摘 要

网络数据流量的指数型增长在不断影响着网络性能和用户体验，因此需要有效的网络控制和管理方案来疏导和路由流量。结合弹性光网络（Elastic Optical Networks, EON）和IP层实现多层IP-over-EON且进行集中式管理实现跨层编排，在网络发生故障时基于未来流量预测结果计算出多层恢复方案能够有效解决上述问题。因此，智能网络管控系统中需要流量预测模块，流量预测需基于神经网络来实现，而神经网络极易受攻击，攻击神经网络使其产生与真实值偏差极大的预测结果能直接影响网络多层恢复方案的计算及网络性能。因此本文研究并设计了准确预测网络流量的模型并对其进行攻击，添加干扰制造对抗样本实现了攻击，并分析了攻击效果。

本文的主要研究工作如下：

1. 在研究分析IP-over-EON网络结构的基础上，对流量预测辅助跨层编排系统模块进行建模，明确流量预测结果对网络多层恢复方案计算及网络拥塞概率、资源利用率的影响。
2. 对基于深度学习的网络流量预测器进行了设计，搭建神经网络模型编写代码完成模型训练，调节参数对比分析最终确定流量预测模型。
3. 研究攻击方法，针对流量预测模型的输入样本添加干扰以制作对抗样本实现攻击，并量化干扰大小与攻击效果并进行对比分析，最终得出结论：能够对准确率高的流量预测模型实现攻击，使其准确率变低、流量趋势改变，从而能影响多层恢复方案的计算及网络性能。

关键词：深度学习；流量预测；对抗样本；多层恢复；神经网络

Abstract

The exponential growth of network data traffic continues to affect network performance and user experience, effective network control and management schemes required to groom and route traffic. Combining elastic optical network (EON) and IP layer to realize multi-layer IP-over EON and centralized management to achieve cross-layer orchestration, calculate multi-layer restoration scheme based on future traffic prediction data when network failure happened can effectively solve the above problems. The prediction of network traffic needs to be based on the neural network, and the neural network is vulnerable to adversarial sampels. Attacking the neural network resulting in a prediction result that deviates greatly from the true value can directly affect the multi-layer recovery scheme and network performance. Therefore, this paper studies and designs a model to accurately predict network traffic and attack it. Add interference to craft adversarial sampels in order to implement an attack and analyze the attack effect.

The main work of this paper is as follows:

(1) Based on the analysis of the IP-over-EON network structure, the traffic prediction auxiliary cross-layer programming system module is modeled, and the impact of traffic prediction on multi-layer restoration scheme and network congestion probability is clarified.

(2) Designing a network traffic predictor based on deep learning, constructing a neural network model and code it to accomplish model training. Determine the traffic prediction model by adjusting network parameters and comparing predicted results.

(3) Research the attack method and realize attack by adding interference to the input samples of the traffic prediction model to craft adversarial samples. Quantify the interference size and attack effect and compare and analyze it. Finally, it is concluded that the traffic prediction model even with high accuracy can still be attacked,which lead to smaller accuracy and different traffic trace,and affect the multi-layer restoration scheme and network performance.

Key Words: Deep learning；Traffic prediction；Adversarial samples；Multi-layer restoration；Neural network

目 录

摘要 I

Abstract II

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 2

1.3 论文研究内容及结构安排 3

第2章 流量预测辅助跨层编排系统建模 4

2.1 SD-IPoEON网络模型 4

2.2 流量预测辅助模块设计 5

2.3 基于流量预测的多层恢复方案 6

2.4 本章小结 8

第3章 基于深度学习的网络流量预测模块设计 9

3.1流量数据的采集及分析 9

3.2 长短期记忆网络基本原理 10

3.3 神经网络的结构及参数设置 13

3.3.1 神经网络构建及训练 13

3.3.2 输入及输出样本大小 16

3.3.3 神经网络参数确定 18

3.4 预测结果分析 19

3.6 本章小结 21

第4章 针对流量预测模块的攻击方法研究 22

4.1 攻击目标 22

4.2 攻击能力 24

4.3 经验尝试法 25

4.3.1 逐点遍历 26

4.3.2 寻找敏感点 31

4.4 重组输入样本法 33

4.5 本章小结 36

第5章 总结与展望 37

5.1 工作总结 37

5.2 研究展望 37

参考文献 38

致谢 40

第1章 绪论

1.1 研究背景及意义

近几十年来，分布式科学计算、物联网和大数据分析等新兴网络服务的兴起，推动了网络流量不仅在数量上呈现指数级增长，而且变得越来越突发和动态^[1]。网络流量的飙升给网络性能和用户体验带来极大影响。为了正确解决这个问题，我们需要一种灵活的网络架构^[2]，以自适应地将底层光网络中的频谱资源分配到光路以支持IP流量，且需要有效的网络控制和管理方案来疏导和路由IP流，优化网络性能。

目前，通过利用弹性光网络^[3,4]（Elastic Optical Network，EON）的技术进步，合理地结合IP和EON技术实现多层的IP-over-EON，可以满足上述的第一个要求，因为EON能够实现灵活的频谱分配。而对于第二个要求，我们需要集中式机制来管理IP层和EON层实现跨层编排^[2]（cross-layer orchestration，XLyr-O）。如果我们分别管理IP层和EON层，当通过光路进行路由分组时很难平衡EON层中的频谱利用和IP层中的分组丢失，所以需要利用软件定义网络^[5]（Software Defined Network，SDN）来帮助集中式管理IP层和EON层，促进跨层编排，这样才能实现有效的网络控制和管理方案。具体来说，可以通过构建软件定义的IP-over-EON和使用集中式SDN控制器管理IP层中的分组交换机和EON层中的带宽可变转发器和带宽可变光交叉连接来实现跨层编排。

在基于软件定义的IP-over-EON，即SD-IPoEON，集中控制器不仅协调EON层中的光路作为逻辑链路来连接IP层中的交换机，它还通过分组交换机和逻辑链路引导IP流，以进行流量疏导和IP路由。针对SD-IPoEON网络，为了优化网络性能，很多研究提出并解决了多层保护^[6]问题，即预先在IP层和光网络层中分配冗余资源以进行故障恢复。但是，这样的专用保护方案将导致IP层和光层中的资源利用率较低；更重要的是，这些多层保护方案都基于关于故障模式的某些假设，它忽略了同时故障的可能性。因此，除了多层保护之外，还应该研究多层恢复^[7]（Multi Layer Restoration，MLR）机制，其不保留资源但在发生故障时计算出恢复方案。近段时间已有很多研究均考虑了在SD-IPoEON实现跨层编排的算法，并且实验演示证实了SD-IPoEON在多层恢复方面的优势^[8]。但是，他们假设每个IP流的带宽要求是固定的，或者只是根据当前流量统计计算多层恢复方案，然而由于流量的高度动态和突发性，这些被动的方法无法避免服务供应方案与未来的流量需求之间频繁的不匹配，例如，如果我们在繁忙的光路上重新培养高度丰富的IP流，即使当前状态不会指示任何带宽不足，也可能在未来发生拥塞。

因此，如果我们根据未来的流量计算MLR方案，能够有效缓解上述问题^[9]。利用准确的流量预测结果计算MLR方案实现主动的跨层编排，可以很好的平衡光路利用率、拥塞概率和重配置频率，对整个网络意义非凡。

从以上分析得出，智能网络管控系统中，需要有流量预测模块，流量预测准确度直接影响网络决策。一旦预测结果出现极大误差，反馈给网络中与未来真实流量趋势不符的信息，就可能导致网络中不合理的路径分配，造成网络重配置频繁、资源利用率低或网络拥塞等后果。网络流量预测技术基于神经网络的，神经网络具有易受攻击性^[10,11]，为了网络性能和网络安全的考虑，我们首先应该站在攻击者的角度实现一次对网络流量预测模型的攻击并研究清楚攻击的机制，有助于网络运营商有针对性的研究对策；研究能否用不被检测到的尽可能小的干扰去攻击神经网络预测模型，使其产生攻击者期望达到的预测误差，也是未来安全、合理、有效的优化网络性能的基础。

1.2 国内外研究现状

针对利用未来流量预测结果实现多层恢复方案的研究，已有文献[12-15]的工作讨论了如何使用流量预测结果来用于网络优化的想法，但却没有具体给出流量预测模型及基于流量预测结果的网络优化方案。针对网络流量预测，现在对于网络流量的预测模型比较少，都是一些比较传统的数学模型，虽然数学理论基础比较成熟，但预测效果不够理想，预测准确度不高^[16-17]，而我们需要一个准确率高的网络流量预测模型。而在深度学习领域，神经网络经常被用于进行预测问题且准确率高 ^[18]，基于长短期记忆（Long-Short-Time-Memory，LSTM）神经网络的预测模型在进行交通流量预测^[19]时展现出极高的性能。LSTM神经网络具有能够学习的长期依赖的能力^[20]，LSTM网络能够在更长的时间跨度内捕获时间序列的特征，基于LSTM网络或基于改进的LSTM网络进行预测的方法较为常见，比如文献[4]中的电力信息网络预测、智能交通体系中的交通流量预测，但将LSTM等神经网络运用于网络流量的预测的模型很少且不完善。因此，基于深度学习搭建出一个准确预测网络流量的模型是本文的主要工作之一。

针对于一个神经网络的攻击，国外目前已有一些研究，如文献[21][22]是面向于神经网络的攻击及防御。不过这些对神经网络的攻击方法研究主要是针对于分类器的相关神经网络，主要是面向实现分类功能的神经网络模型，攻击者制造对抗样本导致错误分类，寻找一个最小的干扰来实现在不被检测到的情况下的成功攻击。该类攻击方法的实现、对抗样本的构造、防御方法均有涉及。然而，上述均是针对于分类功能的相关神经网络的研究，如文献[11]中针对的均是进行图像识别的非循环是深度神经网络，攻击目标是使其进行错误分类，如将数字“9”识别为数字“5”，将一个小汽车识别为一只猫。而本次课题中，研究的对象是基于LSTM神经网络的网络流量预测模型，和上述的人工神经网络相比结构上有了很大的变化^[23-25]，网络结构变得更加复杂。本次课题，需要在完成第一项准确预测的工作的基础上，通过控制输入样本对数据加入较小的扰动，实现对神经网络的攻击，即使是原本预测较为准确的神经网络，也会产生误差较大的预测结果。如果能搭建出进行网络流量预测的神经网络并且能实现良好的攻击效果，也可以为未来的防御等进一步的研究打好基础。

1.3 论文研究内容及结构安排

本文分为五章，具体内容和结构如下：

第1章为绪论，阐述了本次毕业论文的研究背景和研究意义，并分析总结了国内外研究现状，最后说明了论文的主要研究内容。

第2章为流量预测辅助跨层编排（XLyr-O）系统的建模。文章首先对IP-over-EON网络结构进行了介绍，接着对流量辅助跨层编排系统模块进行了建模，将流量预测器放置在网络的控制平面中并针对流量预测模块辅助跨层编排系统的整体架构进行了研究与设计，最终分析了流量预测模块对整个系统的影响，即网络如何利用流量预测结果来计算MLR方案实现跨层编排，影响网络性能。

第3章为基于深度学习的网络流量预测模块的设计。主要针对基于神经网络的流量预测器进行了设计。首先设计好神经网络的结构并定义好训练集，测试集，选取了多组参数进行训练并对不同参数下的预测结果进行对比，最终确定神经网络的网络结构和参数大小并对预测结果进行了详细分析。

第4章为针对流量预测模块的攻击方法研究。主要针对第3章的流量预测模块，对输入样本添加干扰制作对抗样本实现攻击。主要介绍了经验尝试法和重组输入样本法两种方法，对比分析了不同攻击方式下的攻击效果，证明可以实现对高准确度的流量预测模块的攻击。

第5章为全文总结，本章在总结了本次毕业设计所完成的工作的同时，提出了进一步的研究展望。

第2章 流量预测辅助跨层编排系统建模

本论文中的流量预测模块是为了辅助SD-IPoEON进行跨层编排（cross-layer orchestration，XLyr-O），需要放在整个网络框架中进行设计。具体的建模过程将在第2章主要介绍。

2.1 SD-IPoEON网络模型

如图2.1所示，软件定义的IP-over-EON（SD-IPoEON）的数据平面由两层组成。弹性光网络（Elastic Optical Network，EON）层由几个通过双向光纤链路互连的带宽可变的光交叉连接器（Bandwidth-variable optical cross-connect，BV-OXC）构建。EON的拓扑可以表示为图G_o（V_o，E_o），其中V_o和E_o分别表示BV-OXC和光纤链路的集合。根据控制平面中集中控制器的指令，每个BV-OXC可以透明地将光路的光谱从输入端口切换到所需的输出端口。因此，控制器可以设置，重新配置和拆除EON中的光路以适应IP流量。

图2.1 IP-over-EON网络结构

IP层中的交换机也由控制平面控制。每个交换机与底层BV-OXC共同定位，并通过几个带宽可变转发器（Bandwidth-variable transponders，BV-Ts）连接到它，每个BV-T可以产生或终止光路的光信号。因此，如果两个交换机的BV-Ts之间存在光路，则它们直接与IP层中的逻辑链路连接。因此，IP层也可以被建模为图G（V，E），其中V是交换机组，E表示互连V中的交换机的逻辑链路的集合。具体来说，如果存在逻辑链路（v，u）∈E和BV-OXC中v_o和u_o与交换机v和u共同定位，则EON层中必须有一条光路，其中以v_o和u_o为结束节点。注意，光路的容量取决于其两个BV-T的能力和传输质量^[2]。因此，在这项工作中，我们假设每个BV-T可以支持一组线路速率，并且每个线路速率在传输质量约束下具有最大传输范围。同时，由于每个开关上的BV-T通常是有限的并且因此是宝贵的，我们还假设当必须建立新的光路时，XLyr-O系统总是使用光路传输距离允许的最高线速率。

2.2 流量预测辅助模块设计

如图2.2所示，基于深度学习（Deep Learning，DL）的流量预测辅助XLyr-O系统模块放在控制平面中，以协调IP层和EON层中的网元，以实现SD-IPoEON中的智能服务配置。其中，监控器定期收集IP层中的流量矩阵，监控器将收集到的流量矩阵发送到流量数据库中，流量数据库将其记录在数据表格中，每个数据表格对应于一个流，实际上每个流是一个聚合的流，它在IP层中的交换机之间建立许多IP流。因此，每个流上的流量是高度动态的，以特定的模式波动，并持续相当长的时间段。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：