[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

说明书

本发明属于网络流量预测领域，具体涉及一种基于模糊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，该方法包括：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；对平稳时间序列分量进行处理，得到高频段和低频段的幅值信号；采用模糊C均值算法对高低频段的幅值信号进行聚类；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聚类后的分量进行预测；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；本发明通过利用模糊C均值算法，引入隶属度机制，依据时序分量的幅频特性将其分为高频低幅分量、中频中幅分量、低频高幅分量三种类型，为后续分类预测提供精确的预测。

技术领域

本发明属于网络流量预测领域，具体涉及一种基于模糊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。

背景技术

软件定义网络(SDN)已经逐渐成为目前网络界的一个新兴产业，它的主要思想是将原本属于网络交换机和路由器中的控制平面与数据平面分离开来，实现真正的转发与数据分离。相比传统SNMP网络分布式测量系统的复杂性，SDN网络可以实现对网络流量数据的集中监控，而对网络流量进行预测也是提高其服务质量、保障其服务安全的重要途径之一。传统流量预测方式主要是将流量数据整合为一个流量的时间序列，即将流量预测问题规划成基于时间序列的预测问题。时间序列预测主要是根据历史时间序列数据预测未来一段时间的时序状态和发展趋势，通过该方法可以提前展开相关工作部署或制定方案应对预测数据中可能出现的异常情况。通常，时间序列预测分析较比于长期预测来说对于近、短期预测的效果更为显著，因为如果将预测时间点拉长到更远的未来，可能会出现很大的局限性，从而导致预测值与实际值偏差较大而使得对一些决策产生误判。

绝大部分网络流量时间序列数据都会有非平稳的趋势，鉴于时间序列预测依赖于时间序列的平稳性，因此需要先采取适当方法对非平稳流量数据进行分解，以获取平稳序列后再进行下一步分析。Tan等引入多尺度小波变换将非平稳时序信号转化为多层相对稳定的分解序列，然后混合ARMA模型和ARFIMA模型对近似层和细节层数据分别进行预测分析，具有较高的网络流量预测精度，但该方法没有对分解分量的幅频特性进行有效分析。最小二乘支持向量机(LSSVM)是在二次损失函数下SVM的一种特殊形式，只对线性方程进行求解并且求解非常迅速。在LSSVM中，尽管样本数据原本很复杂，维数也不同，但很容易将数据分离，并通过核函数将对应的数据映射到高维空间中，因此在时间序列预测中应用非常广泛；朱倩雨等提出了一种结合经验模式分解(EMD)和粒子群(PSO)优化最小二乘支持向量机的流量预测模型，通过EMD将流量序列分解平稳化后再利用PSO对LSSVM预测模型参数进行优化，最终有效提高模型的预测精度，但仅使用一类核函数进行预测分析，并没有考虑各分解分量对不同核函数的适应性。

综上所述，急需一种不仅能对分解分量的幅频特性进行有效分析，而且还能采用多类核函数进行分析预测的SDN网络流程控制方法。

发明内容

为解决以上现有技术存在的问题，本发明提出了一种基于模糊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，该方法包括：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。

优选的，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)