一种基于图神经网络的SDN流量预测方法技术

本发明专利技术提出了一种基于图神经网络的SDN流量预测模型DI‑GCN(Deep Information‑GCN)，首先将图卷积与门控卷积单元相融合，从而有效捕捉SDN网络的时空相关性；其次定义并构建互信息关系矩阵，获取流量数据的关系权重表示，从而得到更多细节的空间结构特征信息。本发明专利技术选择真实数据集进行了15min、30min和45min的预测对比，实验结果表明，DI‑GCN模型不仅保证了表示实际数据的能力，而且缩小了预测误差以及取得了更好的预测效果。

【技术实现步骤摘要】

本专利技术涉及流量预测、深度学习，特别是涉及一种基于图神经网络的sdn流量预测方法。

技术介绍

1、随着5g通信技术、大数据挖掘和云计算的高速发展以及万物互联概念的提出，网络连接正朝着更紧密、更快速、更有价值的方向发展。与此同时，爆发式增长的网络流量需求为传统网络带来了不小的挑战。新型的互联网业务越来越复杂、管理要求越来越高，而去中心化结构的传统网络在面临这些新型的互联网应用时，在基础设施、网络服务和资源调度上都暴露出了诸多弊端。为了顺应未来网络的需求变化与解决传统网络的不足，通信网络必须从根本上进行革新，从而应对新环境下层出不穷的互联网应用对网络带来的冲击。

2、软件定义网络(software defined network，简称sdn)拥有一种新型的网络体系结构。由下到上分别为：数据转发层、控制层和应用层。与传统网络相比较，sdn将网络控制与转发解耦合，使得网络路由与传输规则由sdn控制器部署；开放的接口使得应用程序通过编程就可调用网络资源，用户可灵活配置网络与定义规则，这些特点都是sdn在未来网络发展的独特优势。>

3、网络流量本文档来自技高网...

【技术保护点】

1.一种基于图神经网络的SDN流量预测方法，其特征在于，该方法包括以下步骤：

2.如权利要求1所述的基于图神经网络的SDN流量预测方法，其特征在于，输入数据通过映射函数f映射为Xt+1，...，Xt+T矩阵，公式为：

3.如权利要求2所述的基于图神经网络的SDN流量预测方法，包括一个预测模型，所述预测模型包括：网络流量的图表示单元；基于互信息的图生成层的构建；谱域图卷积网络单元。

4.如权利要求3所述的基于图神经网络的SDN流量预测方法，其特征在于，网络流量的图表示单元中的拓扑结构由未加权重的图G(V，E，A)来描述，其中，V代表由路由组成的一系列节点...

【技术特征摘要】

1.一种基于图神经网络的sdn流量预测方法，其特征在于，该方法包括以下步骤：

2.如权利要求1所述的基于图神经网络的sdn流量预测方法，其特征在于，输入数据通过映射函数f映射为xt+1，...，xt+t矩阵，公式为：

3.如权利要求2所述的基于图神经网络的sdn流量预测方法，包括一个预测模型，所述预测模型包括：网络流量的图表示单元；基于互信息的图生成层的构建；谱域图卷积网络单元。

4.如权利要求3所述的基于图神经网络的sdn流量预测方法，其特征在于，网络流量的图表示单元中的拓扑结构由未加权重的图g(v，e，a)来描述，其中，v代表由路由组成的一系列节点，v＝{v1，v2，...，vn}，n为节点数；e表示用来连接的边的集合；a用来表示节点之间连接的邻接，a∈rn×n；如果有连接，对应位置的元素为1，没有连接则为0；d为g的度矩阵，其中，对角线上的元素分别表示对应位置的节点的度。

5.如权利要求3所述的基于图神经网络的sdn流量预测方法，其特征在于，所述基于互信息的图生成层的构建方法为：对包含有网络各节点之间通信轨迹的11460个文档进行遍历，对各节点分别进行三个事件的概率统计，分别为在预设时间t内a节点向b节点发送的概率p(x)、b节点向a节点发送的概率p(y)以及节...

【专利技术属性】
技术研发人员：李国燕，尚艺辉，巨昊，刘毅，
申请(专利权)人：天津城建大学，
类型：发明
国别省市：