for power management in a wireless communication system | |
CN107018018A (zh) | 一种基于sdn的服务器增量在线升级方法及系统 | |
WO2023045565A1 (zh) | 网络管控方法及其系统、存储介质 | |
CN114189433A (zh) | 一种意图驱动网络系统 | |
Jin et al. | A congestion control method of SDN data center based on reinforcement learning | |
CN105704180B (zh) | 数据中心网络的配置方法及其系统 | |
William et al. | Edge Computing based Traffic Control Management for Distributed Environment | |
Todorov et al. | Load balancing model based on machine learning and segment routing in SDN |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181123 |