【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、网络流量预测在性能优异、架构创新的sdn具有举足轻重的意义，它可以帮助安全维护人员实时地进行流量预测，确定是否具有安全风险，从而预防黑客的攻击；也可以帮助网络运维团队通过精确的流量预测，合理地部署策略适应流量分布，从而避免网络故障和数据报文丢失，省去了修复故障的麻烦。因此，基于sdn网络的流量预测研究是非常有意义的。
4、sdn流量数据结构复杂，信息种类丰富，目前针对sdn
5、近年来，随着人工智能的发展与深入研究，出现了众多人工神经网络模型，循环神经网络模型(recurrent neural networks，rnn)、长短期记忆模型(long short-termmemory，lstm)和门控循环单元(gated recurrent unit，gru)等都在精确度上更进一步。而卷积神经网络cnn在处理空间的问题上局限于欧氏空间，并不能针对图结构数据，因此传统神经网络模型在提取潜在空间特征的有效性方面受到人们的质疑。
6、在面对节点分布不均匀、不规则的图结构数据时，图神经网络则成为了更好的选择。为了更好地适应不规则地图结构数据，图神经网络演化出越来越多的深度学习模型，这些模型能通过人工神经网络将图结构数据映射到低维空间，进而学习图和节点的低维向量表示。
7、目前使用最广泛的是图卷积网络(gcn)、图注意力网络和图自编码器等，被广泛的应用于计算机视觉、自然语言处理(nlp)、生物医疗、金融和交通网络等领域。
技术实现思路
1、本专利技术的目的在于，针对基于时序数据的图神经网络预测模型大多应用于交通流量数据，路口与路口之间的距离常作为邻接矩阵的表示，这是因为距离与车流量、车速之间存在着较大的联系。但对于sdn流量数据而言，节点间距离对于流量速度影响微乎其微，因此这样的方法并不适用于sdn网络流量数据。单一的图神经网络在流量数据的预测问题中，时序特征往往会随着空间特征提取的增强而被削弱，从而降低sdn流量预测的准确率。
2、为解决上述技术问题，本专利技术提供一种基于图神经网络的sdn流量预测方法，是采用下述技术方案实现的：
3、一种基于图神经网络的sdn流量预测方法，包括以下步骤：
4、1)构建图生成层(gbl)。将互信息的概念引入特征提取，获取符合sdn流量数据的权重关系表示，更好地挖掘潜在空间关系；
5、2)将谱域gcn与门控cnn结合并将其应用在sdn网络流量预测中，它能够挖掘潜在的时空特征，以此来提升预测准确率保证有效性。
6、3)使用具有拓扑结构的数据集并在不同的模型下完成配置实验，比较结果得出本文提出的模型效果更好。
7、为此，本专利技术的一个目的在于提出一种基于图神经网络的sdn流量预测方法，通过构建图生成层(graph build layer，gbl)与时空卷积单元学习隐含的时空特征，首先将基于谱域的图卷积网络与门控卷积网络单元相结合，从而分别完成sdn网络流量序列时间和空间的特征提取工作；其次将互信息的思想融入图卷积网络，以此来提取网络拓扑中节点间的关系权重，也即流量中最独特的空间特征。其次在sdn控制器上进行部署，从而能够完成sdn流量的预测任务。
8、优选的，所述时空卷积网络包括3个部分，分别是图生成层、图卷积层与门控卷积层。将n个时刻的时间序列作为输入，首先经过gbl获取节点的权重表示，其次经由di-gcn模块的gcn单元进行空间特征提取，获取其结构与属性特征以及向量表示，由于高维度全局表示的时间序列涵盖信息量大、信息存在冗余和结构复杂多样，因此选择将带有空间特征的时间序列送入gated-conv门控卷积单元进行特征提取，最后经过全连接层输出预测结果。
9、在上述任意一项实施例中优选的，所述图生成层，通过在某段时间t内，对每个节点进行三个事件的概率统计，概率统计的三个事件分别为：a节点向b节点发送、b节点向a节点发送与节点a、b同时发送。将计算出的三个事件的熵分别作为互信息的联合概率分布h(x|y)和边际分布h(x)，从而得出节点间的互信息表达式i(x；y)，其次针对得到的两两节点间的互信息表达式i(x；y)，转化为n×n的权重关系表示uij，进而得到节点间的权重关系矩阵u，如公式(1)所示：
10、
11、其中，i(x；y)表示的是一个取值在[0，min(h(x)，h(y))]之间的函数，也即当两个节点隐含关系较大时，i(x；y)＝min(h(x)，h(y))；完全无关时，i(x；y)＝0。u为由i(x；y)的值组成的n×n的矩阵。
12、得到节点间的权重关系矩阵后，将其与邻接矩阵进行融合，将隐含的权重关系最大化，得到新的矩阵au，其次再进行图卷积单元的空间特征提取，au的定义如公式(2)所示：...
【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，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
6.如权利要求5所述的基于互信息的图生成层的构建方法，其特征在于，对得到的两两节点间的互信息表达式I(x；y)，转化为N×N的权重关系表示uij，进而得到节点间的权重关系矩阵U，如公式(3)所示：
7.如权利要求5所述的基于互信息的图生成层的构建方法，其特征在于，将其权重关系矩阵U与邻接矩阵A进行元素积运算，将隐含的权重关系最大化，得到新的矩阵AU，如公式(4)所示：
8.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，所述时间和空间的特征提取的建模包括建立图生成层、图卷积单元和门控卷积单元；具体步骤为：首先利用图生成层挖掘节点间潜在的关系属性得到权重关系矩阵AU，其次通过图卷积单元进行空间特征提取的建模得到f(X，AU)，然后将空间特征序列送入门控卷积单元提取时序特征，最后全连接层将特征序列合二为一并输出hl(X)，如公式(5)所示：
9.如权利要求1所述的一种SDN网络的控制器，其特征在于，部署有运行如权利要求1-8所述的基于图神经网络的SDN流量预测方法的应用。
...【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。