CN109831320B - 一种辅助流量预测控制方法、存储介质和电子设备 - Google Patents

Abstract

本发明公开了一种辅助流量预测控制方法、存储介质和电子设备，其中所述方法包括：抓取指定拓扑内链路和区域的流量数据信息；利用所述流量数据信息进行深度学习模型训练，得到流量预测模型和路径选择模型；使用所述流量预测模型进行拥塞状况预测，给出拥塞概率较高业务的序列；丢弃所述序列中拥塞概率小于门限值的业务，将所述序列中剩下的业务返回控制器；对所述剩下的业务所在的节点和链路进行单独的流量收集，判断所述剩下的业务实时链路中的流量趋势；使用所述路径选择模型对流量趋势呈增长状态的业务进行分析，给出最优路径；根据所述最优路径调节链路转发流表，并将流表下发到交换机中，存入交换机的转发信息库。

Description

一种辅助流量预测控制方法、存储介质和电子设备

技术领域

本发明涉及网络控制领域，特别是指一种辅助流量预测控制方法、存储介质和电子设备。

背景技术

SDN控制器用于检测整个网络的状态，并根据协议要求制定转发流表并下发到相应交换机处，同一阶段大量流量到达交换机会带来路径拥塞，引起网络延迟，一般通过流量管理来避免。传统流量管理一般由网络管理人员根据经验进行，随着计算机网络的迅速发展，网络数据流量越来越大，传统流量管理已无法准确的进行流量预测和控制。

发明内容

有鉴于此，本发明的目的在于提出一种可准确进行流量预测控制的方法、存储介质和电子设备。

基于上述目的，本发明提供了一种辅助流量预测控制方法，包括：

抓取指定拓扑内链路和区域的流量数据信息；

利用所述流量数据信息进行深度学习模型训练，得到流量预测模型和路径选择模型；

使用所述流量预测模型进行拥塞状况预测，给出拥塞概率较高业务的序列；

丢弃所述序列中拥塞概率小于门限值的业务，将所述序列中剩下的业务返回控制器；

对所述剩下的业务所在的节点和链路进行单独的流量收集，判断所述剩下的业务实时链路中的流量趋势；

使用所述路径选择模型对流量趋势呈增长状态的业务进行分析，给出最优路径；

根据所述最优路径调节链路转发流表，并将流表下发到交换机中，存入交换机的转发信息库。

在一些实施方式中，所述流量数据信息包括网络状态和业务类型。

在一些实施方式中，所述网络状态包括：虚拟节点、物理节点、链路、接口、路径、链路带宽容量、网络拓扑结构、拥塞率；所述业务类型包括：源节点地址、目的节点地址、带宽需求、QoS参数、端到端延迟、跳数、延迟抖动、丢包率、可用带宽、网络吞吐率。

在一些实施方式中，所述流量预测模型包括3层相连接的LSTM网络和1层用于对输出结果降维的普通神经网络。

在一些实施方式中，所述流量预测模型为了防止过度拟合，设定了每一层网络节点的舍弃率。

在一些实施方式中，所述流量预测模型使用了RMSprop算法作为权重参数的迭代更新方式。

在一些实施方式中，所述流量预测模型使用了均方误差的计算方法来确定误差。

在一些实施方式中，所述路径选择模型包括4层分别设置参数的LSTM网络。

另一方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被计算机执行可以实现上述实施方式。

此外，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该电子设备可以实现上述实施方式。

从上面所述可以看出，本发明提供的一种辅助流量预测控制方法、存储介质和电子设备利用了SDN控制器本身所收集的数据以及流控制功能，系统中的模型训练和预测在线下单独完成，减少了控制器的负担；SDN控制器所收集的数据信息可以被流量预测模型和路径选择模型共用，提高了数据利用率，简化了数据处理的过程；在精简SDN控制器负载的情况下，系统依然能够进行高精度的预测，提升了网络资源的使用效率，解决了SDN网络中的负载均衡问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为一种辅助流量预测控制方法的流程图；

图2为一种电子设备的模型图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

本发明提供了一种辅助流量预测控制方法，基于LSTM长短期记忆网络的流量预测和业务重构功能作为SDN系统的辅助应用程序，通过北向接口与SDN控制器相连接，利用SDN控制器正常采集到的网络数据进行流量预测并进行路由分析，SDN控制器根据辅助程序所提供的业务处置信息，结合现网中的指定拓扑的链路流量数据进行验证，在一定程度上既减轻了控制器的负担，也增加了流量调控的准确性，避免了网络的大规模拥塞，图1为本发明一种辅助流量预测控制方法的一个具体实施例的流程图，如图所示包括：

步骤1，抓取指定拓扑内链路和区域的流量数据信息：流量采集模块按照控制器下发的统计策略控制交换机抓取流量数据信息，交换机收集网络的拓扑信息、流量的QoS要求、链路的资源状态、业务运行策略等数据，按照一定格式处理之后上报控制器。所收集的参数包括，网络状态：包括节点，虚拟节点、物理节点，链路，接口，路径，链路带宽容量，网络拓扑结构、拥塞率等；业务类型：主要参数有源节点地址、目的节点地址、带宽需求、QoS参数、端到端延迟、跳数、延迟抖动、丢包率、可用带宽、网络吞吐率等。

步骤2，利用流量数据信息进行深度学习模型训练，得到流量预测模型和路径选择模型：SDN控制器将数据发送到数据处理模块，数据处理模块利用SDN控制器传来的T-2小时内的拓扑M内的流量全拓扑的流量数据，分别进行流量预测和路径选择的深度学习模型的训练，提取出业务拥塞和网络状态之间的规律。网络流量数据可以看成是时间序列，因此，可以采用时间序列相关的模型来对其进行分析以及建模，找出时间序列中隐含的规律。

步骤3，使用流量预测模型进行拥塞状况预测，给出拥塞概率较高业务的序列：利用训练好的流量预测模型分析2小时内的流量数据，对拓扑中业务接下来1小时的拥塞状况进行预测，给出这个时段内拥塞概率排名前top5的业务序列Q{q1(90％)，q2(88％)，q3(82％)，q4(73％)，q5(40％)}。

步骤4，丢弃序列中拥塞概率小于门限值的业务，将序列中剩下的业务返回控制器：根据日常网络维护经验设定门限值P，此处设置为(75％)，丢弃业务序列中拥塞概率小于门限值的，根据优先级的高低对拥塞概率大于门限值P(75％)的业务进行排名，并将业务序列{q1(90％)，q2(88％)，q3(82％)}返回控制器。

步骤5，对剩下的业务所在的节点和链路进行单独的流量收集，判断剩下的业务实时链路中的流量趋势：控制器针对预测结果，通过流管理模块调用流量采集模块，对业务q1、q2、q3所在的节点和链路进行单独的流量收集，得到T2时段内的短期平均流量参数W，将W与业务q1、q2、q3的流量变化数据进行对比，在业务处置模块中对实时链路中的流量趋势做出判断。

步骤6，使用路径选择模型对流量趋势呈增长状态的业务进行分析，给出最优路径：对满足流量增长趋势的业务q1控制器将其业务类型、原宿节点、链路资源等相关参数发送到路径选择模块，路径选择模块基于路径选择模型选择出一条最优路径，并给出最优路径的路径标识，将结果返回到SDN控制器中的业务处置模块。对于业务q2、q3则不作换路处理，但将其加入重点观察名单，对业务进行两轮持续的观察。

步骤7，根据最优路径调节链路转发流表，并将流表下发到交换机中，存入交换机的转发信息库：业务处置模块根据上一步路径选择模型对业务q1进行分析得到的最优路径调节链路转发流表，对业务q1的传输路径进行调整，使q1在负载较轻的链路中传输。控制器将转发流表并下发到交换机中，存入交换机的转发信息库，交换机根据流表调整传输路径。

进一步的，在本实施例中，流量数据信息包括网络状态和业务类型。网络状态表示网络的定量分析指标，业务类型为网络的定性分析类别。

进一步的，在本实施例中，网络状态包括：虚拟节点、物理节点、链路、接口、路径、链路带宽容量、网络拓扑结构、拥塞率；所述业务类型包括：源节点地址、目的节点地址、带宽需求、QoS参数、端到端延迟、跳数、延迟抖动、丢包率、可用带宽、网络吞吐率。这些信息构成了判断一个网络状态的所需要素的基本框架。

进一步的，在本实施例中，流量预测模型包括3层相连接的LSTM网络和1层用于对输出结果降维的普通神经网络。LSTM是一种特殊类型的RNN，可以学习长期依赖信息，LSTM中重复的模块不像RNN一样是单一的神经网络层，而是含有四种特殊的交互方式，对于时间序列的预测问题尤为适合。LSTM的特点就是在RNN结构以外添加了各层的阀门节点。阀门有3类：遗忘阀门(forget gate)，输入阀门(input gate)和输出阀门(output gate)。这些阀门可以打开或关闭，用于将判断模型网络的记忆态(之前网络的状态)在该层输出的结果是否达到阈值从而加入到当前该层的计算中。采用3层相连接的LSTM网络可保证对数据内容的充分特征提取，而1层普通神经网络有效的融合了各个特征，降低了输出结果的维度，使得预测更精确。

进一步的，在本实施例中，流量预测模型为了防止过度拟合，设定了每一层网络节点的舍弃率。随着训练过程的进行，模型复杂度，在training data上的error渐渐减小，可是在验证集上的error却反而渐渐增大最终就会造成过拟合，一般采用正则化(Regularization)、数据增强(Data augmentation)、Dropout、early stopping等方式防止过拟合。这里我们采用正则化的方法设定每一层网络节点的舍弃率以实现权重衰减。

进一步的，在本实施例中，流量预测模型使用了RMSprop算法作为权重参数的迭代更新方式。RMSprop是Geoff Hinton提出的一种自适应学习率方法。Adagrad会累加之前所有的梯度平方，而RMSprop仅仅是计算对应的平均值，因此可缓解Adagrad算法学习率下降较快的问题。流量预测模型里使用该算法可以加速梯度下降，使得预测结果更快得到。

进一步的，在本实施例中，流量预测模型使用了均方误差的计算方法来确定误差。均方误差(MSE)是衡量“平均误差”的一种较方便的方法。是参数估计值与参数真值之差的平方的期望值，常运用在信号处理的滤波算法表示此时观测值与估计值之间的偏差。

进一步的，在本实施例中，路径选择模型包括4层分别设置参数的LSTM网络。将4层LSTM网络连接成一个学习模型，并分别设置各层中的参数。LSTM网络中第一个参数表示的是输出单元节点数，input shape规定了数据集输入到模型的“形状”，其中50代表50条可用路径、6代表链路中的6个参数。模型各层中LSTM网络的第一个参数代表着神经元的个数，最终输出是50个LSTM单元节点，正好满足每50条路径中选择出一条最优路径的基本要求。

另一方面，本发明本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被计算机执行可实现上述实施例。

此外，基于同一发明构思，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该电子设备可以实现上述实施例，如图2本发明一种电子设备一个具体实施例的模型图所示，包括：

流量采集模块，其用于抓取指定拓扑内链路和区域的流量数据信息；

模型训练模块，其用于利用SDN控制器传来的全拓扑的流量数据，进行深度学习模型的训练；

流量预测模块，其用于利用2小时内的流量数据，对拓扑中业务接下来1小时的拥塞状况进行预测，给出这个时段内拥塞概率排名前top5的业务序列；

结果分析模块，其用于对预测结果进行判断，丢弃业务序列Q中概率小于门限值P(75％)的业务，将其他业务序列返回控制器；

流量验证模块，其用于针对预测结果调用流量采集模块，对业务q1、q2、q3所在的节点和链路进行单独的流量收集，得到未来15分钟内的短期平均流量参数W，并在业务处置模块中对流量趋势做出判断；

路径选择模块，其用于当业务q1的流量数据符合增长趋势，将其业务类型、原宿节点、链路资源等相关参数发送到路径选择模块，基于路径选择模型给出最优路径的路径标识，将结果返回到SDN控制器中的业务处置模块；

业务处置模块，其用于根据业务q1的最优路径调节链路转发流表，并下发到交换机中，存入交换机的转发信息库。

本电子设备建立在SDN网络三层结构的基础上，在数据平面，流量采集模块根据控制层下发的统计策略抓取本网段的流量数据信息，然后上报给控制器。辅助预测程序通过北向接口调取流量数据，在数据处理模块中进行深度学习模型的训练。辅助程序有两次利用到深度学习的模型，第一次是流量预测模块使用训练好的模型得出流量预测结果，第二次是路径选择模块利用收集到的网络数据，进行重路由，给出一条给业务分配的最佳路径。流量预测和重路由所需的网络数据具有一致性，因此可以共用训练数据，通过不同的模块得到不同的结果，做到了网络数据的最大化利用。

上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种辅助流量预测控制方法，其特征在于，包括：

抓取指定拓扑内链路和区域的流量数据信息；

利用所述流量数据信息分别进行流量预测和路径选择的深度学习模型训练，得到流量预测模型和路径选择模型；

利用所述流量预测模型进行拥塞状况预测，给出拥塞概率较高业务的序列；

丢弃所述序列中拥塞概率小于门限值的业务，将所述序列中剩下的业务返回控制器；

对所述剩下的业务所在的节点和链路进行单独的流量收集，判断所述剩下的业务实时链路中的流量趋势；

使用所述路径选择模型对流量趋势呈增长状态的业务进行分析，给出最优路径；

根据所述最优路径调节链路转发流表，并将流表下发到交换机中，存入交换机的转发信息库。

2.根据权利要求1所述的一种辅助流量预测控制方法，其特征在于，所述流量数据信息包括网络状态和业务类型。

3.根据权利要求2所述的一种辅助流量预测控制方法，其特征在于，所述网络状态包括：虚拟节点、物理节点、链路、接口、路径、链路带宽容量、网络拓扑结构、拥塞率；所述业务类型包括：源节点地址、目的节点地址、带宽需求、QoS参数、端到端延迟、跳数、延迟抖动、丢包率、可用带宽、网络吞吐率。

4.根据权利要求1所述的一种辅助流量预测控制方法，其特征在于，所述流量预测模型包括3层相连接的LSTM网络和1层用于对输出结果降维的普通神经网络。

5.根据权利要求1所述的一种辅助流量预测控制方法，其特征在于，所述流量预测模型为了防止过度拟合，设定了每一层网络节点的舍弃率。

6.根据权利要求1所述的一种辅助流量预测控制方法，其特征在于，所述流量预测模型使用了RMSprop算法作为权重参数的迭代更新方式。

7.根据权利要求1所述的一种辅助流量预测控制方法，其特征在于，所述流量预测模型使用了均方误差的计算方法来确定误差。

8.根据权利要求1所述的一种辅助流量预测控制方法，其特征在于，所述路径选择模型包括4层分别设置参数的LSTM网络。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被计算机执行以实现根据权利要求1至8任意一项所述的方法。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，该电子设备可实现如权利要求1至8任意一项所述的方法。

Images