一种基于机器学习分类预测的SDN流量调度方法技术

本发明专利技术提供了一种基于机器学习分类预测的SDN流量调度方法，消除了传统调度方法的滞后性。设计了基于卷积神经网络CNN的用户设备UE分类模块，通过对流量图像进行低分辨率降维后，设计了基于CNN的滑动窗口读取网络流量图像特征，建立起流量特征到类别的映射关系，输出UE分类。设计了基于长短期记忆的分类流量预测模块，克服复杂场景中用户的流量分布差别较大，预测性能低的问题。本模块根据上一个分类模块输出的结果，针对每个种类的流量，训练一个单独的LSTM预测模块，以提高对分布接近的同类流量的预测准确度。针对预测流量，设计了基于DRL的调度模块和综合了用户级别以及网络级别的奖励函数，实现自学习的动态流量调度。实现自学习的动态流量调度。实现自学习的动态流量调度。

【技术实现步骤摘要】
一种基于机器学习分类预测的SDN流量调度方法


[0001]本专利技术属于通信


技术介绍

[0002]随着通信技术的进步，大量部署的终端设备和日益丰富的网络应用及服务，使得网络流量及其多样性呈现爆炸式增长，动态的网络状态为保证各种类型的流量任务的服务质量(Quality of Service，QoS)带来了挑战。准确掌握网络设备和流量的状态对于实现网络智能化管理、实现网络资源利用率最大化具有重要意义。在传统网络架构中，单个网络设备根据配置的路由表做出流量决策。当传输性能遇到瓶颈时，网络架构灵活性不足以及提升硬件设备成本过高都是传统网络架构无法适应当前需求的限制因素。软件定义网络(Software
‑
Defined Networking，SDN)是下一代网络的核心技术，这是一种动态、可管理、低成本、适应性强的新兴体系结构。这些特征使其成为满足当今应用程序高带宽、动态特性的理想选择。SDN与传统网络架构的主要区别在于将控制平面和数据平面解耦。路由算法、资源调度等策略部署在控制平面中，利用控制器的全局视野，做出最优决策发送给本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习分类预测的SDN流量调度方法，其特征在于：在SDN架构下，设计了一种基于机器学习分类预测的SDN流量调度方法，部署在应用平面，该方法包含了一个基于CNN的UE分类模块、一个基于LSTM的分类流量预测模块和一个基于DRL的流量调度模块，通过实时采集网络状态数据、流量任务数据、UE流量历史数据信息，利用历史流量的关联性，对UE进行分类；针对不同类型的UE训练对应的预测模型；基于预测的流量对用户流量进行调度。2.根据权利要求1所述的方法，其特征在于，设计了一种基于CNN的UE分类模块；本模块首先对历史流量数据做压缩预处理，在时间轴上定义一个时间传输间隔TTI为以5分钟，则24个小时的流量数据在时间轴上为288个TTI；在流量轴上，定义最大带宽b
max
，每个时刻的实际带宽为b
i
，则一个TTI中压缩后的流量为式中方括号为取整函数；通过此算式，将流量压缩为[0,20]的离散值；因此，每个UE在24小时产生的流量图像大小为(20，288)。3.根据权利要求1所述的方法，其特征在于：设计了流量特征提取模型，模型结构如下：第一层是5个大小为(20，20)的滑动窗口依次划过流量图像，输出的向量形状为(269,1,5)；第二层是一个池化大小为(2,1)为最大池化层，用于缩减模型大小和参数数量，输出的向量形状为(134,1,5)；第三层是具有10个大小为(20,1)的卷积核的卷积层，输出向量的形状为(115,1,10)；第四层与第二层相同，为一个池化大小为(2,1)为最大池化层，输出向量的形状为(57,1,10)第五层为flatten层，执行flatten扁平操作后，输出形状为(570,1)；第六和第七层为两个分别具有64个神经元和3个神经元的全连接层，并接入softmax函数输出预测的UE类别；该模型中，卷积层的激活函数均为Relu。4.根据权利要求1所述的方法，其特征在于，基于CNN的UE分类流程如下：(1)在系统缓存区中初始化历史流量数据；(2)对全部流量数据进行预处理，分别从时间轴和流量轴压缩数据；将24小时的流量历史数据离散压缩到288个TTI中，压缩流量值由式(1)得到，产生低分辨率的流量图像，实现对流量数据的降维，压缩后的流量数据是形状为(20，288)的矩阵；(3)利用基于CNN的UE分类模块扫过流量数据，根据流量特征输出UE对应的类别；(4)根据步骤(3)输出的类别结果对所有的UE进行分类；(5)根据分类结果输出不同类别下的UE列表L
UE,k
；(6)输出对应不同类别的流量数据列表L
tra,k
。5.根据权利要求1所述的方法，其特征在于，设计了一个基于LSTM的分类流量预测模块；考虑到不同类型和不同任务的UE间流量分布可能差异较大，针对每个类别的UE单独训练一个流量预测器；每个LSTM模块获取对应类别的流量数据，利用前24小时的数据，训练预测未来1小时的
UE产生的流量；24个小时的时长为288个TTI，1小时为12个TTI；因此，模型的输入为原始流量数据矩阵，矩阵的形状是(1，288)，每个维度包含了TTI和该TTI对应的流量值；LSTM单元数量设置为64，激活函数为tanh；模块的输出矩阵形状是(1，12)，即预测的未来12个TTI的流量值。6.根据权利要求1所述的方法，其特征在于，设计了一个基于DRL的流量调度模块，该模块用于根据预测流量，规划数据传输路径；假设网络中UE集合为U＝{u1,u2,
…
,u
n
}，链路集合为L＝{l1,l2,
…
,l
k
}，链路可用带宽集合为B＝{b1,b2,
…
,b
k
},UE间的可用数据传输路径集合为P＝{p1,p2,
…
,p
m
}；假设当前调度任务是从初始节点u
ori
向目的节点u
des
传输数据；u
ori
和u
des
用one
‑
hot码表示，即u
ori
和u
des
对应编码位置值为1，其他位置值为0；预测模块输出的传输数据需要的带宽为b
pre
；则DRL模块观察到的当前时刻的状态s

【专利技术属性】
技术研发人员：霍如，沙宗轩，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：