[發明專利]一種基于深度學習的網絡流類型預測方法

有效

• 申請號: 201810528250.0
• 申請日: 2018-05-29
• 公開（公告）號: CN108712292B
• 公開（公告）日: 2021-04-02
• 發明（設計）人: 劉外喜;蔡君;陳慶春
• 申請（專利權）人: 廣州大學
• 主分類號: H04L12/24
• 分類號: H04L12/24;H04L12/26;G06N3/08;G06N3/04
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌;裘暉

1.一種基于深度學習的網絡流類型預測方法，其特征在于，采用“邊緣預分類+中心精分類”的多級預測方案，即，先預分類再精分類，分別在網絡邊緣的SDN交換機、SDN控制器上構建進行預分類、精分類的深度學習模型，具體為：

選擇流的聯合特征，所述流的聯合特征包括：流的時間分布特征、流的實時大小特征、報文頭部特征以及套接字特征；

采用常用的REINFORCE算法，控制器端的模型訓練模塊訓練好深度學習模型，并將模型參數發送到各交換機；

更新訓練數據集；每一個流結束后可根據其全部的流量特征來確認流類型，進而獲得新的流類型的標簽數據，其被反饋加入到原訓練數據集進而形成新的訓練數據集；確認流類型的方法是：當一個流的速度θT₁或流的持續時間βT₂，則被判別為大象流，否則為老鼠流，其中T₁和T₂是判別門限值；其中，θ是以bit/s為單位，β是指一個流在結束時的持續時間，以秒(s)為單位；即，θ＝L₁/β，其中L₁是指一個流在結束時，它的所有報文的大小的總和，單位是bit；

模型訓練模塊定期地利用新的訓練數據集訓練深度學習模型，其周期為C，以確保預測模型能夠適應于實時變化的流量特征，改善預測準確度，周期C可根據實際流量變化情況來確定；

其中，通過網絡功能虛擬化NFV技術，利用SDN網絡中各交換機計算資源以及鏈路構建分布式的深度學習網絡，來作為預分類模型所需的硬件資源，而SDN控制器則作為精分類模型所需的硬件資源；其中，每個交換機貢獻小部分資源實現該分布式深度學習網絡中若干神經元的計算功能，神經元通過交換機的鏈路彼此連接。

2.根據權利要求1所述基于深度學習的網絡流類型預測方法，其特征在于，包括下述步驟：

(1)構建訓練數據集，所述訓練數據集用于流類型預測的深度學習模型的訓練；

(2)模型訓練模塊包括兩個子模塊，一個是為控制器訓練的精分類模型；另一個是為各交換機訓練的預分類模型；

(3)網絡狀態模塊按照抽樣周期采集網絡狀態，采集方法是INT技術，抽樣周期可依據網絡狀況調節；

(4)當一個新的流的報文到達交換機后，嵌在交換機內的預分類模塊根據報文的總長度、IP協議類型、IP頭部的分片標志MF、目的端口這4個特征將疑似的大象流篩選出來，其他的為老鼠流；

(5)那些疑似大象流的報文的總長度、IP協議類型、服務類型、IP頭部的分片標志MF、源端口、目的端口、流的實時速度、流的實時持續時間、發送端套接字緩沖區大小、接收端套接字緩沖區大小這10個特征值被發送到控制器的精分類模塊，精分類模型根據這10個特征判斷為大象流或老鼠流。

3.根據權利要求1所述基于深度學習的網絡流類型預測方法，其特征在于，

所述流的時間分布特征是指一個流內的報文到達的時間間隔分布；

所述流的實時大小特征是指流的實時速度θ_r和流的實時持續時間β_r；其中，θ_r是指一個流在截止到統計時的速度，以bit/s為單位，β_r是指一個流在截止到統計時的持續時間，以秒(s)為單位，即，θ_r＝L/β_r，其中L是指在截止到統計時，一個流所有報文的大小的總和，單位是bit；所以，流的實時大小＝流的實時速度*流的實時持續時間；

所述報文頭部特征是指報文的總長度、IP協議類型、服務類型、IP頭部的分片標志MF、源端口、目的端口；

所述套接字特征是指發送端套接字緩沖區大小、接收端套接字緩沖區大小。