[发明专利]基于模糊C均值和混合核最小二乘支持向量机的SDN网络流程控制方法

权利要求书

1.一种基于模糊C均值和混合核最小二乘支持向量机的SDN网络流程控制方法，其特征在于，包括：获取非平稳SDN网络流量数据，采用离散小波变换将非平稳SDN网络流量数据转化为平稳时间序列分量；计算平稳时间序列分量的信号幅值，并采用快速傅里叶变换对信号幅值处理，得到高频段幅值信号和低频段幅值信号；采用模糊C均值算法对高频段幅值信号和低频段幅值信号进行聚类，得到高频低幅分量、中频中幅分量和低频高幅分量；采用优化的自适应混合核最小二乘支持向量机预测模型分别对高频低幅分量、中频中幅分量和低频高幅分量进行预测，得到各个分量的预测结果；将所有分量的预测结果进行重构，得到SDN网络数据流量的预测结果；根据预测结果SDN网络数据流量进行控制。

2.根据权利要求1所述的一种基于模糊C均值和混合核最小二乘支持向量机的SDN网络流程控制方法，其特征在于，采用离散小波变换将非平稳SDN网络流量数据转化为平稳时间序列分量的公式为：

A₀[s(t)]＝s(t)

其中，t为时间序号，s(t)为初始网络流量序列，i为分解尺度；H和G为小波分解的低通滤波器和高通滤波器；A_i和D_i分别是初始时间序列s(t)在第i层分解中得到的低频部分和高频部分的小波系数。

3.根据权利要求2所述的一种基于模糊C均值和混合核最小二乘支持向量机的SDN网络流程控制方法，其特征在于，确定分解尺度的过程包括：

步骤1：设置初始分解比例为N；

步骤2：根据初始分解比例对时序信号进行平稳化分解；

步骤3：确定第N+1个分量是否满足停止分解标准，若满足，则停止分别，否则增加分解比例后继续分解；停止分解标准为极值点数目是否为1或0。

4.根据权利要求1所述的一种基于模糊C均值和混合核最小二乘支持向量机的SDN网络流程控制方法，其特征在于，采用快速傅里叶变换对信号幅值处理的公式为：

k＝0,1,2,...,N-1

其中，x(n)表示分解分量序列，N表示序列个数，n表示样本点，x_even(n)表示分量中的偶数序列，x_odd(n)表示分量中奇数序列。

5.根据权利要求1所述的一种基于模糊C均值和混合核最小二乘支持向量机的SDN网络流程控制方法，其特征在于，采用模糊C均值算法对高频段幅值信号和低频段幅值信号进行聚类的过程包括：

步骤1：初始化分解分量信息和隶属矩阵；设置最大迭代次数和阈值ε；

步骤2：判断当前的迭代次数是否小于最大迭代次数，若小于，则计算分别高频段幅值信号和低频段幅值信号的隶属矩阵μ_ij；否则输出聚类结果和聚类中心；

步骤3：根据各类数据的隶属矩阵对聚类中心c_j进行更新；

步骤4：根据隶属矩阵和更新后的聚类中心计算数据价值函数的改变量；

步骤5：将数据价值函数的改变量与设置的阈值ε进行比较，若改变量下雨设定的阈值，则输出聚类结果和聚类中心，否则迭代次数加1后返回步骤S2。

6.根据权利要求1所述的一种基于模糊C均值和混合核最小二乘支持向量机的SDN网络流程控制方法，其特征在于，采用优化的自适应混合核最小二乘支持向量机预测模型分别对高频低幅分量、中频中幅分量和低频高幅分量进行预测的过程包括：针对各流量序列分量的不同幅频特性，对高频低幅分量构建高斯核(K_GAU)LSSVM预测模型，对中频中幅分量构建多项式核(K_POL)LSSVM预测模型，对低频高幅分量构建线性核(K_LIN)LSSVM预测模型来分别进行预测分析。