论文部分内容阅读
软件定义网络(Software-Defined Networking，SDN)作为一种新型的网络架构，实现了数据平面和控制平面解耦，解决了传统网络配置的复杂性问题，可以实现灵活的网络流量控制。随着SDN技术的快速发展，基于集中控制的负载均衡问题成为研究的热点，根据实时网络状态和流量特征设计合理的流量调度策略显得尤为重要。本文提出了一种基于SDN的流量预测与调度机制，运用SDN的集中控制优势监测网络流量信息，采用长短期记忆神经网络(Long Short-Term Memory,LSTM)预测下一时间段网络流量，并将流量预测与流量调度紧密结合，提高链路负载均衡水平、避免网络拥塞的发生。主要工作如下:
本文首先提出基于SDN的流量预测与调度机制的总体设计，包括流量监测、流量预测、流量调度等模块。流量监测模块周期性获取流量统计信息和端口统计信息，由流量统计信息可以得到源节点至目的节点流量信息矩阵，存储至历史流量信息文件，为流量预测机制提供数据依据;由端口统计信息可以计算得出端口流量速度和剩余带宽信息。流量预测模块实现流量预测机制，将源节点至目的节点流量数据看作时间序列，进行数据归一化处理、数据集划分和数据整形等操作后，构建与训练LSTM神经网络模型，对流量进行预测，并对其预测准确性进行评价。流量调度模块实现基于流量预测的调度机制，包括多条最短路径获取、链路剩余带宽计算、预留带宽计算、预测流量信息获取、最佳路径选择和预留带宽等过程。流量调度过程中将当前网络状态、路径剩余带宽和预留带宽等信息作为选择最佳路径的条件，选择路径后根据源节点至目的节点下一时间段有效预测值预留带宽，预留带宽可以周期性更新。
最后，本文采用Ryu控制器和Mininet网络仿真平台对基于SDN的流量预测与调度机制进行仿真实现，使用TensorFlow+Keras深度学习库和Statsmodels统计建模模块分别构建了LSTM模型和ARIMA模型，使用Abilence网络真实历史流量数据进行流量预测机制的仿真实验。为了验证本文提出的调度机制的有效性，本文基于Abilence网络拓扑对其进行了仿真实验。实验结果表明，本文设计的流量预测机制的平均绝对百分比误差为9.62％，低于对比算法，具有较高的预测准确率;本文设计的流量调度机制的链路利用率标准差均值为对比算法的30.56％，具有较好的负载均衡效果。
本文首先提出基于SDN的流量预测与调度机制的总体设计，包括流量监测、流量预测、流量调度等模块。流量监测模块周期性获取流量统计信息和端口统计信息，由流量统计信息可以得到源节点至目的节点流量信息矩阵，存储至历史流量信息文件，为流量预测机制提供数据依据;由端口统计信息可以计算得出端口流量速度和剩余带宽信息。流量预测模块实现流量预测机制，将源节点至目的节点流量数据看作时间序列，进行数据归一化处理、数据集划分和数据整形等操作后，构建与训练LSTM神经网络模型，对流量进行预测，并对其预测准确性进行评价。流量调度模块实现基于流量预测的调度机制，包括多条最短路径获取、链路剩余带宽计算、预留带宽计算、预测流量信息获取、最佳路径选择和预留带宽等过程。流量调度过程中将当前网络状态、路径剩余带宽和预留带宽等信息作为选择最佳路径的条件，选择路径后根据源节点至目的节点下一时间段有效预测值预留带宽，预留带宽可以周期性更新。
最后，本文采用Ryu控制器和Mininet网络仿真平台对基于SDN的流量预测与调度机制进行仿真实现，使用TensorFlow+Keras深度学习库和Statsmodels统计建模模块分别构建了LSTM模型和ARIMA模型，使用Abilence网络真实历史流量数据进行流量预测机制的仿真实验。为了验证本文提出的调度机制的有效性，本文基于Abilence网络拓扑对其进行了仿真实验。实验结果表明，本文设计的流量预测机制的平均绝对百分比误差为9.62％，低于对比算法，具有较高的预测准确率;本文设计的流量调度机制的链路利用率标准差均值为对比算法的30.56％，具有较好的负载均衡效果。