[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

本發明公開了一種基于深度學習的網絡流類型預測方法，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；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的分布式的深度學習網絡作為預分類模型所需的硬件資源，而SDN控制器作為精分類模型所需的硬件資源；預分類模型采用4個聯合特征，精分類模型采用10個聯合特征。本發明采用多級預測方案既可以減少交換機到控制器的通信開銷，也可以減輕控制器的負載；使用膠囊網絡方法實現盡早預測；同時，定期地利用自主更新的訓練數據集訓練深度學習模型，改善預測準確度。

技術領域

本發明屬于互聯網數據處理的技術領域，特別涉及一種基于深度學習的網絡流類型預測方法。

背景技術

研究表明，數據中心網絡中流的大小和長度表現出大象流和老鼠流的分化特性：大象流數量占比小于1％，流量占比大于90％；相反，老鼠流數量占比超過99％，流量占比不超過10％。而且，老鼠流持續時間極短，絕大部分不超過100ms。在軟件定義的數據中心網絡中SDN控制器需要頻繁地為老鼠流制定流表，流表從制定到下發的存在周期很短，效率會很低；同時，海量老鼠流對SDN控制器資源(如可用安全控制信道等)的消耗也會抑制控制器對大象流的優化控制。如果采取“抓大放小”的策略實現流量優化，即，SDN控制器只為大象流調度，則可大大減少控制開銷，但流大小和長度在調度之前無法得知，錯誤的調度則會導致各鏈路負載不均衡。所以，準確地預測流類型進而實現路由與流量特征的自適應是解決此矛盾的關鍵。然而，當前很多方法僅通過門限值來識別大象流，而忽略了流的持續時間以及對資源的真實需求。

發明內容

本發明的主要目的在于克服現有技術的缺點與不足，提供一種基于深度學習的網絡流類型預測方法，利用深度學習對流的時間分布特征、流的實時大小特征、報文頭部特征、套接字特征等4個維度數據的聯合特征進行分析，實現流類型的預測。

為了達到上述目的，本發明采用以下技術方案：

本發明一種基于深度學習的網絡流類型預測方法，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；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。

作為優選的技術方案，包括下述步驟：

(1)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；

(2)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；

(3)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；

(4)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；

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

(6)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；