[发明专利]一种基于RBF神经网络的SDN流量预测方法

摘要

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。

主权项

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。