摘 要

SDN（软件定义网络）是一种新型网络架构，能够将控制逻辑从硬件设备分离出来，有助于高效管理网络流量。对网络流量进行预测是实现自由操控流量的第一步。本论文用mininet模拟真实环境中的流量，选择深度学习模型对数据进行训练，实现预测，并提出将预测结果反馈给SDN拓扑，通过操作流表使端口休眠以达到节能目的的构思。首先用虚拟机仿真拓扑，选择主机进行通信，并开启ryu控制器终端监控流量，采集得到12个小时的流量数据。对数据进行处理，分为训练集和测试集，通过归一化等操作，放入深度学习模型中训练，最后得到预测值与真实值的拟合曲线，经计算得误差较小。本文比较了几种经典的神经网络模型，最后采用了三层LSTM的网络结构，也被称为NTPNN模型，并在其中加入Dropout层，实验证明该模型预测效果较好。

关键词：软件定义网络；流量预测；NTPNN模型；深度学习

ABSTRACT

SDN is a new network architecture, which can separate control logic from hardware devices and help to manage network traffic efficiently. The prediction of network traffic is the first step to achieve free traffic control. In this paper, mininet is used to simulate the traffic in the real environment, and the ntpnn model is selected to train the data to realize the prediction. The prediction results are fed back to the SDN topology, and the port is dormant by operating the flow table to achieve the purpose of energy saving. Firstly, the virtual machine is used to simulate the topology, the host is selected to communicate, and another controller terminal is opened to monitor the traffic, and the traffic data of 12 hours is collected. The data are divided into training set and testing set. After normalization and other operations, the data are put into the deep learning model for training. Finally, the fitting curve between the predicted value and the real value is obtained, and the calculation error is small. In this paper, several classic neural network models are compared. Finally, the three-layer LSTM network structure is adopted, and dropout layer is added to it. The experiment shows that the prediction effect of this model is better.

Key words: Software Defined Network; Flow forecast; model; Deep learning

目录

第1章 绪论 1

1.1 研究目的及意义 1

1.2 研究进展 2

1.2.1 SDN研究历程 2

1.2.2 深度学习研究历程 2

1.2.3 网络流量预测模型研究历程 3

第2章 相关技术介绍 4

2.1 SDN技术 4

2.1.1 SDN架构 4

2.1.2 Openflow交换机 4

2.1.3 SDN控制器 5

2.2 深度学习技术 6

2.2.1 深度学习概念 6

2.2.2 深度学习常用模型 6

2.2.2.1 CNN 6

2.2.2.2 RNN 7

2.2.2.3 LSTM 8

第3章 流量数据的采集 10

3.1 采集策略 10

3.1.1 SNMP协议采集 10

3.1.2 sFlow技术采集 10

3.1.3 Ryu控制器采集 11

3.2 采集实验 11

3.2.1 实验环境 11

3.2.2 代码实现 11

第4章 基于LSTM模型的数据预测 17

4.1 模型构建 17

4.1.1 数据转换 17

4.1.2 框架选择 17

4.1.3 参数选择 18

4.2 数据预测 20

4.2.1 数据源 20

4.2.2 神经网络结构 21

4.2.3 代码实现 23

4.2.4 预测结果 25

第5章 节能策略构思 27

第6章 总结与反思 28

6.1 总结 28

6.2 反思 28

参考文献 29

致　　谢 31

1. 绪论
   1. 研究目的及意义

互联网时代让网络上的人们逐渐增多依赖，对网络质量也提出了更高的要求。现在网络问题备受重视，因为随着5g的兴起以及云计算、云应用等出现，大大占据了网络容量。日益增长的流量数据对于网络设备的性能提出了更高的要求，然而，仅仅通过提高设备的性能来解决当前网络中的问题是不现实的。目前存在的问题是流量分布不均匀，大流量地区设备经常发生故障甚至停机，稀疏流量地区设备经常闲置。在不改变传统的装置条件下，网络的容量总数是有限的，要想让传输过程不出差错且提高速度，就必需实现对流量的有效控制。

传统的网络流量资源管理工作都是在网络技术出现一些问题分析之后才由管理员处理，这种情况处理生活方式显然效率不高，但成本很高。一个企业高效的网络安全管理控制系统设计可以给网络管理员提供良好的信息来源，以便准确及时研究发现内部网络故障，将故障带来的损失降到最低。优化网络管理就离不开对流量的预测，而要预测流量的发展，除了硬件，软件也必不可少。采集真实流量之后，仿真一个合理模型并设定阈值，就可以去有效的控制流量的转发。通过流量分析的正确的技术方法和预测的未来发展趋势，网络流量状况得到了控制。

我们现在的互联网有各种各样的设备，这些设备可能来自不同的生产商，但是这些设备的调试方法、程序、硬件控制都不尽相同，这样就非常麻烦。这是传统的架构，但是现在随着互联网越来越发展，这个不足就越来越明显，那要应该怎样去解决这个问题呢？还是传统的手动去解决显然不可取。