基于GRU的多域SDN网络流量态势预测方法及系统技术方案

本发明专利技术公开了基于GRU的多域SDN网络流量态势预测方法及系统，包括：收集历史流量态势值，以滑动窗口的方式构建样本集；对样本数据进行数据归一化，切割为训练集和测试集；建立GRU模型，采用SSA算法优化GRU模型参数；其中，GRU模型被配置为：从历史流量态势值中提取影响网络流量的关键要素；然后，针对相关的因素进行加权定量计算流量态势值，评估出当前流量状态；使用训练好的SSA‑GRU神经网络对测试集进行态势预测。采用SSA算法用于优化GRU算法的权重，有效地控制了优化的搜索方向，能更好地提高收敛效率。

Multi domain SDN network traffic situation prediction method and system based on Gru

【技术实现步骤摘要】
基于GRU的多域SDN网络流量态势预测方法及系统
本专利技术属于网络流量
，尤其涉及基于GRU的多域SDN网络流量态势预测方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。随着云计算和虚拟化等相关技术的不断发展，使得网络应用需求越来越复杂，传统网络也出现了难以扩展和配置复杂度很高等问题，并且各种虚拟化技术需要对网络资源进行迅速、灵活地调配，使得传统网络体系架构更加难以满足这种需求。在这样的需求背景下，软件定义网络SDN(SoftwareDefinedNetworking)就随之诞生了。相比传统网络，SDN主要由以下特点：(1)集中控制的网络架构集中控制表现在SDN可以通过可编程的控制器对网络下命令，通过控制OpenFlow交换机上的流表项，达到控制每个交换机上数据包存储、转发或者丢弃的行为，从而通过控制器对底层网络实现全方位的控制。(2)开放的网络API(ApplicationProgrammingInterface，应用程序接口)SDN控制器实现的可编本文档来自技高网...

【技术保护点】
1.基于GRU的多域SDN网络流量态势预测方法，其特征是，包括：/n收集历史流量态势值，以滑动窗口的方式构建样本集；/n对样本数据进行数据归一化，切割为训练集和测试集；/n建立GRU模型，采用SSA算法优化GRU模型参数；/n其中，GRU模型被配置为：/n从历史流量态势值中提取影响网络流量的关键要素；然后，针对相关的因素进行加权定量计算流量态势值，评估出当前流量状态；/n使用训练好的SSA-GRU神经网络对测试集进行态势预测。/n

【技术特征摘要】
1.基于GRU的多域SDN网络流量态势预测方法，其特征是，包括：
收集历史流量态势值，以滑动窗口的方式构建样本集；
对样本数据进行数据归一化，切割为训练集和测试集；
建立GRU模型，采用SSA算法优化GRU模型参数；
其中，GRU模型被配置为：
从历史流量态势值中提取影响网络流量的关键要素；然后，针对相关的因素进行加权定量计算流量态势值，评估出当前流量状态；
使用训练好的SSA-GRU神经网络对测试集进行态势预测。


2.如权利要求1所述的基于GRU的多域SDN网络流量态势预测方法，其特征是，GRU模型由SDN域、数据库、态势评估服务器和态势预测服务器构成，SDN域采用垂直架构，数据库储存流量态势要素值、态势值和预测值数据，态势评估服务器和态势预测服务器用于评估当前时段网络流量态势和预测下一时段网络流量态势。


3.如权利要求1所述的基于GRU的多域SDN网络流量态势预测方法，其特征是，提取流量态势要素：通过控制器与每个交换机相连，从而获取大量实时和历史流量数据，对收集到的原始数据进行分析和处理，提取出影响网络流量状态的关键要素，并形成统一的数据格式存放到数据库中；
多域SDN网络采用垂直架构，其包含域间控制器和域内控制器，域内数据由域内控制器进行采集，域间数据由域间控制器进行采集。


4.如权利要求2所述的基于GRU的多域SDN网络流量态势预测方法，其特征是，态势评估服务器通过对数据库中的流量态势要素值进行加权定量计算得到当前时间段网络流量态势的数值，并将当前时段态势值写入数据库和传给态势预测服务器，实现对多域SDN网络当前流量状态进行定量描述，从而确定当前网络流量态势。


5.如权利要求2所述的基于GRU的多域SDN网络流量态势预测方法，其特征是，态势预测服务器利用历史和当前多域SDN网络流量态势值预测网络流量的变化...

【专利技术属性】
技术研发人员：管绍朋，孙文文，李奕，张聪辉，
申请(专利权)人：山东工商学院，
类型：发明
国别省市：山东;37