一种软件定义网络中基于深度学习的网络节能装置及方法制造方法及图纸

本发明专利技术公开了一种软件定义网络中基于深度学习的网络节能装置及方法，该装置包含：端口流量数据收集模块，周期性地收集流量数据；流量数据格式转换模块，对流量数据进行数据格式转换处理；数据归一化处理模块，将格式转换后的流量数据进行归一化处理；特征提取模块，从归一化处理后的流量数据中，提取部分特征并手动构建部分特征，再对流量特征进行维度重构获得新的流量特征；流量数据预测模块，对流量特征进行预测得到预测值；节能策略生成模块，根据得到的预测值与设定的阈值进行比较分析，生成节能策略，然后发送相应的指令到OpenFlow交换机切换端口速率、关闭冗余端口，更新流表，重新规划路由，减少能耗以实现网络节能。

A Network Energy Saving Device and Method Based on Deep Learning in Software Definition Network

The invention discloses a network energy-saving device and method based on in-depth learning in software definition network, which includes: port flow data collection module, periodically collecting flow data; flow data format conversion module, data format conversion processing for flow data; data normalization processing module, normalizing flow data after format conversion; The feature extraction module extracts some features from normalized traffic data and manually constructs some features, then reconstructs the dimension of traffic characteristics to obtain new traffic characteristics; the traffic data prediction module predicts the traffic characteristics to get the predicted value; the energy-saving strategy generation module compares the predicted value with the set threshold value to generate energy-saving. Policy, then send corresponding instructions to OpenFlow switch to switch port rate, close redundant ports, update flow table, re-plan routing, reduce energy consumption to achieve network energy saving.

【技术实现步骤摘要】
一种软件定义网络中基于深度学习的网络节能装置及方法
本专利技术涉及网络通信
和深度学习领域，具体涉及一种软件定义网络中基于深度学习的网络节能装置及方法。
技术介绍
网络能耗是运营商的重要OPEX支出之一，提高能源效率亦是未来网络运营商的关键要求。通过网络流量数据，资源利用率数据统计关联分析，网络忙闲状态与人民的工作和休息节奏具有高度的相关性。尤其是学校、商业区、大型居民区等热点区域具有明显的潮汐效应。目前，网络容量是按照网络业务的峰值要求建设的，包括无线基站以及集中部署了未来NFV网络基础设施的数据中心。基于AI的网络智能节能技术充分考虑网络覆盖、用户分布和业务特征，辅以负荷预测，适时选择网络设备休眠和唤醒时机，提供可靠、无缝的用户体验，使得区域网络资源利用率更高、用户体验更好，有效降低区域内网络能耗。目前，国内外针对网络数据中心节能问题，主要通过让空闲网络设备进入睡眠状态来达到节能的目的。这一想法广泛应用于网络节能问题，如能量感知路由，通过找出满足网络需求的数据中心交换机最小数量从而减小冗余，但该方法对延迟并不敏感，又如弹性树，以及网络设备电源管理程序等。深度学习的概念源于人本文档来自技高网...

【技术保护点】
1.一种软件定义网络中基于深度学习的网络节能装置，其特征在于，包括：端口流量数据收集模块，用于周期性地收集所有OpenFlow交换机的流量数据；流量数据格式转换模块，用于将端口流量数据收集模块获得的流量数据进行数据格式转换处理；数据归一化处理模块，用于将经过流量数据格式转换模块格式转换后的流量数据进行归一化处理；特征提取模块，用于从数据归一化处理模块处理后的流量数据中提取流量特征，将部分流量数据直接用作LSTM的部分输入特征{P}，并且依据流量数据构建部分输入特征{Q}，并将直接获取的输入特征和构建的输入特征进行维度重构，组成新的流量特征{P，Q}；流量数据预测模块，用于将特征提取模块得到的流...

【技术特征摘要】
1.一种软件定义网络中基于深度学习的网络节能装置，其特征在于，包括：端口流量数据收集模块，用于周期性地收集所有OpenFlow交换机的流量数据；流量数据格式转换模块，用于将端口流量数据收集模块获得的流量数据进行数据格式转换处理；数据归一化处理模块，用于将经过流量数据格式转换模块格式转换后的流量数据进行归一化处理；特征提取模块，用于从数据归一化处理模块处理后的流量数据中提取流量特征，将部分流量数据直接用作LSTM的部分输入特征{P}，并且依据流量数据构建部分输入特征{Q}，并将直接获取的输入特征和构建的输入特征进行维度重构，组成新的流量特征{P，Q}；流量数据预测模块，用于将特征提取模块得到的流量特征作为为LSTM模型的输入，得到预测的流量值；节能策略生成模块，用于根据流量数据预测模块得到的预测值与设定的阈值进行比较分析生成节能策略，然后发送相应的指令到OpenFlow交换机，完成切换端口速率、关闭冗余端口，更新流表，重新规划路由，实现节能。2.根据权利要求1所述的软件定义网络中基于深度学习的网络节能装置，其特征在于，所述数据归一化处理模块中的归一化处理采用z-score标准化方法，具体采用一下公式：其中Xi为第i个时间段内流量大小，N为统计的流量段个数，μ为所有数据平均值。3.根据权利要求2所述的软件定义网络中基于深度学习的网络节能装置，其特征在于，所述特征提取模块中的输入特征{P}包括：同一天前L小时每小时内的端口流量输入字节数、同一天前L小时每小时内的端口流量输出字节数、前M天同一小时内的端口流量输入字节数、前M天同一小时内的端口流量输出字节数；输入特征{Q}包括：同一天前L小时每小时内的端口流量平均输出速率Out_ropi(i＝t-1，t-2，…，t-L，t表示预测时间，L是取值范围为[5，23]的正整数)、同一天前L小时每小时内的端口流量平均输入速率In_ropi(i＝t-1，t-2，…，t-L，t表示预测时间，L是取值范围为[5，23]的正整数)、前M天同一小时内的端口流量平均输出速率Out_ropi(i＝M，M为任意大于0的正整数)、前M天同一小时内的端口流量平均输入速率In_ropi(i＝M，M为任意大于0的正整数)；端口流量平均输出速率：其中NumOut_port_k为采集的所有端口中，第i小时在采样周期T内从第k个端口输出的总字节数；端口流量平均输入速率：其中NumIn_port_k为采集的所有端口中，第i小时在采样周期T内输入第k个端口的总字节数。4.根据权利要求3所述的软件定义网络中基于深度学习的网络节能装置，其特征在于，所述流量数据预测模块中，在预测流量数据时，通过已训练的循环神经网络LSTM模型，采用滑动窗口方式，使用同一天前L小时每小时内与前M天同一小时的流量数据预测下一个小时的流量数据；已训练的循环神经网络LSTM模型含有2个LSTM层、1个Dense层，每层LSTM中各神经元均具有一个cell和输入、输出、遗忘三个门；一个门结构包含一个sigmoid层和一个乘法操作，sigmoid层的输出取值范围为[0，1]，代表有多少量通过；输入的流量特征，经过第一层LSTM层之后，遗忘门从cell中抛弃一定量的流量数据信息，通过输入门和tanh层更新数值，再由输出门决定输出部分细胞状态并且由tanh层将状态值映射到[-1，1]之间，将其和sigmiod层的输出值相乘后输入第二层LSTM；再经过第二层LSTM层后输出能够表征流量数据的最终值，将最终值输入到Dense层。5.根据权利要求4所述的软件定义网络中基于深度学习的网络节能装置，其...

【专利技术属性】
技术研发人员：李传煌，唐豪，钱正哲，任云方，卢正勇，
申请(专利权)人：浙江工商大学，
类型：发明
国别省市：浙江,33