[发明专利]一种基于RBF神经网络的SDN流量预测方法

权利要求书

1.一种基于RBF神经网络的SDN流量预测方法，该方法包括：

步骤1：对SDN流量测量及抽样；

获取OpenFlow交换机中流表项中计数器存储的信息，得到抽样数据；所述计数器存储的信息记载着属于这条流的报文已经收到了多少个，以及收发分组数、收发字节数和查找次数；

步骤2：RBF神经网络初始化及数据预处理；

数据预处理为对步骤1得到的抽样数据进行归一化处理；

步骤3：RBF神经网络学习；

本发明采用了newrb函数，newrb创建的RBF神经网络是一个不断尝试的过程，在创建过程中不断地增加隐含层的数量和神经元的数目，直至满足设定的误差为止；

步骤4：滑动窗口预测；

设置滑动窗口，在采样得到的抽样数据上依次滑动，滑动窗口中的抽样数据为需要训练的数据；

步骤5：引入了均方误差MSE作为训练结束的衡量标准；

MSE是流量估计值和真值之差平方的期望值，可以评价数据的变化程度，MSE值越小，说明预测模型描述实验数据精确度越高；反之，预测精确度越低；

步骤6：反归一化处理；

保存数据并进行反归一化处理，得到网络流量的实际预测值。

2.如权利要求1所述的一种基于RBF神经网络的SDN流量预测方法，其特征在于所述步骤1中采用等时间间隔抽样方法或等数据包抽样方法对SDN流量进行抽样；

所述等时间间隔抽样方法的具体过程如下：

首先选择要测量的网络流，然后确定测量的网络流经过的网络路径，从而确定网络流经过的交换机；设置抽样周期，控制器定期向交换机发送FlowStatisticsRequest消息，交换机收到FlowStatisticsRequest消息，发送FlowStatisticsReply消息给控制器，然后利用获取的字节数除以抽样间隔，获得时间间隔内的平均信息传输速率；存储这些统计信息；

等时间间隔抽样方法的具体过程如下：

首先选择要测量的网络流，然后确定测量的网络流经过的网络路径，从而确定网络流经过的交换机；每当交换机计数器的数据包数增加固定数目100、500或1000时，将计数器的统计信息发给控制器，并启动定时器；等到下一个统计消息发上来时，计算时间，控制器利用数据包数除以两个统计消息获得控制器的时间间隔；最后存储这些统计信息。

3.如权利要求1所述的一种基于RBF神经网络的SDN流量预测方法，其特征在于所述步骤2的RBF神经网络初始化，具体过程如下：

首先我们要对神经网络参数进行初始化；最大训练次数为500，学习速率0.0005，动量因子为0.005中心向量，输出权值，输出偏移取[0,1]的随机数，扩展常数取[0.1,2.5]的随机数；

步骤2所述的数据预处理，具体过程如下：

x＝x_normal(x_max-x_min)+x_min (2)

其中，x_normal表示网络流量序列的归一化值，x_max和x_min分别表示网络流量序列的最大值和最小值，x表示归一化后网络流量序列。