一种SDN架构下基于深度学习的内容流行度预测方法技术

本发明专利技术公开了一种SDN架构下基于深度学习的内容流行度预测方法，包括：利用SDN网络中各节点计算资源以及链路构建可重构、分布式深度学习网络，SDN网络具有SDN控制器和多个SDN交换机节点，每个SDN交换机实现若干神经元的计算功能，神经元之间通过SDN交换机的链路彼此连接；SDN网络中的各个节点实时地采集内容被请求的时空联合分布的数据并作为深度学习网络的输入，利用栈式自编码器对时空联合分布的数据进行特征学习，利用Softmax分类器对内容流行度进行预测。本发明专利技术基于SDN的可编程、全局视野集中控制的特性，实现深度学习网络的可重构，包括能够调整隐含层和每层神经元节点的数量等；所述方法对ICN的解析系统非常关键，也可帮助其中的动态路由和缓存的决策。

A method of content popularity prediction based on deep learning in SDN architecture

Deep learning the content popularity prediction method, which is based on the present invention discloses a SDN framework: constructing reconfigurable distributed computing resources and deep learning network link using the nodes in the SDN network, SDN network has a SDN controller and a plurality of SDN switch nodes, each SDN switch to achieve computing some neurons, through SDN switch link between neurons connected to each other; spatio-temporal distribution of each node in the network to collect real-time SDN content requested data as the input of the network and deep learning, using the stack decoder by the joint distribution of the data on the spatial and temporal characteristics of learning, to predict the content popularity by using Softmax classifier. The invention of SDN programmable and global vision based on the characteristics of centralized control, realize the deep learning network reconfiguration, including the ability to adjust the hidden layer and the number of nodes per layer neurons; analysis system of ICN the method is critical, dynamic routing and caching can also help the decision.

【技术实现步骤摘要】

本专利技术涉及一种内容流行度预测方法，尤其是一种SDN架构下基于深度学习的内容流行度预测方法。属于软件定义网络和深度学习

技术介绍
目前，对于内容流行度的研究，主要集中在对微博/Twitter等社交网络中的主题(topic)的流行度预测。内容流行度可以从空间的角度(传播范围)衡量，也可以从时间的角度(传播周期)衡量。从模型角度看，目前，微博信息流行度预测的研究方法以基于传染病模型和分类或回归模型的预测方法为主。对于传染病模型，源于早期信息扩散理论，其主要包括羊群效应、信息级联、创新扩散理论以及传染病模型(ZafaraniR,AbbasiMA,LiuH.Socialmediamining:anintroduction[M].CambridgeUniversityPress,2014.)，其中以传染病模型和信息级联模型最为典型。而对于分类或回归模型，将待预测的微博信息表示成一组基于影响因素的特征，把微博信息流行度预测问题转化为分类(HongL,DanO,DavisonBD.Predictingpopularmessagesintwitter[C]//Proceedingsofthe20thinternationalconferencecompaniononWorldwideweb.ACM,2011:57-58)或者回归问题(BakshyE,HofmanJM,MasonWA,etal.Everyone'saninfluencer:quantifyinginfluenceontwitter[C]//ProceedingsofthefourthACMinternationalconferenceonWebsearchanddatamining.ACM,2011:65-74)，通过大量的已知数据训练出机器学习模型对未知信息进行预测。然而，当前方法所依赖的数据不是全局视野的，也无法捕获到预测目标对象的时空联合分布特征，所以，预测的准确度不理想。
技术实现思路
本专利技术的目的是为了克服上述现有技术的缺陷，提供了一种SDN架构下基于深度学习的内容流行度预测方法，该方法预测内容流行度的准确率高，所预测的内容流行度不仅对ICN(Information-centricnetworking，信息中心网络)的解析系统非常关键，也可以帮助动态路由决策、动态路由决策、ICN进行缓存决策。本专利技术的目的可以通过采取如下技术方案达到：一种SDN架构下基于深度学习的内容流行度预测方法，所述方法包括：S1、利用SDN网络中各节点计算资源以及链路构建可重构、分布式深度学习网络；其中，所述SDN网络具有SDN控制器和多个SDN交换机，每个SDN交换机构成SDN网络中的一个节点，每个SDN交换机贡献小部分资源实现若干神经元的计算功能，神经元之间通过SDN交换机的链路彼此连接；S2、SDN网络中的各个节点实时地采集内容被请求的时空联合分布的数据并作为深度学习网络的输入，在底层利用栈式自编码器对时空联合分布的数据进行特征学习，在顶层利用Softmax分类器对内容流行度进行预测；其中，所述栈式自编码器由若干个自编码器堆叠在一起形成，每个自编码器具有一个输入层、一个隐藏层和一个输出层。进一步的，所述利用Softmax分类器对内容流行度进行预测是指将内容流行度离散化为c类，将内容流行度的预测转化为c类的分类问题，利用Softmax分类器输出c个结果实现对内容流行度的预测。进一步的，步骤S2中，所述在底层利用栈式自编码器对时空联合分布的数据进行特征学习，在顶层利用Softmax分类器对内容流行度进行预测，采用分布式协同内容流行度预测算法实现；对于给定的训练集X，假设隐藏层神经元数量为l，所述分布式协同内容流行度预测算法如下：S201、栈式自编码器的预训练S2011、设定稀疏权重γ以及稀疏参数ρ，同时，随机地初始化权重矩阵w1和偏移向量b1；S2012、通过贪心逐层算法自底向上训练隐藏层参数；S2013、在隐藏层，用第k层的输出作为第(k+1)层的输入；其中，原始的训练集X是第l层的输入；S2014、重复进行步骤S2011～S2013，通过实现目标函数的最小化，为第(k+1)层找到参数其中，w1是神经元之间连接的权重矩阵，b1是编码的偏移向量，分别表示第(k+1)层的w1和b1；S202、栈式自编码器网络的精调S2021、经过预训练后，获得初始化参数S2022、使用基于梯度下降的BP算法自顶向下修正整个网络的初始化参数S203、内容流行度预测S2031、初始化输入层神经元的数量inputSize和输出分类的数量c，以及权重衰减因子λ；S2032、计算带有权重衰减因子λ的Softmax代价函数J(θ)；S2033、在训练Softmax预测模型之前进行梯度检验；S2034、从带标签的训练数据集中提取通过栈式自编码器学习到的特征，基于这些提取特征的L-BFGS算法，通过带标签数据集训练Softmax预测模型；S2035、训练好的Softmax回归层即为测试数据集输出分类预测结果，从而实现对内容流行度的预测。进一步的，以v分钟为一个时间片，1年被划分为(365*24*60)/v个时间片；在步骤S2的预测过程中，以时隙为基本单位，一个时隙由k个时间片组成，1<k<12；采集数据时，各个神经元一个时隙统计一次SDN网络中的参数；根据时隙的值计算出本次时隙统计时所在的当地时间；采用一个时空联合分布的过程来描述内容的请求过程，具体为：在第t个时隙中，SDN网络中某个节点i的内容请求到达的数量，用r(t，i)表示；然后计算持续传播时间，持续传播时间是指内容自发布时开始到一个时隙内请求数量小于ε*num_max为止的时间间隔；其中，num_max是一个时隙内请求数量的最大值，ε取0.1～0.2。进一步的，所述自编码器可将一个多维度的数据集{x(1),x(2),…本文档来自技高网...

【技术保护点】
一种SDN架构下基于深度学习的内容流行度预测方法，其特征在于：所述方法包括：S1、利用SDN网络中各节点计算资源以及链路构建可重构、分布式深度学习网络；其中，所述SDN网络具有SDN控制器和多个SDN交换机，每个SDN交换机是SDN网络中的一个节点，每个SDN交换机贡献小部分资源实现若干神经元的计算功能，神经元之间通过SDN交换机的链路彼此连接；S2、SDN网络中的各个节点实时地采集内容被请求的时空联合分布的数据并作为深度学习网络的输入，在底层利用栈式自编码器对时空联合分布的数据进行特征学习，在顶层利用Softmax分类器对内容流行度进行预测；其中，所述栈式自编码器由若干个自编码器堆叠在一起形成，每个自编码器具有一个输入层、一个隐藏层和一个输出层。

【技术特征摘要】
1.一种SDN架构下基于深度学习的内容流行度预测方法，其特征在于：所述方法包括：S1、利用SDN网络中各节点计算资源以及链路构建可重构、分布式深度学习网络；其中，所述SDN网络具有SDN控制器和多个SDN交换机，每个SDN交换机是SDN网络中的一个节点，每个SDN交换机贡献小部分资源实现若干神经元的计算功能，神经元之间通过SDN交换机的链路彼此连接；S2、SDN网络中的各个节点实时地采集内容被请求的时空联合分布的数据并作为深度学习网络的输入，在底层利用栈式自编码器对时空联合分布的数据进行特征学习，在顶层利用Softmax分类器对内容流行度进行预测；其中，所述栈式自编码器由若干个自编码器堆叠在一起形成，每个自编码器具有一个输入层、一个隐藏层和一个输出层。2.根据权利要求1所述的一种SDN架构下基于深度学习的内容流行度预测方法，其特征在于：所述利用Softmax分类器对内容流行度进行预测是指将内容流行度离散化为c类，将内容流行度的预测转化为c类的分类问题，利用Softmax分类器输出c个结果实现对内容流行度的预测。3.根据权利要求2所述的一种SDN架构下基于深度学习的内容流行度预测方法，其特征在于：步骤S2中，所述在底层利用栈式自编码器对时空联合分布的数据进行特征学习，在顶层利用Softmax分类器对内容流行度进行预测，采用分布式协同内容流行度预测算法实现；对于给定的训练集X，假设隐藏层神经元数量为l，所述分布式协同内容流行度预测算法，如下：S201、栈式自编码器的预训练S2011、设定稀疏权重γ以及稀疏参数ρ，同时，随机地初始化权重矩阵w1和偏移向量b1；S2012、通过贪心逐层算法自底向上训练隐藏层参数；S2013、在隐藏层，用第k层的输出作为第(k+1)层的输入；其中，原始的训练集X是第l层的输入；S2014、重复进行步骤S2011～S2013，通过实现目标函数的最小化，为第(k+1)层找到参数其中，w1是神...

【专利技术属性】
技术研发人员：刘外喜，彭凌西，蔡君，唐润华，刘贵云，
申请(专利权)人：广州大学，
类型：发明
国别省市：广东;44