[发明专利]一种基于SMA-SVM的SDN链路连通性预测方法

说明书

本发明公开了一种基于SMA‑SVM的SDN链路连通性预测方法，包括：构建反映目标网络数据平面的链路连通向量；对目标SDN网络数据平面进行建模；构建目标SDN网络链路连通相似性向量；运用差分整合移动平均自回归模型ARIMA对网络链路连通相似性向量序列进行时间序列分析，提取链路连通相似性向量随时间的变化规律；利用黏菌优化算法SMA构建与优化网络链路连通器分类器；根据网络链路连通器分类器输出的预测值定位目标网络中脆弱链路与节点。本发明的方法能够在一定程度上提高基于SDN的网络链路连通性的预测精度，相较于其它链路预测方法，该方法具有准确性与稳定性更好的优点。

技术领域

本发明属于网络可靠性领域，特别是一种基于SMA-SVM的黏菌算法参数优化、SDN链路连通性预测方法。

背景技术

随着航天技术的发展，空间领域的竞争也日益激烈，天基网络因具有通信容量大、传输速率高以及覆盖范围广等优点，是下一代网络通信的研究方向。SDN技术因其更先进的网络架构理念而应用于天基网络中。由于太空复杂的辐射环境以及星载系统的移动性，SDN网络链路的可靠性面临巨大挑战，不可靠性对天基网络整体网络性能影响越来越大，链路节点的连通性作为网络最基本的可靠性指标，所以链路节点连通性的预测方法与研究尤为重要。

研究SDN网络链路节点连通性预测问题，可为SDN网络流量控制、路由选择、链路可靠性加固以及提高网络服务质量与灵活性等上层应用提供支持，为SDN网络在应对突发流量请求与链路负载压力时提供技术解决方案。近年来，针对网络链路预测的研究已经不胜枚举，例如针对城市路网的链路预测、基于社交网络的链路预测以及面向机会网络的链路预测等，虽然在不同的网络中已经有多种链路预测的相关研究，但对于SDN架构下的网络链路预测的研究目前还存在许多不足。如基于复杂网络的Psor链路预测算法，该算法综合节点自身核邻居节点的度，定义了节点的Psor指数和Psor相似性指标进行链路预测；还有一种基于Kshell分解与邻居节点度去噪的链路预测方法，该方法通过kshell分解对网络中所有节点进行重要性排序，然后从局部角度结合邻居节点的度对节点的重要性进行综合评判，最后利用优化后的网络数据进行链路预测，两种方法都是研究链路中节点之间的结构特点进行链路预测，而没有挖掘出不同节点之间的交互行为特征对链路预测的重要性。链路预测是一种估计网络节点之间未来形成链路概率的方法。目前有两类主流的链路预测方法。第一类是利用图的特点，使用局部与全局网络特征来网络中的实体，这一类方法中大多数都是输出相似性评估分数。第二类方法则利用与可用链接相关的信息创建网络表示，而这一类也被视为基于学习的问题。随着深度学习技术的发展，目前利用深度学习来研究链路预测问题是一个热门的研究方向。在基于学习的方法中，使用特征工程筛选出更好的特征数据，从而提升模型的训练效果。其中表征学习可以分为有监督、半监督与无监督学习。在有监督表示学习中，利用特定领域的知识进行特征工程。半监督表示学习中一部分利用特定领域知识进行标注学习，另一部分则通过算法来自动进行特征学习。无监督表示学习从无标签的数据中挖掘有效的特征或表示，主要用于监督学习的数据预处理或数据降维。

网络链路预测的目的是提升网络鲁棒性与可靠性，目前针对网络可靠性的研究主要关注网络的功能可靠性与组件可靠性，因为网络是一个复杂系统，故不能利用单一指标去衡量其可靠性。目前针对网络可靠性的研究中主流的研究框架为分层研究，研究方法有基于神经网络的可靠性研究、基于模糊理论的可靠性研究与基于生物种群的启发式算法等。当网络在运行期间，其状态可能会随着时间的推移根据其组件的状态的变化而变化。从可靠性的角度来看，部件状态的可靠性是基于一种特定的随机机制，而特定的网络应用也会从上层对网络整体可靠性产生影响，例如目前在云计算、大数据与移动流量的影响下，传统网络架构中产生海量且种类繁多的流量，这些数据流量很难用一般的方法来提取特征，从而对网络的可靠性预测产生冲击与挑战。