[发明专利]一种基于RBF神经网络的SDN流量预测方法

说明书

该发明公开了一种基于RBF神经网络的SDN流量预测方法，属于无线通信网络技术领域。本发明提出的基于RBF神经网络的SDN流量预测算法具有优良的非线性特性，特别适用于高度非线性系统的处理，通过研究历史数据记录来进行训练，一个经过适当训练的神经网络具有归纳全部数据的能力。其次，RBF神经网络具有灵活有效的学习方式，结构较其它神经网络来说，更加简单，学习速度更快。因此，RBF神经网络能够对复杂多变的网络流量进行更精确的预测。本发明利用POX和Mininet对所提出的算法进行仿真，仿真结果表明所提出的算法能准确预测SDN流量变化趋势，具有较好的预测性能与较低的预测误差。

技术领域

本发明属于无线通信网络技术领域，特别是涉及一种适用于网络的性能分析和网络规划方法。

背景技术

流量预测对于网络的性能分析和网络规划具有重要的意义。在传统的TCP/IP网络中，分布式的网络架构使得网络的灵活性和智能化不高，导致流量预测算法不能够很好的应用于工业中。软件定义网络(Software Defined Networking,SDN)作为一种新型的网络架构，具有控制平面与数据平面的解耦分离、开放的可编程接口以及逻辑集中式的控制等特征，使得SDN灵活性和智能化与传统网络相比有了较大地提高。因此，SDN的提出给流量预测算法的应用提供了一个很好的平台。而目前关于SDN的流量预测研究比较少，此外，由于SDN流量的动态变化和随机突发性，要进行准确预测是比较困难的。因此，提出准确且有效的SDN流量预测方法是非常重要的。

流量预测方法的研究是随着网络规模和网络应用的变化而不断变化的。其预测方法的发展经历了四个阶段：第一阶段，网络应用种类少，网络规模小，这一阶段主要是基于传统模型的流量预测研究。第二阶段，由于传统模型的局限性，即只具有短相关性，无法描述网络流量的长相关性。所以，提出了基于自相似模型的流量预测方法。第三阶段，网络规模的日益增大且自相似模型的参数计算过于复杂，导致自相似模型的预测性能下降，因此，提出了基于智能算法预测方法。第四阶段，随着网络规模的进一步扩大和网络应用种类的多样化，单一模型不能刻画流量的全部特性，提出了基于组合模型的流量预测方法。

传统网络中，流量预测是一个重要的研究方向。但是，传统网络是分布式的网络，不能够灵活地控制，网络的灵活性差、智能化程度低，这导致流量预测算法不能很好地应用于工业中。

正是在这一背景下，需要找到一种更加灵活高效的网络部署模式，以适应网络越来越灵活多变的需求，降低网络复杂性，并且能够加快网络创新的步伐。因此，软件定义网络的概念被提出并逐渐得到认可，其核心技术OpenFlow将控制层从网络设备中单独提取出来作为控制器。SDN具有控制平面与数据平面解耦、开放的可编程接口以及集中式的控制等特征，使得SDN灵活性和智能化较传统网络有了较大地提高。因此，它的提出给流量预测算法的应用提供了一个很好的平台。但是，目前关于SDN的流量预测研究还比较少。本发明利用抽样算法获取流计数器的统计信息，利用这些数据训练模型，建立准确的流量预测模型，从而准确有效地预测流量的变化趋势。

随着SDN的兴起，研究人员将研究重点从传统网络转移到SDN。因此，基于SDN的流量预测研究也受到了研究人员的广泛关注。在传统的TCP/IP网络中，分布式的网络架构使得网络的灵活性和智能化不高，导致流量预测不能够很好的应用。在SDN中，将控制层分离出来做成控制器，实现对数据层的集中控制。因此，流量预测算法的部署和应用在SDN中得到了很好的应用。

发明内容

针对现有技术存在的缺点，由于SDN流量的动态变化和随机突发性，要进行准确预测是比较困难的，一些模型在用于预测高可变性的网络流量时，它很难刻画大规模网络流量的复杂的非线性关系，在一定程度上影响模型的预测效果。本发明提出一种基于RBF神经网络的SDN流量预测方法。

本发明技术方案为一种基于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；