一种基于ARMA模型的SDN流量预测方法技术

该发明专利技术公开了一种基于ARMA模型的SDN流量预测方法，属于无线通信网络技术领域，特别是涉及一种适用于网络的性能分析和网络规划方法。针对现有技术存在的缺点，本发明专利技术够准确预测SDN的流量变化趋势。该算法利用抽样从OpenFlow交换机中的计数器上获取仿真数据，对数据进行平稳化处理，利用平稳化后的数据训练ARMA模型，获得ARMA模型参数，包括自回归系数、滑动平均系数以及模型的阶数等。获得参数后建立ARMA预测模型，利用建立后的模型预测SDN流量变化趋势。

【技术实现步骤摘要】
一种基于ARMA模型的SDN流量预测方法
本专利技术属于无线通信网络
，特别是涉及一种适用于网络的性能分析和网络规划方法。
技术介绍
流量预测对于网络的性能分析和网络规划具有重要的意义。在传统的TCP/IP网络中，分布式的网络架构使得网络的灵活性和智能化不高，导致流量预测算法不能够很好的应用于工业中。软件定义网络(SoftwareDefinedNetworks，SDN)作为一种新型的网络架构，具有控制平面与数据平面的解耦分离、开放的可编程接口以及逻辑集中式的控制等特征，使得SDN灵活性和智能化与传统网络相比有了较大地提高。因此，SDN的提出给流量预测算法的应用提供了一个很好的平台。而目前关于SDN的流量预测研究比较少，此外，由于SDN流量的动态变化和随机突发性，要进行准确预测是比较困难的。因此，提出准确且有效的SDN流量预测方法是非常重要的。流量预测方法的研究是随着网络规模和网络应用的变化而不断变化的。其预测方法的发展经历了四个阶段：第一阶段，网络应用种类少，网络规模小，这一阶段主要是基于传统模型的流量预测研究。第二阶段，由于传统模型的局限性，即只具有短相关性，无法描述网络流量的长相关性。所以，提出了基于自相似模型的流量预测方法。第三阶段，网络规模的日益增大且自相似模型的参数计算过于复杂，导致自相似模型的预测性能下降，因此，提出了基于智能算法预测方法。第四阶段，随着网络规模的进一步扩大和网络应用种类的多样化，单一模型不能刻画流量的全部特性，提出了基于组合模型的流量预测方法。上世纪70年代，由于网络应用很少，网络中传输的数据量少，研究人员利用泊松模型，马尔科夫模型等传统模型来描述网络流量。这些模型认为，若时间间隔s是足够大的，当前时刻t的流量与过去时刻(t-s)的流量是不相关的，即短期相关模型。后来，网络的自相似特性被发现后，各种基于自相似性的流量模型不断地提出。例如，分形布朗运动模型、基于重尾分布的ON/OFF模型、小波模型、FARIMA(FractalAutoRegressiveIntegratedMovingAverage)模型等都是自相似模型。紧接着，由于智能算法具有良好的非线性映射能力和快速有效的学习方法，因此在预测领域显示出巨大的优势。例如，小波分析模糊理论、人工神经网络和支持向量机方法等，已经广泛应用于生活中的各种预测领域，如通信、交通、气象、水文等。随着SDN的兴起，研究人员将研究重点从传统网络转移到SDN。因此，基于SDN的流量预测研究也受到了研究人员的广泛关注。在传统的TCP/IP网络中，分布式的网络架构使得网络的灵活性和智能化不高，导致流量预测不能够很好的应用。在SDN中，将控制层分离出来做成控制器，实现对数据层的集中控制。因此，流量预测算法的部署和应用在SDN中得到了很好的应用。
技术实现思路
针对现有技术存在的缺点，本专利技术提出一种基于自回归滑动平均(Auto-RegressiveandMovingAverageModel，ARMA)模型的SDN流量预测算法，它能够准确预测SDN的流量变化趋势。该算法利用抽样从OpenFlow交换机中的计数器上获取仿真数据，对数据进行平稳化处理，利用平稳化后的数据训练ARMA模型，获得ARMA模型参数，包括自回归系数、滑动平均系数以及模型的阶数等。获得参数后建立ARMA预测模型，利用建立后的模型预测SDN流量变化趋势。本专利技术技术方案为：一种基于ARMA模型的SDN流量预测方法，具体步骤如下：步骤1：平稳性检验；对原流量序列进行平稳性检验，如果该流量序列不满足平稳性条件，可以通过差分变换使该流量序列满足平稳性条件；步骤2：求模型的阶数；根据AIC准则来确定ARMA(p,q)模型的阶数p和q，p和q分别表示ARMA(p,q)的p个自回归项和q个移动平均项；步骤3：求模型的参数；采用逆函数法求出ARMA(p,q)模型的参数(φ1,...φp)和(θ1,...θq)，φu表示ARMA(p,q)模型的自回归项系数,其中u＝1,2,...,p，θvARMA(p,q)模型的移动平均项系数，其中v＝1,2,...,q，并检验参数的显著性，以及模型的合理性；并利用诊断分析，确保所得模型与所观察到的数据特征相符合；步骤4：利用ARMA模型进行流量预测；根据步骤3中求出的ARMA(p,q)模型的参数(θ1,...θq)和(φ1,...φp)，建立具体的ARMA模型，根据所建立的ARMA模型，输入当前时刻及以前时刻的SDN网络流量数据，可获得下一时刻SDN网络流量的预测值。进一步的，所述步骤1平稳性检验，具体过程如下：如果模型的原流量序列是非平稳时间序列，要对原流量序列进行平稳化处理；SDN流量是非平稳的时间序列；为了将其平稳化，利用多次差分的方法把原流量序列转化成齐次非平稳的序列；经过差分后，新序列的非平稳性得到了抑制，所得到新序列的幅度发生了变化；差分的次数被称为齐次的阶；记▽为差分算子，则▽xt＝xt-xt-1(1)▽2xt＝▽(xt-xt-1)＝xt-2xt-1+xt-2(2)可以推算出▽k＝(1-B)dxt(3)若xt是t时刻的d阶齐次非平稳序列，则经过d次差分后产生的新序列为：yt＝(1-B)dxt(4)是一个平稳序列；yt为由xt经过d次差分后产生的平稳序列，B为后移算子；如果序列呈现明显的线性趋势，一阶差分就可以实现趋势平稳；序列显示曲线趋势，要增加差分的阶数提取曲线趋势的影响，通常使用二阶差分或三阶差分；差分处理使非平稳的数据序列转化成均值为0的平稳随机序列。进一步的，所述步骤2求模型阶数，具体过程如下：模型的定阶采用AIC准则，AIC函数定义为：其中，是ε(t)方差的估算值，ε(t)表示ARMA(p,q)模型t时刻的估计误差；s是模型未知参数的总数，即s＝p+q+1；N为已知观测数据样本大小；ARMA模型的AIC函数为：利用AIC准则来定阶是指在p、q的一定变化范围内寻求使得统计量AIC(s)达到最小的点用来作为(p,q)的估计；模型阶数确定以后，采用逆函数法估计各参数的值；进一步的，所述步骤3求模型的参数，具体过程如下：首先引入后移算子B；即Bx(t)＝x(t-1)，Bkx(t)＝x(t-k)，x(t)表示t时刻的时间序列值，即Bx(t)＝x(t-1)，Bkx(t)＝x(t-k)，x(t)表示t时刻的时间序列值，将式子简化为：(1-φ1B-...-φpBp)X(t)＝(1-θ1B-...-θqBq)ε(t)(7)利用逆函数，将ε(t)表示成{x(t-k),k＝0,1,2,...}的线性组合，表达式为：Ij表示自回归模型中j个时延后时刻t-j的时间序列系数，并将上式(8)代入式(7)可得B的恒等式为：1-φ1B-…-φpBp＝(1-I1B-I2B2-...)(1-θ1B-...-θqBq)(9)根据对应项系数相等原则，可得：其中，θj＝0,j＞q,φj＝0,j＞p，当j＞max(p,q)时有：Ij-θ1Ij-1-...-θqIj-q＝0(11)如果已知Ij的估计值，则可由式(11)求出参数(θ1,...,θq)的估计值，再由式(10)求出参数(φ1,...,φp)的估计值；求Ij的估计值，可设为网络流量数据样本的自相关函数，为Ij的估计值本文档来自技高网...

【技术保护点】
1.一种基于ARMA模型的SDN流量预测方法，具体步骤如下：步骤1：平稳性检验；对原流量序列进行平稳性检验，如果该流量序列不满足平稳性条件，可以通过差分变换使该流量序列满足平稳性条件；步骤2：求模型的阶数；根据AIC准则来确定ARMA(p,q)模型的阶数p和q，p和q分别表示ARMA(p,q)的p个自回归项和q个移动平均项；步骤3：求模型的参数；采用逆函数法求出ARMA(p,q)模型的参数(φ1,...φp)和(θ1,...θq)，φu表示ARMA(p,q)模型的自回归项系数,其中u＝1,2,...,p，θvARMA(p,q)模型的移动平均项系数，其中v＝1,2,...,q，并检验参数的显著性，以及模型的合理性；并利用诊断分析，确保所得模型与所观察到的数据特征相符合；步骤4：利用ARMA模型进行流量预测；根据步骤3中求出的ARMA(p,q)模型的参数(θ1,...θq)和(φ1,...φp)，建立具体的ARMA模型，根据所建立的ARMA模型，输入当前时刻及以前时刻的SDN网络流量数据，可获得下一时刻SDN网络流量的预测值。

【技术特征摘要】
1.一种基于ARMA模型的SDN流量预测方法，具体步骤如下：步骤1：平稳性检验；对原流量序列进行平稳性检验，如果该流量序列不满足平稳性条件，可以通过差分变换使该流量序列满足平稳性条件；步骤2：求模型的阶数；根据AIC准则来确定ARMA(p,q)模型的阶数p和q，p和q分别表示ARMA(p,q)的p个自回归项和q个移动平均项；步骤3：求模型的参数；采用逆函数法求出ARMA(p,q)模型的参数(φ1,...φp)和(θ1,...θq)，φu表示ARMA(p,q)模型的自回归项系数,其中u＝1,2,...,p，θvARMA(p,q)模型的移动平均项系数，其中v＝1,2,...,q，并检验参数的显著性，以及模型的合理性；并利用诊断分析，确保所得模型与所观察到的数据特征相符合；步骤4：利用ARMA模型进行流量预测；根据步骤3中求出的ARMA(p,q)模型的参数(θ1,...θq)和(φ1,...φp)，建立具体的ARMA模型，根据所建立的ARMA模型，输入当前时刻及以前时刻的SDN网络流量数据，可获得下一时刻SDN网络流量的预测值。2.如权利要求1所述的一种基于ARMA模型的SDN流量预测方法，其特征在于所述步骤1平稳性检验，具体过程如下：如果模型的原流量序列是非平稳时间序列，要对原流量序列进行平稳化处理；SDN流量是非平稳的时间序列；为了将其平稳化，利用多次差分的方法把原流量序列转化成齐次非平稳的序列；经过差分后，新序列的非平稳性得到了抑制，所得到新序列的幅度发生了变化；差分的次数被称为齐次的阶；记▽为差分算子，则▽xt＝xt-xt-1(1)▽2xt＝▽(xt-xt-1)＝xt-2xt-1+xt-2(2)可以推算出▽k＝(1-B)dxt(3)若xt是t时刻的d阶齐次非平稳序列，则经过d次差分后产生的新序列为：yt＝(1-B)dxt(4)是一个平稳序列；yt为由xt经过d次差分后产生的平稳序列，B为后移算子；如果序列呈现明显的线性趋势，一阶差分就可以实现趋势平稳；序列显示曲线趋势，要增加差分的阶数提取曲线趋势的影响，通常使用二阶差分或三阶差分；差分处理使非平稳的数据序列转化成均值为0的平稳随机序列。3.如权利要求1所述的一种基于ARMA模型的SDN流量预测方法，其特征在于所述所述步骤2求模型阶数，具体过程如下：模型的...

【专利技术属性】
技术研发人员：蒋定德，王键，王雨晴，齐盛，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51