CN115442246B - 数据平面网络的流量预测方法、装置、设备及存储介质 - Google Patents
数据平面网络的流量预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115442246B CN115442246B CN202211066329.9A CN202211066329A CN115442246B CN 115442246 B CN115442246 B CN 115442246B CN 202211066329 A CN202211066329 A CN 202211066329A CN 115442246 B CN115442246 B CN 115442246B
- Authority
- CN
- China
- Prior art keywords
- flow
- network
- traffic
- prediction
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 47
- 238000012952 Resampling Methods 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 17
- 238000003780 insertion Methods 0.000 claims description 15
- 230000037431 insertion Effects 0.000 claims description 15
- 241000283153 Cetacea Species 0.000 claims description 13
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 10
- 238000000926 separation method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 230000002829 reductive effect Effects 0.000 abstract description 10
- 238000007726 management method Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 101100127891 Caenorhabditis elegans let-4 gene Proteins 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
本发明公开了一种数据平面网络的流量预测方法、装置、设备及存储介质，所述方法通过基于SDN网络架构对数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息；使用插值对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据；对所述网络流量数据进行建模和预测，获得流量预测结果，能够以较低的性能开销实现较低的测量与预测误差，在开销与误差之间保持良好平衡，对网络流量进行精确建模和预测，减少了流量预测的时间消耗和资源消耗，提高了网络管理实时性，保障数据平面网络的流量预测的准确性，提升了数据平面网络的流量预测的速度和效率。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种数据平面网络的流量预测方法、装置、设备及存储介质。
背景技术
在传统互联网架构体系下，网络设备、系统软件与网络应用等各个部分相互依赖、紧密耦合，形成了一个非常封闭的系统，并且不同设备供应商之间的软硬件除预置一组标准化协议外保持相互独立，管理配置接口无法互联互通；随着网络规模持续扩大、网络服务日趋多样、业务需求愈发复杂，网络运营商已经难以根据用户的个性化需求提供定制化服务；而软件定义网络(Software Defined Network，SDN)架构的提出在很大程度上改善了传统网络架构体系在可拓展性、灵活性及开放性等方面存在的诸多限制，SDN将网络转发设备内用于数据转发的数据平面与用于逻辑控制的控制平面相分离，平面之间通过开放的标准化协议进行交互，控制平面内逻辑上集中的控制器可以对数据平面内的网络转发设备进行统一的配置与管控，并通过标准化的开放接口向上层的网络应用提供抽象的全局网络视图，网络运营商可以通过开发符合自身业务需求的应用程序实现对网络的精确客制化控制；SDN提出之初的OpenFlow开放了控制平面的可编程特性，允许对转发设备的数据包处理流水线进行自定义的协议无关报文处理语言(Programming Protocol-independentPacket Processors，P4)语言的引入进一步开放了数据平面的可编程特性，完善了对网络的软件定义能力；SDN的应用极大简化了网络管理的复杂性，提高了网络的灵活性与开放性，促进了网络技术的快速创新。
网络业务的复杂性和多样性爆炸性增长促使网络架构升级的同时，也使网络流量的特性发生了较大的改变，网络流量已经更多地呈现出自相似、长相关、重尾和混沌等特性，传统线性模型已经难以对其进行精确建模和预测，而当下流行的深度学习等机器学习方法在构建模型时需要使用大量的训练样本，消耗较多的时间与计算资源，在网络管理的实时性要求方面存在较大的限制。
发明内容
本发明的主要目的在于提供一种数据平面网络的流量预测方法、装置、设备及存储介质，旨在解决现有技术中无法对网络流量进行精确建模和预测，在构建模型时序使用大量训练样本，消耗较多时间和计算资源，网络管理实时性较差的技术问题。
第一方面，本发明提供一种数据平面网络的流量预测方法，所述数据平面网络的流量预测方法包括以下步骤：
基于SDN网络架构对数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息；
使用插值对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据；
对所述网络流量数据进行建模和预测，获得流量预测结果。
可选地，所述基于SDN网络架构对数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息，包括：
基于转控分离的SDN网络架构在数据平面使用计数器保存的初始流量统计信息，并使用寄存器保存的流量增量信息和增量阈值；
根据所述初始流量统计信息、所述流量增量信息和所述增量阈值对所述数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息。
可选地，所述根据所述初始流量统计信息、所述流量增量信息和所述增量阈值对所述数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息，包括：
利用控制器根据所述初始流量统计信息、所述流量增量信息和所述增量阈值从所述数据平面拉取网络流量，并接收所述数据平面通过预设数据包摘要推送的流量统计数据，根据所述网络流量和所述流量统计数据生成非均匀时间间隔的流量统计信息。
可选地，所述使用插值对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据，包括：
获取所述流量统计信息对应的最小时间间隔，根据所述最小时间间隔确定插值时间点；
将所述插值时间点的端点与原采样时间端点统一，根据统一端点后的插值时间点将所述流量统计信息对应的流量数据点划分为若干个插值区间；
根据各插值区间对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据。
可选地，所述根据各插值区间对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据，包括：
在各插值区间内构建样条函数，所述样条函数经过所有数据点，并在各已知数据点处连续，在除端点外的已知数据点处的一阶导数和二阶导数均连续，且在断点处满足预设非节点边界条件；
根据所述样条函数获得插入值，根据所述插入值对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据。
可选地，所述对所述网络流量数据进行建模和预测，获得流量预测结果，包括：
将所述网络流量数据进行分解，获得表征变化趋势的趋势分量和展示波动细节的细节分量；
根据ARIMA模型对所述趋势分量进行建模和预测，获得趋势预测结果；
根据LSSVM模型对所述细节分量进行建模和预测，并使用改进的鲸鱼优化算法寻找最优参数，将各时间节点的最优参数作为分量预测结果；
根据所述趋势预测结果和所述分量预测结果生成流量预测结果。
可选地，所述根据所述趋势预测结果和所述分量预测结果生成流量预测结果，包括：
对所述趋势预测结果和所述分量预测结果进行线性组合，获得归一化预测值，对所述归一化预测值进行反归一化，获得下一时刻的网络流量预测值，将预测时间段的网络流量预测值作为流量预测结果。
第二方面，为实现上述目的，本发明还提出一种数据平面网络的流量预测装置，所述数据平面网络的流量预测装置包括：
测量统计模块，用于基于SDN网络架构对数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息；
重采样模块，用于使用插值对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据；
预测模块，用于对所述网络流量数据进行建模和预测，获得流量预测结果。
第三方面，为实现上述目的，本发明还提出一种数据平面网络的流量预测设备，所述数据平面网络的流量预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的数据平面网络的流量预测程序，所述数据平面网络的流量预测程序配置为实现如上文所述的数据平面网络的流量预测方法的步骤。
第四方面，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有数据平面网络的流量预测程序，所述数据平面网络的流量预测程序被处理器执行时实现如上文所述的数据平面网络的流量预测方法的步骤。
本发明提出的数据平面网络的流量预测方法，通过基于SDN网络架构对数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息；使用插值对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据；对所述网络流量数据进行建模和预测，获得流量预测结果，能够以较低的性能开销实现较低的测量与预测误差，在开销与误差之间保持良好平衡，对网络流量进行精确建模和预测，减少了流量预测的时间消耗和资源消耗，提高了网络管理实时性，保障数据平面网络的流量预测的准确性，提升了数据平面网络的流量预测的速度和效率。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图；
图2为本发明数据平面网络的流量预测方法第一实施例的流程示意图；
图3为本发明数据平面网络的流量预测方法第二实施例的流程示意图；
图4为本发明数据平面网络的流量预测方法中数据平面流量统计流程示意图；
图5为本发明数据平面网络的流量预测方法第三实施例的流程示意图；
图6为本发明数据平面网络的流量预测方法中流量拉取流程示意图；
图7为本发明数据平面网络的流量预测方法第四实施例的流程示意图；
图8为本发明数据平面网络的流量预测方法第五实施例的流程示意图；
图9为本发明数据平面网络的流量预测方法第六实施例的流程示意图；
图10为本发明数据平面网络的流量预测方法第七实施例的流程示意图；
图11为本发明数据平面网络的流量预测方法基于小波分解的多模型加权融合预测模型示意图；
图12为本发明数据平面网络的流量预测装置第一实施例的功能模块图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的解决方案主要是：通过基于SDN网络架构对数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息；使用插值对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据；对所述网络流量数据进行建模和预测，获得流量预测结果，能够以较低的性能开销实现较低的测量与预测误差，在开销与误差之间保持良好平衡，对网络流量进行精确建模和预测，减少了流量预测的时间消耗和资源消耗，提高了网络管理实时性，保障数据平面网络的流量预测的准确性，提升了数据平面网络的流量预测的速度和效率，解决了现有技术中无法对网络流量进行精确建模和预测，在构建模型时序使用大量训练样本，消耗较多时间和计算资源，网络管理实时性较差的技术问题。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图。
如图1所示，该设备可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如Wi-Fi接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(Non-Volatile Memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对该设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作装置、网络通信模块、用户接口模块以及数据平面网络的流量预测程序。
本发明设备通过处理器1001调用存储器1005中存储的数据平面网络的流量预测程序，并执行以下操作：
基于SDN网络架构对数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息；
使用插值对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据；
对所述网络流量数据进行建模和预测，获得流量预测结果。
本发明设备通过处理器1001调用存储器1005中存储的数据平面网络的流量预测程序，还执行以下操作：
基于转控分离的SDN网络架构在数据平面使用计数器保存的初始流量统计信息，并使用寄存器保存的流量增量信息和增量阈值；
根据所述初始流量统计信息、所述流量增量信息和所述增量阈值对所述数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息。
本发明设备通过处理器1001调用存储器1005中存储的数据平面网络的流量预测程序，还执行以下操作：
利用控制器根据所述初始流量统计信息、所述流量增量信息和所述增量阈值从所述数据平面拉取网络流量，并接收所述数据平面通过预设数据包摘要推送的流量统计数据，根据所述网络流量和所述流量统计数据生成非均匀时间间隔的流量统计信息。
本发明设备通过处理器1001调用存储器1005中存储的数据平面网络的流量预测程序，还执行以下操作：
获取所述流量统计信息对应的最小时间间隔，根据所述最小时间间隔确定插值时间点；
将所述插值时间点的端点与原采样时间端点统一，根据统一端点后的插值时间点将所述流量统计信息对应的流量数据点划分为若干个插值区间；
根据各插值区间对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据。
本发明设备通过处理器1001调用存储器1005中存储的数据平面网络的流量预测程序，还执行以下操作：
在各插值区间内构建样条函数，所述样条函数经过所有数据点，并在各已知数据点处连续，在除端点外的已知数据点处的一阶导数和二阶导数均连续，且在断点处满足预设非节点边界条件；
根据所述样条函数获得插入值，根据所述插入值对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据。
本发明设备通过处理器1001调用存储器1005中存储的数据平面网络的流量预测程序，还执行以下操作：
将所述网络流量数据进行分解，获得表征变化趋势的趋势分量和展示波动细节的细节分量；
根据ARIMA模型对所述趋势分量进行建模和预测，获得趋势预测结果；
根据LSSVM模型对所述细节分量进行建模和预测，并使用改进的鲸鱼优化算法寻找最优参数，将各时间节点的最优参数作为分量预测结果；
根据所述趋势预测结果和所述分量预测结果生成流量预测结果。
本发明设备通过处理器1001调用存储器1005中存储的数据平面网络的流量预测程序，还执行以下操作：
对所述趋势预测结果和所述分量预测结果进行线性组合，获得归一化预测值，对所述归一化预测值进行反归一化，获得下一时刻的网络流量预测值，将预测时间段的网络流量预测值作为流量预测结果。
本实施例通过上述方案，通过基于SDN网络架构对数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息；使用插值对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据；对所述网络流量数据进行建模和预测，获得流量预测结果，能够以较低的性能开销实现较低的测量与预测误差，在开销与误差之间保持良好平衡，对网络流量进行精确建模和预测，减少了流量预测的时间消耗和资源消耗，提高了网络管理实时性，保障数据平面网络的流量预测的准确性，提升了数据平面网络的流量预测的速度和效率。
基于上述硬件结构，提出本发明数据平面网络的流量预测方法实施例。
参照图2，图2为本发明数据平面网络的流量预测方法第一实施例的流程示意图。
在第一实施例中，所述数据平面网络的流量预测方法包括以下步骤：
步骤S10、基于SDN网络架构对数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息。
需要说明的是，在SDN网络架构中可以利用推拉结合的方式进行数据平面的网络流量测量，进而互动非均匀时间间隔的流量统计信息。
步骤S20、使用插值对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据。
可以理解的是，使用插值方式对推拉方式得到的非均匀时间间隔的流量统计信息进行重采样，得到更细时间粒度和均匀时间间隔的网络流量数据。
步骤S30、对所述网络流量数据进行建模和预测，获得流量预测结果。
应当理解的是，对所述网络流量数据可以进行建模，获得相应的网络流量数据模型，进而可以根据网络流量数据模型对网络流量数据进行预测，可以获得流量预测结果。
本实施例通过上述方案，通过基于SDN网络架构对数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息；使用插值对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据；对所述网络流量数据进行建模和预测，获得流量预测结果，能够以较低的性能开销实现较低的测量与预测误差，在开销与误差之间保持良好平衡，对网络流量进行精确建模和预测，减少了流量预测的时间消耗和资源消耗，提高了网络管理实时性，保障数据平面网络的流量预测的准确性，提升了数据平面网络的流量预测的速度和效率。
进一步地，图3为本发明数据平面网络的流量预测方法第二实施例的流程示意图，如图3所示，基于第一实施例提出本发明数据平面网络的流量预测方法第二实施例，在本实施例中，所述步骤S10包括以下步骤：
步骤S11、基于转控分离的SDN网络架构在数据平面使用计数器保存的初始流量统计信息，并使用寄存器保存的流量增量信息和增量阈值。
需要说明的是，基于转控分离的SDN网络架构利用推拉结合的方式进行网络流量测量，即基于转控分离的SDN网络架构在数据平面使用计数器保存的初始流量统计信息，并且使用寄存器保存流量增量信息和增量阈值。
步骤S12、根据所述初始流量统计信息、所述流量增量信息和所述增量阈值对所述数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息。
可以理解的是，通过所述初始流量统计信息、所述流量增量信息和所述增量阈值可以对所述数据平面进行网络流量进行分析测量，可以获得非均匀时间间隔的流量统计信息。
在具体实现中，参见图4，图4为本发明数据平面网络的流量预测方法中数据平面流量统计流程示意图，如图4所示，控制平面拉取流量统计信息，数据平面推送流量统计信息，即：对有N个端口的交换设备，在Ingress阶段和Egress阶段分别定义容量大小为N的计数器Cin和Cout，计数类型选择包和字节数，即同时统计包个数和字节数，每个计数器值的宽度为64位；数据包经过交换设备的端口i进入Ingress阶段后，调用计数器Cin的count方法更新索引为i的计数值，以统计流入端口i的数据包数和字节数，然后执行流表匹配等其他操作；数据包在Ingress阶段会根据流表规则标记为丢弃或转发至出口端o两种状态，若为转发，则数据包会进入Egress阶段，在该阶段调用计数器Cout的count方法更新索引为o的计数值，以统计流出端口o的数据包数和字节数，再执行流表匹配等其他操作；数据包经过Egress阶段后进入逆解析器Deparser阶段，重新组合所有有效的报文头部，再与队列中的有效负载一起构成完整数据包，转发至指定的出端口。
本实施例通过上述方案，通过基于转控分离的SDN网络架构在数据平面使用计数器保存的初始流量统计信息，并使用寄存器保存的流量增量信息和增量阈值；根据所述初始流量统计信息、所述流量增量信息和所述增量阈值对所述数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息，能够快速获得非均匀时间间隔的流量统计信息，能够以较低的性能开销实现较低的测量与预测误差，在开销与误差之间保持良好平衡。
进一步地，图5为本发明数据平面网络的流量预测方法第三实施例的流程示意图，如图5所示，基于第二实施例提出本发明数据平面网络的流量预测方法第三实施例，在本实施例中，所述步骤S12包括以下步骤：
步骤S121、利用控制器根据所述初始流量统计信息、所述流量增量信息和所述增量阈值从所述数据平面拉取网络流量，并接收所述数据平面通过预设数据包摘要推送的流量统计数据，根据所述网络流量和所述流量统计数据生成非均匀时间间隔的流量统计信息。
需要说明的是，可以利用控制器根据所述初始流量统计信息、所述流量增量信息和所述增量阈值从所述数据平面拉取网络流量，并接收所述数据平面通过预设数据包摘要推送的流量统计数据，进而可以将所述网络流量和所述流量统计数据生成非均匀时间间隔的流量统计信息。
可以理解的是，控制器可以通过协议无关报文处理语言P4语言的静态控制器P4Runtime主动从数据平面拉取流量统计信息以测量流量，数据平面通过数据包摘要主动向控制器推送流量统计信息以减小控制器计算开销和网络通信开销。
在具体实现中，参见图6，图6为本发明数据平面网络的流量预测方法中流量拉取流程示意图，如图6所示，网络应用需要获知网络流量数据时可通过北向接口向控制器发起数据获取请求；控制器接收请求后会判断是否发起一次网络测量，若需要则通过南向协议P4Runtime向交换机设备发起一次读计数器请求，请求中会包含计数器名和索引号；交换设备收到请求后再将对应计数器值通过P4Runtime回复给控制器；控制器将主动拉取的计数器值写入数据库持久化保存，再将其返回给网络应用，完成一次流量数据采集过程。
数据平面推送流量统计信息分为流量增量推送过程和阈值更新过程。算法流程如下：输入为入流量增量阈值Tin，输出为端口号i和对应的流量增量Rn，初始化入流量增量阈值寄存器RTin和入流量增量寄存器Rin；首先是流量增量推送过程，对于每一个数据包P，数据包长度为L，数据包入端口为i，令Rn＝Rin[i]+L，若Rn<RTin，则令Rin[i]＝Rn，否则构造数据包摘要D，将(i,Rn)写入D，将D通过P4Runtime推送至控制器，并令Rin[i]＝0；然后是阈值更新过程，控制器将阈值Tin写入PacketOut消息Pout，再将Pout通过P4Runtime发送到数据平面；若Pout的IngressNeedUpdate字段为1，数据平面则将Pout的IngressThreshold字段赋值给RTin；在Egress阶段同样执行上述流程，即可得到端口的出流量统计信息。
本实施例通过上述方案，通过利用控制器根据所述初始流量统计信息、所述流量增量信息和所述增量阈值从所述数据平面拉取网络流量，并接收所述数据平面通过预设数据包摘要推送的流量统计数据，根据所述网络流量和所述流量统计数据生成非均匀时间间隔的流量统计信息，能够快速获得非均匀时间间隔的流量统计信息，能够以较低的性能开销实现较低的测量与预测误差，在开销与误差之间保持良好平衡。
进一步地，图7为本发明数据平面网络的流量预测方法第四实施例的流程示意图，如图7所示，基于第一实施例提出本发明数据平面网络的流量预测方法第四实施例，在本实施例中，所述步骤S20具体包括以下步骤：
步骤S21、获取所述流量统计信息对应的最小时间间隔，根据所述最小时间间隔确定插值时间点。
需要说明的是，从所述流量统计信息中可以获得对应的最小时间间隔，进而根据所述最小时间间隔确定插值时间点，在实际操作中，控制器采集到的N个流量数据为x1,x2,…,xN，对应的采集时间为t1,t2,…,tN，获得最小时间间隔Imin＝min(ti-tj),1≤j<i≤N。然后建立时间间隔为Imin的插值时间点t′1,t′2,…,t′,-1。
步骤S22、将所述插值时间点的端点与原采样时间端点统一，根据统一端点后的插值时间点将所述流量统计信息对应的流量数据点划分为若干个插值区间。
可以理解的是，确定插值时间点后，可以同时令端点与原采样时间端点一致，即将所述插值时间点的端点与原采样时间端点统一，根据统一端点后的插值时间点将所述流量统计信息对应的流量数据点划分为若干个插值区间，在实际操作中，可以令端点与原采样时间端点一致，即满足t′i+1-t′i＝Imin,1≤i<M-1且t′1＝t1,t′M＝tN；将N个测得的流量数据点划分为N-1个插值区间[ti,ti+1],i＝1,2,…,N-1。
步骤S23、根据各插值区间对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据。
应当理解的是，使用重采样方法可以使不均匀时间间隔的网络流量测量数据均匀化，即通过各插值区间可以对流量统计信息进行重采样，从而获得均匀时间间隔的网络流量数据。
本实施例通过上述方案，通过获取所述流量统计信息对应的最小时间间隔，根据所述最小时间间隔确定插值时间点；将所述插值时间点的端点与原采样时间端点统一，根据统一端点后的插值时间点将所述流量统计信息对应的流量数据点划分为若干个插值区间；根据各插值区间对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据，能够以较低的性能开销实现较低的测量与预测误差，在开销与误差之间保持良好平衡，对网络流量进行精确建模和预测，减少了流量预测的时间消耗和资源消耗，提高了网络管理实时性。
进一步地，图8为本发明数据平面网络的流量预测方法第五实施例的流程示意图，如图8所示，基于第四实施例提出本发明数据平面网络的流量预测方法第五实施例，在本实施例中，所述步骤S23具体包括以下步骤：
步骤S231、在各插值区间内构建样条函数，所述样条函数经过所有数据点，并在各已知数据点处连续，在除端点外的已知数据点处的一阶导数和二阶导数均连续，且在断点处满足预设非节点边界条件。
需要说明的是，在各插值区间内构建样条函数，即在每个区间内构建三次样条函数Si(t)＝ai+bi(t-ti)+ci(t-ti)2+di(t-ti)3,i＝1,2,…,N-1；Si(t)应满足以下条件：
(1)经过所有数据点，即满足Si(ti)＝xi,i＝1,2,…,N。
(2)在每个已知数据点处是连续的，即满足Si(ti+1)＝Si+1(ti+1),i＝1,2,…,N-2。
(3)除了端点外，Si(t)在每个已知的数据点处的一阶导数和二阶导数均连续，即满足S′i(ti+1)＝S′i+1(ti+1),i＝1,2,…,N-2，S″i(ti+1)＝S″i+1(ti+1),i＝1,2,…,N-2。
(4)在端点处满足非节点边界条件：S″′1(t2)＝S″′2(t2)，S″′N-2(tN-1)＝S″′N-1(tN-1)。
步骤S232、根据所述样条函数获得插入值，根据所述插入值对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据。
应当理解的是，在根据所述样条函数获得了插入值后，可以根据所述插入值对所述流量统计信息进行重采样，可以进行流量数据均匀化，即获得均匀时间间隔的网络流量数据。
可以理解的是，全部数据点共划分有N-1个插值区间，每个区间有4个未知数，利用上述四个条件可列出4N-4个方程，求得全部4N-4个未知数，对于每个插值点t′i,i＝1,2,…,M-1，确定其所属的插值区间t′i∈[tj,tj+1]，利用对应区间内的三次样条函数Sj(t)求得插入值x′i＝Sj(t′i)，最终获得总长为M-1的均匀时间间隔的样点序列，此处抛弃了末端点。
本实施例通过上述方案，通过在各插值区间内构建样条函数，所述样条函数经过所有数据点，并在各已知数据点处连续，在除端点外的已知数据点处的一阶导数和二阶导数均连续，且在断点处满足预设非节点边界条件；根据所述样条函数获得插入值，根据所述插入值对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据，能够以较低的性能开销实现较低的测量与预测误差，在开销与误差之间保持良好平衡，对网络流量进行精确建模和预测，减少了流量预测的时间消耗和资源消耗，提高了网络管理实时性。
进一步地，图9为本发明数据平面网络的流量预测方法第六实施例的流程示意图，如图9所示，基于第一实施例提出本发明数据平面网络的流量预测方法第六实施例，在本实施例中，所述步骤S30具体包括以下步骤：
步骤S31、将所述网络流量数据进行分解，获得表征变化趋势的趋势分量和展示波动细节的细节分量。
需要说明的是，通过将所述网络流量数据进行分解可以获得对应的趋势分量和细节分量，在实际操作中，可以使用Mallat算法将原始网络流量序列分解成表征变化趋势的趋势分量和展示波动细节的细节分量。
在具体实现中，阶数设可以为5，使用Mallat算法和sym5小波对原始网络流量数据X进行最大分解层级J＝3的小波分解，得到一个尺度系数cT和三个小波系数cD0,cD1,cD2；再单独对不同系数进行小波重构即可得到网络流量数据在不同频带上的表示，分别为趋势分量T和细节分量D0,D1,D2，即[cT,cD0,cD1,cD2]＝wavedec(X,3)，T＝waverec(cT,3)，Di＝waverec(cDi,3-i),i＝0,1,2。
步骤S32、根据ARIMA模型对所述趋势分量进行建模和预测，获得趋势预测结果。
可以理解的是，采用对周期性非平稳时间序列建模效果较好的差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model，ARIMA)模型对趋势分量进行建模和预测。
在具体实现中，使用ARIMA模型对网络流量经小波分解后得到的趋势分量进行建模预测，ARIMA模型首先对非平稳时间序列做d次差分使其转换为平稳时间序列，再使用p阶自回归模型和q阶移动平均模型对时间序列建模，可表示为ARIMA(d,p,q)；确定参数时，首先对趋势分量进行ADF检验以判断其平稳性，若非平稳则需要迭代地进行多次差分，直到差分后序列的ADF检验结果满足平稳性，此时差分次数即为参数d的值；再通过最小化信息准则平衡所构建模型的预测误差和参数个数，以确定最优模型阶数(p,q)，此时选取BIC为最优模型阶数的确定标准，通过网格搜索的方式寻找使BIC最小的(d,p,q)组合。
使用多个最小二乘支持向量机(LSSVM)模型对不同的细节分量进行建模和预测，并使用改进的鲸鱼优化算法求得惩罚系数γ和径向基函数宽度σ的最优值。改进的鲸鱼优化算法如下：输入为网络流量数据Y、群体大小N、最大迭代次数Tmax、优化参数的范围γmin，γmax，σmin，σmax、适应度方差阈值变异个数M，输出为最优参数首先需要对Y进行归一化得到并使用Sobol序列产生N个初始解再按照以下迭代中的步骤得到初始最优解和初始最大适应度f* 0：当迭代次数t<Tmax时，对于每一个更新参数a,A,局搜索，如果p≥0.5，则使用螺旋更新机制， 然后修正超出解搜索空间的Xi，计算种群适应度方差其中如果则随机对M个解进行变异然后寻找最大适应度的可行解其中如果更新最优解和最大适应度更新迭代次数t＝t+1。
步骤S33、根据LSSVM模型对所述细节分量进行建模和预测，并使用改进的鲸鱼优化算法寻找最优参数，将各时间节点的最优参数作为分量预测结果。
应当理解的是，采用适用于非线性时间序列且基于结构风险最小化原则的最小二乘支持向量机(Least Square Support Vector Machine，LSSVM)模型对细节分量进行建模和预测，并采用改进的鲸鱼优化算法来寻找LSSVM模型的最优参数。
需要说明的是，与粒子群优化算法、引力搜索算法等其它基于群体的元启发式算法相比，标准的鲸鱼优化算法在探索、利用、避免局部最优和收敛速度方面有足够的竞争力，但在寻优精度、稳定性和收敛速度、平衡全局探索与局部利用能力等方面仍有部分改进空间，本实施例对鲸鱼优化算法做出两点改进：
(1)使用低差异序列产生初始解：标准鲸鱼优化算法的初始解是通过随机化的方式产生，难以保证均匀覆盖到整个解搜索空间，这可能会对收敛速度造成不利影响，或者是陷入了局部最优；本实施例使用低差异序列中的Sobol序列而非随机方式产生初始解，这样可使得空间中的点既满足随机特性又分布均匀。
(2)使用种群变异避免局部最优；为了应对算法迭代时可能产生的局部最优问题，本实施例仿造生物个体的变异行为，当解聚集到一定程度时对部分解执行变异操作，即给解添加一个较大的扰动，使其远离局部最优解，迫使算法重新在解空间的其他区域进行搜索。设种群大小为N，种群中个体i的适应度为fi，则种群适应度方差其中σ2越小，种群聚集程度更高，算法趋于收敛；为了避免算法早熟收敛，我们可以在算法运行前期种群的适应度方差σ2降低至某个阈值时，随机选取一定数量的种群个体，对其执行变异操作，强制其位置发生改变，即 其中ξ为满足标准柯西分布的随机变量。
步骤S34、根据所述趋势预测结果和所述分量预测结果生成流量预测结果。
可以理解的是，根据所述趋势预测结果和所述分量预测结果进行多元线性回归，可以生成流量预测结果，在实际操作中，可以使用多元线性回归确定不同分量预测模型预测结果的权重，以获得最终的流量预测结果。
本实施例通过上述方案，通过将所述网络流量数据进行分解，获得表征变化趋势的趋势分量和展示波动细节的细节分量；根据ARIMA模型对所述趋势分量进行建模和预测，获得趋势预测结果；根据LSSVM模型对所述细节分量进行建模和预测，并使用改进的鲸鱼优化算法寻找最优参数，将各时间节点的最优参数作为分量预测结果；根据所述趋势预测结果和所述分量预测结果生成流量预测结果；能够以较低的性能开销实现较低的测量与预测误差，在开销与误差之间保持良好平衡，对网络流量进行精确建模和预测，减少了流量预测的时间消耗和资源消耗，提高了网络管理实时性，保障数据平面网络的流量预测的准确性，提升了数据平面网络的流量预测的速度和效率。
进一步地，图10为本发明数据平面网络的流量预测方法第七实施例的流程示意图，如图10所示，基于第六实施例提出本发明数据平面网络的流量预测方法第七实施例，在本实施例中，所述步骤S34具体包括以下步骤：
步骤S341、对所述趋势预测结果和所述分量预测结果进行线性组合，获得归一化预测值，对所述归一化预测值进行反归一化，获得下一时刻的网络流量预测值，将预测时间段的网络流量预测值作为流量预测结果。
需要说明的是，通过对所述趋势预测结果和所述分量预测结果进行线性组合，可以获得归一化的流量预测值，进而对所述归一化预测值进行反归一化，获得下一时刻的网络流量预测值，从而可以将预测时间段的网络流量预测值作为流量预测结果。
可以理解的是，参见图11，图11为本发明数据平面网络的流量预测方法基于小波分解的多模型加权融合预测模型示意图，如图11所示，在时刻t通过网络流量测量方法获得的N个历史网络流量数据表示为X(t)＝{xt-N+1,…,xt-1,xt}，对X(t)归一化得到
在具体实现中，多模型预测结果融合。设模型的归一化预测值由互不相关的多个分量预测模型所得到的预测值T(t+1),D0(t+1),D1(t+1),D2(t+1)的线性组合所构成： 其中w0,w1,w2,w3是各个预测模型值的权重，b是常数项。使用最小二乘法可求得最佳权重参数，使得预测值与真实值的误差平方和最小。
应当理解的是，将归一化的流量预测值进行反归一化即可得到下一时刻的网络流量预测值X(t+1)，即
本实施例通过上述方案，通过对所述趋势预测结果和所述分量预测结果进行线性组合，获得归一化预测值，对所述归一化预测值进行反归一化，获得下一时刻的网络流量预测值，将预测时间段的网络流量预测值作为流量预测结果，能够对网络流量进行精确建模和预测，减少了流量预测的时间消耗和资源消耗，提高了网络管理实时性，保障数据平面网络的流量预测的准确性，提升了数据平面网络的流量预测的速度和效率。
相应地，本发明进一步提供一种数据平面网络的流量预测装置。
参照图12，图12为本发明数据平面网络的流量预测装置第一实施例的功能模块图。
本发明数据平面网络的流量预测装置第一实施例中，该数据平面网络的流量预测装置包括：
测量统计模块10，用于基于SDN网络架构对数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息。
重采样模块20，用于使用插值对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据。
预测模块30，用于对所述网络流量数据进行建模和预测，获得流量预测结果。
所述测量统计模块10，还用于基于转控分离的SDN网络架构在数据平面使用计数器保存的初始流量统计信息，并使用寄存器保存的流量增量信息和增量阈值；根据所述初始流量统计信息、所述流量增量信息和所述增量阈值对所述数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息。
所述测量统计模块10，还用于利用控制器根据所述初始流量统计信息、所述流量增量信息和所述增量阈值从所述数据平面拉取网络流量，并接收所述数据平面通过预设数据包摘要推送的流量统计数据，根据所述网络流量和所述流量统计数据生成非均匀时间间隔的流量统计信息。
所述重采样模块20，还用于获取所述流量统计信息对应的最小时间间隔，根据所述最小时间间隔确定插值时间点；将所述插值时间点的端点与原采样时间端点统一，根据统一端点后的插值时间点将所述流量统计信息对应的流量数据点划分为若干个插值区间；根据各插值区间对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据。
所述重采样模块20，还用于在各插值区间内构建样条函数，所述样条函数经过所有数据点，并在各已知数据点处连续，在除端点外的已知数据点处的一阶导数和二阶导数均连续，且在断点处满足预设非节点边界条件；根据所述样条函数获得插入值，根据所述插入值对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据。
所述预测模块30，还用于将所述网络流量数据进行分解，获得表征变化趋势的趋势分量和展示波动细节的细节分量；根据ARIMA模型对所述趋势分量进行建模和预测，获得趋势预测结果；根据LSSVM模型对所述细节分量进行建模和预测，并使用改进的鲸鱼优化算法寻找最优参数，将各时间节点的最优参数作为分量预测结果；根据所述趋势预测结果和所述分量预测结果生成流量预测结果。
所述预测模块30，还用于对所述趋势预测结果和所述分量预测结果进行线性组合，获得归一化预测值，对所述归一化预测值进行反归一化，获得下一时刻的网络流量预测值，将预测时间段的网络流量预测值作为流量预测结果。
其中，数据平面网络的流量预测装置的各个功能模块实现的步骤可参照本发明数据平面网络的流量预测方法的各个实施例，此处不再赘述。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有数据平面网络的流量预测程序，所述数据平面网络的流量预测程序被处理器执行时实现如下操作：
基于SDN网络架构对数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息；
使用插值对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据；
对所述网络流量数据进行建模和预测，获得流量预测结果。
进一步地，所述数据平面网络的流量预测程序被处理器执行时还实现如下操作：
基于转控分离的SDN网络架构在数据平面使用计数器保存的初始流量统计信息，并使用寄存器保存的流量增量信息和增量阈值；
根据所述初始流量统计信息、所述流量增量信息和所述增量阈值对所述数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息。
进一步地，所述数据平面网络的流量预测程序被处理器执行时还实现如下操作：
利用控制器根据所述初始流量统计信息、所述流量增量信息和所述增量阈值从所述数据平面拉取网络流量，并接收所述数据平面通过预设数据包摘要推送的流量统计数据，根据所述网络流量和所述流量统计数据生成非均匀时间间隔的流量统计信息。
进一步地，所述数据平面网络的流量预测程序被处理器执行时还实现如下操作：
获取所述流量统计信息对应的最小时间间隔，根据所述最小时间间隔确定插值时间点；
将所述插值时间点的端点与原采样时间端点统一，根据统一端点后的插值时间点将所述流量统计信息对应的流量数据点划分为若干个插值区间；
根据各插值区间对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据。
进一步地，所述数据平面网络的流量预测程序被处理器执行时还实现如下操作：
在各插值区间内构建样条函数，所述样条函数经过所有数据点，并在各已知数据点处连续，在除端点外的已知数据点处的一阶导数和二阶导数均连续，且在断点处满足预设非节点边界条件；
根据所述样条函数获得插入值，根据所述插入值对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据。
进一步地，所述数据平面网络的流量预测程序被处理器执行时还实现如下操作：
将所述网络流量数据进行分解，获得表征变化趋势的趋势分量和展示波动细节的细节分量；
根据ARIMA模型对所述趋势分量进行建模和预测，获得趋势预测结果；
根据LSSVM模型对所述细节分量进行建模和预测，并使用改进的鲸鱼优化算法寻找最优参数，将各时间节点的最优参数作为分量预测结果；
根据所述趋势预测结果和所述分量预测结果生成流量预测结果。
进一步地，所述数据平面网络的流量预测程序被处理器执行时还实现如下操作：
对所述趋势预测结果和所述分量预测结果进行线性组合，获得归一化预测值，对所述归一化预测值进行反归一化，获得下一时刻的网络流量预测值，将预测时间段的网络流量预测值作为流量预测结果。
本实施例通过上述方案，通过基于SDN网络架构对数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息；使用插值对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据；对所述网络流量数据进行建模和预测，获得流量预测结果，能够以较低的性能开销实现较低的测量与预测误差，在开销与误差之间保持良好平衡，对网络流量进行精确建模和预测，减少了流量预测的时间消耗和资源消耗，提高了网络管理实时性，保障数据平面网络的流量预测的准确性，提升了数据平面网络的流量预测的速度和效率。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种数据平面网络的流量预测方法，其特征在于，所述数据平面网络的流量预测方法包括：
基于SDN网络架构对数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息；
使用插值对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据；
对所述网络流量数据进行建模和预测，获得流量预测结果；
其中，所述基于SDN网络架构对数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息，包括：
基于转控分离的SDN网络架构在数据平面使用计数器保存的初始流量统计信息，并使用寄存器保存的流量增量信息和增量阈值；
根据所述初始流量统计信息、所述流量增量信息和所述增量阈值对所述数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息。
2.如权利要求1所述的数据平面网络的流量预测方法，其特征在于，所述根据所述初始流量统计信息、所述流量增量信息和所述增量阈值对所述数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息，包括：
利用控制器根据所述初始流量统计信息、所述流量增量信息和所述增量阈值从所述数据平面拉取网络流量，并接收所述数据平面通过预设数据包摘要推送的流量统计数据，根据所述网络流量和所述流量统计数据生成非均匀时间间隔的流量统计信息。
3.如权利要求1所述的数据平面网络的流量预测方法，其特征在于，所述使用插值对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据，包括：
获取所述流量统计信息对应的最小时间间隔，根据所述最小时间间隔确定插值时间点；
将所述插值时间点的端点与原采样时间端点统一，根据统一端点后的插值时间点将所述流量统计信息对应的流量数据点划分为若干个插值区间；
根据各插值区间对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据。
4.如权利要求3所述的数据平面网络的流量预测方法，其特征在于，所述根据各插值区间对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据，包括：
在各插值区间内构建样条函数，所述样条函数经过所有数据点，并在各已知数据点处连续，在除端点外的已知数据点处的一阶导数和二阶导数均连续，且在断点处满足预设非节点边界条件；
根据所述样条函数获得插入值，根据所述插入值对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据。
5.如权利要求1所述的数据平面网络的流量预测方法，其特征在于，所述对所述网络流量数据进行建模和预测，获得流量预测结果，包括：
将所述网络流量数据进行分解，获得表征变化趋势的趋势分量和展示波动细节的细节分量；
根据ARIMA模型对所述趋势分量进行建模和预测，获得趋势预测结果；
根据LSSVM模型对所述细节分量进行建模和预测，并使用改进的鲸鱼优化算法寻找最优参数，将各时间节点的最优参数作为分量预测结果；
根据所述趋势预测结果和所述分量预测结果生成流量预测结果。
6.如权利要求5所述的数据平面网络的流量预测方法，其特征在于，所述根据所述趋势预测结果和所述分量预测结果生成流量预测结果，包括：
对所述趋势预测结果和所述分量预测结果进行线性组合，获得归一化预测值，对所述归一化预测值进行反归一化，获得下一时刻的网络流量预测值，将预测时间段的网络流量预测值作为流量预测结果。
7.一种数据平面网络的流量预测装置，其特征在于，所述数据平面网络的流量预测装置包括：
测量统计模块，用于基于SDN网络架构对数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息；
重采样模块，用于使用插值对所述流量统计信息进行重采样，获得均匀时间间隔的网络流量数据；
预测模块，用于对所述网络流量数据进行建模和预测，获得流量预测结果；
所述测量统计模块，还用于基于转控分离的SDN网络架构在数据平面使用计数器保存的初始流量统计信息，并使用寄存器保存的流量增量信息和增量阈值；根据所述初始流量统计信息、所述流量增量信息和所述增量阈值对所述数据平面进行网络流量测量，获得非均匀时间间隔的流量统计信息。
8.一种数据平面网络的流量预测设备，其特征在于，所述数据平面网络的流量预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的数据平面网络的流量预测程序，所述数据平面网络的流量预测程序配置为实现如权利要求1至6中任一项所述的数据平面网络的流量预测方法的步骤。
9.一种存储介质，其特征在于，所述存储介质上存储有数据平面网络的流量预测程序，所述数据平面网络的流量预测程序被处理器执行时实现如权利要求1至6中任一项所述的数据平面网络的流量预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211066329.9A CN115442246B (zh) | 2022-08-31 | 2022-08-31 | 数据平面网络的流量预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211066329.9A CN115442246B (zh) | 2022-08-31 | 2022-08-31 | 数据平面网络的流量预测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115442246A CN115442246A (zh) | 2022-12-06 |
| CN115442246B true CN115442246B (zh) | 2023-09-26 |
Family
ID=84247479
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211066329.9A Active CN115442246B (zh) | 2022-08-31 | 2022-08-31 | 数据平面网络的流量预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115442246B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115865762A (zh) * | 2023-03-03 | 2023-03-28 | 上海人工智能网络系统工程技术研究中心有限公司 | 基于sdn架构的空间信息网络流量预测方法及调度系统 |
| CN117808051B (zh) * | 2024-01-23 | 2024-06-21 | 暨南大学 | 一种基于可编程数据平面的时序任务预测方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109325638A (zh) * | 2018-11-09 | 2019-02-12 | 电子科技大学 | 一种基于rbf神经网络的sdn流量预测方法 |
| CN109508788A (zh) * | 2018-11-12 | 2019-03-22 | 电子科技大学 | 一种基于arma模型的sdn流量预测方法 |
| CN109547251A (zh) * | 2018-11-27 | 2019-03-29 | 广东电网有限责任公司 | 一种基于监控数据的业务系统故障与性能预测方法 |
| 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 |
| CN110839016A (zh) * | 2019-10-18 | 2020-02-25 | 平安科技（深圳）有限公司 | 异常流量监测方法、装置、设备及存储介质 |
| CN111464354A (zh) * | 2020-03-31 | 2020-07-28 | 全球能源互联网研究院有限公司 | 一种细粒度的网络流量计算方法、装置及存储介质 |
| CN111970163A (zh) * | 2020-06-30 | 2020-11-20 | 网络通信与安全紫金山实验室 | 一种基于注意力机制的lstm模型的网络流量预测方法 |
| CN112118143A (zh) * | 2020-11-18 | 2020-12-22 | 迈普通信技术股份有限公司 | 流量预测模型、训练方法、预测方法、装置、设备及介质 |
| CN112910690A (zh) * | 2021-01-18 | 2021-06-04 | 武汉烽火技术服务有限公司 | 基于神经网络模型的网络流量预测方法、装置及设备 |
| CN113157663A (zh) * | 2021-03-16 | 2021-07-23 | 西安电子科技大学 | 基于数据重建和混合预测的网络流量预测方法及装置 |
| CN113411216A (zh) * | 2021-06-21 | 2021-09-17 | 国网宁夏电力有限公司信息通信公司 | 基于离散小波变换和fa-elm的网络流量预测方法 |
| CN113746696A (zh) * | 2021-08-02 | 2021-12-03 | 中移（杭州）信息技术有限公司 | 网络流量预测方法、设备、存储介质及装置 |
| CN114500335A (zh) * | 2022-01-21 | 2022-05-13 | 重庆邮电大学 | 基于模糊c均值和混合核最小二乘支持向量机的sdn网络流程控制方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3804226A1 (en) * | 2018-06-06 | 2021-04-14 | The Joan and Irwin Jacobs Technion-Cornell Institute | Telecommunications network traffic metrics evaluation and prediction |
| US20190199602A1 (en) * | 2019-03-01 | 2019-06-27 | Intel Corporation | Method and apparatus for closed-loop optimization flow in a network functions virtualization environment |
| CN111985361A (zh) * | 2020-08-05 | 2020-11-24 | 武汉大学 | 小波降噪和emd-arima的电力系统负荷预测方法及系统 |
-
2022
- 2022-08-31 CN CN202211066329.9A patent/CN115442246B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109325638A (zh) * | 2018-11-09 | 2019-02-12 | 电子科技大学 | 一种基于rbf神经网络的sdn流量预测方法 |
| CN109508788A (zh) * | 2018-11-12 | 2019-03-22 | 电子科技大学 | 一种基于arma模型的sdn流量预测方法 |
| CN109547251A (zh) * | 2018-11-27 | 2019-03-29 | 广东电网有限责任公司 | 一种基于监控数据的业务系统故障与性能预测方法 |
| 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 |
| CN110839016A (zh) * | 2019-10-18 | 2020-02-25 | 平安科技（深圳）有限公司 | 异常流量监测方法、装置、设备及存储介质 |
| CN111464354A (zh) * | 2020-03-31 | 2020-07-28 | 全球能源互联网研究院有限公司 | 一种细粒度的网络流量计算方法、装置及存储介质 |
| CN111970163A (zh) * | 2020-06-30 | 2020-11-20 | 网络通信与安全紫金山实验室 | 一种基于注意力机制的lstm模型的网络流量预测方法 |
| CN112118143A (zh) * | 2020-11-18 | 2020-12-22 | 迈普通信技术股份有限公司 | 流量预测模型、训练方法、预测方法、装置、设备及介质 |
| CN112910690A (zh) * | 2021-01-18 | 2021-06-04 | 武汉烽火技术服务有限公司 | 基于神经网络模型的网络流量预测方法、装置及设备 |
| CN113157663A (zh) * | 2021-03-16 | 2021-07-23 | 西安电子科技大学 | 基于数据重建和混合预测的网络流量预测方法及装置 |
| CN113411216A (zh) * | 2021-06-21 | 2021-09-17 | 国网宁夏电力有限公司信息通信公司 | 基于离散小波变换和fa-elm的网络流量预测方法 |
| CN113746696A (zh) * | 2021-08-02 | 2021-12-03 | 中移（杭州）信息技术有限公司 | 网络流量预测方法、设备、存储介质及装置 |
| CN114500335A (zh) * | 2022-01-21 | 2022-05-13 | 重庆邮电大学 | 基于模糊c均值和混合核最小二乘支持向量机的sdn网络流程控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115442246A (zh) | 2022-12-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115442246B (zh) | 数据平面网络的流量预测方法、装置、设备及存储介质 | |
| Wang et al. | A new traffic prediction algorithm to software defined networking | |
| Rusek et al. | RouteNet: Leveraging graph neural networks for network modeling and optimization in SDN | |
| Van Huynh et al. | Optimal and fast real-time resource slicing with deep dueling neural networks | |
| Chen et al. | Quantile regression under memory constraint | |
| Zhan et al. | An incentive mechanism design for efficient edge learning by deep reinforcement learning approach | |
| Suresh Kumar et al. | A pragmatic ensemble learning approach for effective software effort estimation | |
| Zhang et al. | Staffing call centers with impatient customers: refinements to many-server asymptotics | |
| Zhang et al. | Sieve empirical likelihood and extensions of the generalized least squares | |
| Li et al. | Estimating SDN traffic matrix based on online adaptive information gain maximization method | |
| Grant et al. | Adaptive sensor placement for continuous spaces | |
| Pedarsani et al. | Robust scheduling for flexible processing networks | |
| CN116455820A (zh) | 基于拥塞规避的多传输路径调整系统及方法 | |
| Li et al. | Noception: a fast ppa prediction framework for network-on-chips using graph neural network | |
| CN107770000A (zh) | 一种时频同步应用中大规模ip流量的估计方法 | |
| JP6468653B2 (ja) | 予測モデル構築装置 | |
| Casale | Approximating passage time distributions in queueing models by Bayesian expansion | |
| Taghia et al. | Congruent learning for self-regulated federated learning in 6g | |
| CN109711555A (zh) | 一种预测深度学习模型单轮迭代时间的方法和系统 | |
| Zebin et al. | Research on intelligent perception model of sdn network delay | |
| Ramirez et al. | Bayesian analysis of a queueing system with a long-tailed arrival process | |
| Riff et al. | A graph-based immune-inspired constraint satisfaction search | |
| Zhou et al. | Inference replication at edges via combinatorial multi-armed bandit | |
| Malalanirainy et al. | Runtime analysis of convex evolutionary search algorithm with standard crossover | |
| Lu et al. | Network traffic model with multi-fractal discrete wavelet transform in power telecommunication access networks |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |