CN114826948A - 一种基于图卷积网络的sdn网络流量预测方法 - Google Patents

Abstract

本发明属于网络流量预测技术领域，具体的说是一种基于图卷积网络的SDN网络流量预测方法。本发明通过使用图卷积网络进行流量预测，将整体网络抽象为网络拓扑，网络节点抽象为图中的点、节点与节点连接的链路抽象为图中的边，更好的拟合网络的动态变化，有助于实现更加精准的网络流量预测。

Description

一种基于图卷积网络的SDN网络流量预测方法

技术领域

本发明属于网络流量预测技术领域，具体的说是一种基于图卷积网络的SDN网络流量预测方法。

背景技术

在新冠肺炎疫情防控常态化的大背景下，人们对网络的依赖程度加深，大数据行程码、外卖点餐、智能家居、线上网课等工作和生活的方方面面都离不开网络的稳定运行，一个网络节点或链路的故障会影响到千百万人的生活。如何能够提前预防大数据流量涌入或突发故障，保证网络环境的稳定性，成为当下亟需解决的问题。

对网络流量进行预测，可以全方位的对网络进行感知，能够很好的解决上述问题。通过对过去一段时间的网络流量进行分析和特征提取，有效获取流量的变化规律，并对未来一段时间链路和整体网络的运行状态做出预测，可以有效避免网络突发状况的发生。流量预测最能考验一个算法的运行速度和计算精度，在真实场景中具有极强的应用价值。

近年来对流量预测多使用深度学习模型，经过循环神经网络(Recurrent NeuralNetwork，RNN)、长短时记忆网络(Long Short-Term Memory，LSTM)、门控循环单元(GatedRecurrent Unit，GRU)等模型的改进，流量预测的精度突飞猛进。但是RNN及其变种模型自始至终都存在一个共性的问题，就是这些模型只考虑了时间特征，而忽略了空间特征。现有流量预测模型已经较为成熟，但关注重点在于时间序列模型的改进算法，对提高预测精度和降低误差的改进较小。

图是一种数据形式，在通信网络、电力传输、交通网络、人体循环网络中随处可见“图”的影子。图与通信网络本身就有着密不可分的关系，将图的思想运用于网络链路流量的预测，有着很强的合理性和可实现性。

传统的卷积神经网络(Convolutional Neural Network，CNN)只适用于欧氏空间，而网络拓扑是一个非欧氏空间，因此CNN不能处理网络拓扑的数据。而图卷积网络(GraphConvolutional Network，GCN)可以处理拓扑网络结构，提取顶点和顶点之间的空间特征。它的核心思想是，将图中的节点和边，转化为空间中的点和线，然后再进行节点分类、边分类、图分类等操作。GCN在图像处理领域表现良好，可以迁移在流量预测领域提取空间特征，对提高算法性能有着良好的效果。

发明内容

本发明的发明目的在于：图卷积网络针对当前网络流量的时间突发性和空间相关性，将时间特征和空间特征相结合，预测方向更加全面。用图表示节点间的连接关系，获取网络中每一时刻的数据权重、更好的拟合与前后时刻的关系。

本发明采用的基于图卷积网络的SDN网络流量预测方法的技术方案如下：

S1、数据处理：连续采样N个周期得到SDN网络各交换机之间的流量数据，得到流量矩阵X_t；获取SDN网络拓扑结构，抽象得到邻接矩阵A；将流量矩阵X_t作为训练集；在仿真中可采用流量矩阵X_t不少于80％的数据作为训练集，其余作为测试集。

S2、构建图卷积网络模型：确定输入层神经元的个数、各隐藏层神经元数量、完成输入到输出的映射，即根据前R个时刻的流量值预测后M个时刻的流量值。

S21、利用图的卷积获取交换机之间的连接关系：在图卷积网络的每一个隐藏层，图的卷积GC定义为节点信号和滤波器相乘，在傅里叶域可以参数化滤波器。对于邻接矩阵A中的任一点a，计算公式如下所示

g_θ·a＝Ug_θU^Ta

其中，g_θ表示滤波器，U是归一化拉普拉斯矩阵的特征矩阵，U^Ta是a的图傅里叶变换。

S22、对SDN网络中的每一条链路，按照顺序进行特征提取：

U_t是t时刻的更新门，用于控制前一时刻网络流量传入当前层的概率；R_t为t时刻的重置门，用于控制前一时刻的网络流量是否被忽略；C_t为存储单元，用于存储当前时刻t的信息。当前时刻的流量值X_t首先经过图卷积GC得到X_t'，然后与t-1时刻的隐藏层H_t-1结合，经过计算得到t时刻的隐藏层输出H_t。

各控制门输出的具体计算过程如下。

U_t＝δ(W_u[f(A,X_t),H_t-1]+b_u)

R_t＝δ(W_r[f(A,X_t),H_t-1]+b_r)

C_t＝tanh(W_c[f(A,X_t),(R_t·H_t-1)]+b_c)

H_t＝U_t·H_t-1+(1-U_t)·C_t

其中，f(A,X_t)表示图的卷积过程，W和b表示训练过程中的权重和偏差。

S23、对于图卷积网络t时刻的隐藏层输出H_t，使用多层感知器作为评分函数，经过Softmax函数标准化，计算每个隐藏状态的权重α_i；每个状态的权重α_i通过两个隐藏层获得，计算公式如下。

e_i＝w₍₂₎(w₍₁₎H+b₍₁₎)+b₍₂₎

其中w₍₁₎和b₍₁₎是第一层权重和偏差，w₍₂₎和b₍₂₎是第二层的权重和偏差。

对每个状态的权重α_i进行全连接，得到描述全局网络变化的上下文向量Y_t，Y_t即为输出层的输出结果，计算公式如下。

S3、模型训练：设定随机初始值对模型进行初始化，输入训练集对S2构建的模型进行训练，训练过程中不断更新各隐藏层的参数，并保存训练模型。

S4、获取SDN网络流量，将其输入到训练好的模型中获得预测结果。

本发明的有益效果为，本发明通过使用图卷积网络进行流量预测，将整体网络抽象为网络拓扑，网络节点抽象为图中的点、节点与节点连接的链路抽象为图中的边，更好的拟合网络的动态变化，有助于实现更加精准的网络流量预测。

附图说明

图1实施例拓扑图；

图2为基于图卷积网络模型的预测结果图；

图3为隐藏层数变化时图卷积网络模型性能图；

图4为学习率变化时图卷积网络模型性能图；

图5不同干扰下图卷积网络模型误差。

具体实施方式

下面结合附图和实施例，详细描述本发明的技术方法：

实施例

S1、获取样本数据集

本实施例使用ONOS作为网络控制器，采用Mininet作为网络仿真平台模拟SDN网络环境。采用的拓扑图共包含12台交换机、15台主机、15条单向链路、共计30条双向链路，如图1所示。其中s1和s2是主交换机，分别作为源地址和目的地址。a3s1～a3s10为区域内交换机。s1连接4台主机，其余交换机均连接一台主机。主机h1向h11一共发送四条业务，数据包分别为1.25Mbps、0.2Mbps、0.5Mbps和1.15Mbps。链路带宽统一设定为2Mbps。当前三个包发送后，链路负载达到1.95Mbps，接近带宽阈值。当第四个包发送后，明显超过阈值。业务流量设计为20个时间间隔，重复上述业务发送，获取业务发送过程中的流量。

S2、数据预处理

本实施例的拓扑共有30条链路，因此将流量转化为N*30的矩阵X_t，单位Mbps，X_t的某一列代表某条链路各个时刻的链路负载值，某一行代表某一个时刻各个链路的链路负载值。处理好的矩阵X_t作为link_load数据集。

S21、确定链路与序号：邻接矩阵能够反映链路之间有无连接，描述了邻接链路对当前链路的影响。实施例中使用的拓扑共用30条链路，首先需要确定链路的序号，如表1所示。

表1链路与序号对照表

S22、通过链路之间的连接关系确定邻接矩阵：确定好链路对应的序号后，根据链路之间有无连接，为邻接矩阵A＝arc[i][j]赋值，1表示有连接，0表示无连接。其中链路1-15的邻接矩阵如表2所示。链路16-30是链路1-15的反向链路，邻接关系相似。处理好的邻接矩阵A作为link_adj数据集。

表2链路1-15的邻接矩阵

S3、构建图卷积网络模型，进行训练和测试，得到预测结果

S31、读取link_load数据集和link_adj数据集；

S32、数据预处理，将读入的数据进行归一化和去噪处理；

S33、样本分割，选取80％作为训练集，20％作为测试集；

S34、初始化模型参数，指定初始的学习率、步长、隐藏层数等；

S35、使用训练集作为输入，开始进行模型训练；

S36、计算图卷积GC，得到f(A,X_t)；

S37、计算更新门U_t、重置门R_t、保存当前时刻信息C_t、生成每层的隐藏状态H_t，；

S38、计算每个隐藏状态的权重e_i、softmax标准化后生成各隐藏状态权重α_t，计算上下文向量Y_t，并输出结果；

S39、采用均方根误差(Root Mean Squard Error，RMSE)作为模型的损失函数，判断模型是否达到最佳效果；如果训练未完成，持续循环，更新隐藏状态H_t；

S310、训练完成，数据反归一化，计算误差，保存模型；

S311、使用测试集，调用模型，得到预测结果。

S4、预测结果验证：图卷积网络模型隐藏层数的初始值设为64，学***滑滤波器实现的，这个过程弱化了对突变数据的感知。

S5、模型性能评估：探究模型参数对模型性能的影响，使用和RMSE和平均绝对误差(Mean Absolute Error，MAE)作为模型优劣的量化指标。

S51、隐藏层数对模型性能的影响：将隐藏层数的取值范围规定在[8，16，32，64，80，100，128]内选取，图卷积网络模型的预测性能指标RMSE和MAE如图3所示。实验结果表明，隐藏层数在64时，误差最小。随着隐藏层数的增加，预测误差先降低，到达最低值后会由于参数***式增长而缓慢增加。

S52、学习率对模型性能的影响：确定学习率的取值大概范围，再逐步缩小取整范围。学习率取值分别为[0.001，0.005，0.01，0.05，0.1，1]。此时RMSE和MAE的变化很大，其中当学习率取0.01时，误差最小。因此进一步缩小范围再次实验，学习率取值分别为[0.01，0.02，0.03，0.04，0.05，0.06，0.07，0.08，0.09，0.1]。图卷积网络模型性能随学习率变化如图4所示。实验结果表明，学习率在0.03时，RMSE和MAE最小。

S53、噪声对模型性能的影响：为了更好的模拟真实环境，检验模型的稳健性，对模型加入噪声干扰。本实施例设置的噪声服从高斯分布N∈(0,δ²)，并对噪声进行归一化处理。对参数δ的取值为[0.2，0.4，0.6，0.8]。A3T-GCN模型的性能指标RMSE、MAE如图5所示。实验结果表明，不同噪声下，图卷积网络模型的各种性能指标变化不大，验证了模型的稳健性。

综上，本发明对基于图卷积网络的SDN网络流量预测的从多个角度的性能进行实验，验证了模型可以有效的获取空间特征和时间特征。针对网络流量的时间突发性和空间相关性，模型具有一定的预测精度和稳健性。

Claims (1)

1.一种基于图卷积网络的SDN网络流量预测方法，其特征在于，包括以下步骤：

S1、连续采样N个周期得到SDN网络各交换机之间的流量数据，得到流量矩阵X_t；获取SDN网络拓扑结构，抽象得到邻接矩阵A；将流量矩阵X_t作为训练集；

S2、构建图卷积网络模型：确定输入层神经元的个数、各隐藏层神经元数量、完成输入到输出的映射，即根据前R个时刻的流量值预测后M个时刻的流量值，具体包括：

S21、利用图的卷积获取交换机之间的连接关系：在图卷积网络的每一个隐藏层，图的卷积GC定义为节点信号和滤波器相乘，在傅里叶域参数化滤波器；对于邻接矩阵A中的任一点a，计算方式为：

g_θ·a＝Ug_θU^Ta

其中，g_θ表示滤波器，U是归一化拉普拉斯矩阵的特征矩阵，U^Ta是a的图傅里叶变换；

S22、对SDN网络中的每一条链路，按照顺序进行特征提取：

定义U_t是t时刻的更新门，用于控制前一时刻网络流量传入当前层的概率；定义R_t为t时刻的重置门，用于控制前一时刻的网络流量是否被忽略；定义C_t为存储单元，用于存储当前时刻t的信息；令当前时刻的流量值X_t首先经过图卷积GC得到X_t'，然后与t-1时刻的隐藏层H_t-1结合，经过计算得到t时刻的隐藏层输出H_t；

各控制门输出的具体计算方式为：

U_t＝δ(W_u[f(A,X_t),H_t-1]+b_u)

R_t＝δ(W_r[f(A,X_t),H_t-1]+b_r)

C_t＝tanh(W_c[f(A,X_t),(R_t·H_t-1)]+b_c)

H_t＝U_t·H_t-1+(1-U_t)·C_t

其中，f(A,X_t)表示图的卷积过程，W和b表示训练过程中的权重和偏差，下标用于区分对应的不同控制门；

S23、对图卷积网络t时刻的隐藏层输出H_t，使用多层感知器作为评分函数，经过Softmax函数标准化，计算每个隐藏状态的权重α_i；每个状态的权重α_i通过两个隐藏层获得，计算方式为：

e_i＝w₍₂₎(w₍₁₎H+b₍₁₎)+b₍₂₎

其中w₍₁₎和b₍₁₎是第一层权重和偏差，w₍₂₎和b₍₂₎是第二层的权重和偏差；

对每个状态的权重α_i进行全连接，得到描述全局网络变化的上下文向量Y_t，Y_t即为输出层的输出结果，计算方式为：

S3、模型训练：设定随机初始值对模型进行初始化，输入训练集对S2构建的模型进行训练，训练过程中不断更新各隐藏层的参数，得到训练好的模型；

S4、获取SDN网络流量，将其输入到训练好的模型中获得预测结果。

Images