研究现状分析：

随着通信网络技术及业务的迅猛发展,通信网络的用户数量以及用户对业务的流量需求急剧增加,但网络部署复杂、网络架构垂直且封闭以及电信业务总量与收入不匹配等诸多问题使得当今的网络面临着巨大挑战。软件定义网络(Software Defined Network,SDN)架构的出现和发展极大地推进了通信网络架构的演进。在基于SDN的网络中,控制面和数据面分离,不再是紧耦合模型,使得网络更为灵活且可扩展性更好。分布式SDN架构是物理上分布、逻辑上集中的SDN架构的实现,作为SDN范式的一个重要架构模型,能够适用于大规模网络,且在控制功能上更为稳定可靠具有弹性,因此引起了国内外研究界和工业界的极大关注^【6】。

SDN促进了通信网络的创新，通过可编程性以及系统地集中网络控制平面数据简化网络管理。这两大特点对于未来网络至关重要。然而这两大功能同时也将网络推上了安全风险的风口浪尖。例如，SDN控制器升级或改变了数据传输组件中的数据流规则。控制信息可以很容易地被识别，使得其在网络中成为一个可视的实体，成为阻断服务攻击的最优对象。另外，当整个网络攻击达到饱和，网络控制的集中化也会使控制遇到瓶颈。通过可编程化，所有网络功能都可以通过SDN应用执行。如果恶意软件被授权通道或者关键的APIs（application programminginterfaces应用程序编程接口）被暴露于非规划内的软件中，那么整个网络可能会经历一场浩劫^【6，7】。当前的SDN架构（如OpenFlow）需要数据转发元件存储传输流量请求，在未来控制中心升级流量传输规则后就不必要了。因此，如果传输元件只有有限的资源来缓冲未经请求的流量，那么数据层元件可能遭受饱和攻击的威胁。更重要的是，这种对于控制中心的依赖性需要控制数据平面通道，对于安全攻击具有一定的弹性，而不是像目前安全协议的选择性使用以及在规模较大的网络中长时间的修复工作。剩余的或者多个控制中心可以解决控制中心可获得性的问题，也可以增加对于安全性攻击的弹性。然而，传输元件的配置错误或者多个控制中心引起的内部组件间的冲突将阻碍全网络的安全策略的加强^【8，14】。

机器学习的目标是在一定网络结构的基础上建立数学 模型，选择相应的学习方法和训练方法，学习输入数据的 数据结构和内部模式，不断调整网络参数。通过数学工具 预测反馈求解模型的优化，增强泛化能力，避免拟合过度。 机器学习算法主要是指通过数学和统计方法求解优化问题 的步骤和过程。机器学习是数据挖掘中的重要工具。然而，数据挖掘 不仅要研究，扩展，应用一些机器学习方法，还要通过许多非机器学习技术来解决数据仓库，大规模数据，数据噪 声等更多的实际问题。机器学习的范围也非常广泛。数据 挖掘中常用的方法通常是“从数据中学习”，但机器学习 不仅用于数据挖掘，还用于机器学习的一些子领域，如增强学习和自动控制等^【1】.

目的及意义：

大数据分析是现今最炙手可热的话题，其特征常用 5Vs 概括：庞大的数据集、多样性的数据源、飞速的生产速度、多维度的异构数据和深度的价值。大量的数据来自不同的数据源，例如物联网（Internet of Things, IoT）、社交网络以及科学研究数据，这些数据的数据量正呈指数形式增长。IDC（International Data Corporation）预测，在 2020 年，全球设备产生的数据量将从 2005 年的 130EB 增长到 40000EB，每两年将翻一番[。 利用数据分析模型从大量数据中挖掘出数据背后的规律，这些规律反映了网络的动态规律、用户的行为规律和设备的固件性质规律^【2】。研究者从数据背后获取具有理论上的见解和指导决策的方法，以此来更好的设计和规划 SDN 网络，SDN控制器也可以根据分析结果更好的管理网络设备和控制网络行为。如何挖掘 SDN网络的数据，如何通过数据动态分析和预测网络行为，如何动态控制调整网络的资源分配和数据传输来达到负载均衡和最大化资源利用率。机器学习作为数据分析的手段，在 SDN 中得到了广泛的利用^【8，10】。

2. 研究的基本内容与方案

研究（设计）的基本内容：