龍 霏,余 錚,劉 芬,馮 浩,代蕩蕩

(國網(wǎng)湖北省電力有限公司 信息通信公司,武漢 430077)

1 引言

隨著互聯(lián)網(wǎng)規(guī)模的不斷擴大,各種接入設(shè)備和相關(guān)的數(shù)據(jù)類型也日益繁雜,傳統(tǒng)IP 網(wǎng)絡(luò)的管理方法已經(jīng)無法滿足大量新型應(yīng)用服務(wù)對設(shè)備快速部署與技術(shù)實時更新的需求,同時網(wǎng)絡(luò)管理者在面對網(wǎng)絡(luò)資源的合理化配置等任務(wù)時也遇到了較大的困難,這些問題都極大地增加了新技術(shù)的應(yīng)用成本.軟件定義網(wǎng)絡(luò)SDN(Software Defined Network)技術(shù)改變了傳統(tǒng)IP 網(wǎng)絡(luò)的四層協(xié)議體系,將數(shù)據(jù)傳輸與網(wǎng)絡(luò)控制兩個主要環(huán)節(jié)相互解耦[1],從而使得用戶可以通過控制層提供的統(tǒng)一且便捷的管理工具,以全局化的視角實現(xiàn)對分布式網(wǎng)絡(luò)的集中調(diào)控,并依據(jù)自身需求靈活的配置各類網(wǎng)絡(luò)資源,顯著地提高了大規(guī)模網(wǎng)絡(luò)的運維管理水平[2].作為全類型網(wǎng)絡(luò)管理的關(guān)鍵依據(jù),網(wǎng)絡(luò)流量的特征及變化規(guī)律同樣也成為了SDN 技術(shù)研究的熱點,因此針對IP 網(wǎng)絡(luò)流量預(yù)測技術(shù)進行改進,設(shè)計一款符合SDN 網(wǎng)絡(luò)流量特征的、精確度高的網(wǎng)絡(luò)流量預(yù)測模型,以幫助網(wǎng)絡(luò)應(yīng)用開發(fā)人員更準確地分析SDN 網(wǎng)絡(luò)性能波動狀態(tài)和優(yōu)化網(wǎng)絡(luò)資源配置,具有重要的理論意義和應(yīng)用價值.

目前針對網(wǎng)絡(luò)流量進行預(yù)測的方法很多,基本可分為兩個主要類型,第1 類是以時間序列法為核心,即根據(jù)網(wǎng)絡(luò)流量在歷史時間序列中的變化規(guī)律預(yù)測下一個有限時間間隔內(nèi)的變化趨勢,如王逸兮等人提出采用同點時間序列構(gòu)建檢測模型,提高了網(wǎng)絡(luò)性能異常的檢出率[3],Auld 等人則設(shè)計了一套網(wǎng)絡(luò)流量信息的規(guī)范化預(yù)處理算法,有效地控制了預(yù)測模型的計算規(guī)模[4];葉德忠等人提出構(gòu)建馬爾可夫時變模型來完成針對網(wǎng)絡(luò)流量信息挖掘工作,降低了預(yù)測誤差[5]等.這一類模型對于傳統(tǒng)IP 網(wǎng)絡(luò)流量的監(jiān)測效果較好,但對于具備長相關(guān)性特征的SDN 網(wǎng)絡(luò)數(shù)據(jù)流的預(yù)測精度則不太理想[6].第2 類方法是以神經(jīng)網(wǎng)絡(luò)等智能算法為核心構(gòu)建網(wǎng)絡(luò)流量預(yù)測模型,如李曉方等人提出對源-目的流(OD 流)數(shù)據(jù)進行降維,并以Elman 神經(jīng)網(wǎng)絡(luò)對低維度樣本進行訓(xùn)練,從而發(fā)揮了SDN 網(wǎng)絡(luò)可實現(xiàn)精確測量數(shù)據(jù)流的優(yōu)勢[7];NAREJOS 等人提出通過構(gòu)建深層神經(jīng)網(wǎng)絡(luò)的方式提高對樣本群的訓(xùn)練質(zhì)量,提高了預(yù)測精度,但算法的空間復(fù)雜度也大幅上升[8].神經(jīng)網(wǎng)絡(luò)存在一些固有的缺陷,如對訓(xùn)練樣本要求過高,對待有限的樣本群時,缺乏足夠的泛化能力;網(wǎng)絡(luò)結(jié)構(gòu)無法動態(tài)調(diào)整,訓(xùn)練時間過長;神經(jīng)元規(guī)?？煽匦圆?極易陷入“維數(shù)災(zāi)”難題等[9].

支持向量機(SVM)作為一種基于統(tǒng)計學(xué)習(xí)理論的人工智能算法,具有良好的泛化能力與非線性處理能力[10],近年來在樣本群分型與模式識別領(lǐng)域得到廣泛的應(yīng)用.如王鳴提出采用小波技術(shù)結(jié)合SVM 構(gòu)建流量預(yù)測模型,良好地控制了計算規(guī)模,提升了預(yù)測模型的執(zhí)行效率[11].但根據(jù)目前的研究成果來看,與傳統(tǒng)IP 網(wǎng)絡(luò)相比,SDN 網(wǎng)絡(luò)流量的特征呈現(xiàn)出更為突出的混沌性、時變性和自相似性,這使得SVM 技術(shù)必須在非線性混沌理論的輔助下,方可通過數(shù)學(xué)建模來描述復(fù)雜的網(wǎng)絡(luò)流量變化規(guī)律.因此本文提出采用混沌理論中的多維相空間重構(gòu)技術(shù)對SDN 網(wǎng)絡(luò)流量數(shù)據(jù)進行預(yù)處理,構(gòu)建相空間中的樣本矩陣,隨后采用改進后的粒子群算法(PSO)對最小二乘支持向量機(LSSVM)中的關(guān)鍵參數(shù)進行優(yōu)化,有效的提高了LSSVM的運算效率,并構(gòu)建針對網(wǎng)絡(luò)流量變化趨勢的預(yù)測模型,對SDN 網(wǎng)絡(luò)流量樣本群進行訓(xùn)練.通過仿真實驗證明,該模型與其他同類模型相比,在合理控制計算復(fù)雜度的條件下,表現(xiàn)出了更高的預(yù)測精度和誤差控制能力.

2 基于混沌理論的相空間重構(gòu)

相空間重構(gòu)理論由Takens 等人提出,該理論將多維狀態(tài)空間中任一點的變化規(guī)律視為與之產(chǎn)生關(guān)聯(lián)的其它點變化的綜合影響,因此可構(gòu)建相對時間序列.該序列中的任一點在起始時間點上的值設(shè)為基值,而在空間中其他延遲坐標點上的值則作為新維來處理.隨著起始時間點的推移,不斷構(gòu)建出新的子序列,就可通過監(jiān)測空間中各個時間點變化規(guī)律的方式,完整的構(gòu)建出系統(tǒng)的動態(tài)模型[12].

假設(shè)混沌時間序列為x={x|xi,i=1,2,3,···,N},N為時間序列長度,采用時延τ和嵌入維m將其重構(gòu),可得到:

設(shè)系統(tǒng)動力學(xué)維數(shù)為d,Takens 同樣證明了若嵌入維m能夠滿足m≥2d+1,則該模型與原系統(tǒng)可視為在拓撲意義上等價.雖然Takens 在其證明過程中給出了嵌入維的計算方法,但其前提是時間序列無限長,且樣本空間處于無干擾的理想狀態(tài),這顯然與網(wǎng)絡(luò)流量的特征不符[13],因此本文提出采用C-C 方法對m和τ這兩個關(guān)鍵參數(shù)進行選取,按照以上設(shè)定,可將嵌入序列的關(guān)聯(lián)積分通過式(2)表達:

由此可將檢驗統(tǒng)計量表達為:

對上式進行分塊平均,可得到:

當N→∞時,可將上式簡化為:

當處于時間序列無限長且各元素之間不相關(guān)的理想條件下時,若m和τ為定值,則對于?r,均有S2(m,r,τ)=0成立.但對于網(wǎng)絡(luò)流量的樣本空間而言,其時間序列長度必然是有限的,且元素之間存在復(fù)雜的關(guān)聯(lián),因此S2(m,r,τ)～τ明顯呈現(xiàn)出了時延的自相關(guān)性,按照混沌理論求解相空間中最佳時延 τd的方法,可知:

確定了最佳重構(gòu)時延τ后,即可逆向推導(dǎo)得到嵌入維m的最佳值,并完成時間序列在多維相空間中的重構(gòu).

3 基于改進PSO 算法的LSSVM的優(yōu)化

3.1 最小二乘支持向量機LSSVM

支持向量機(SVM)具有良好的泛化能力,但對于一個新的樣本群進行訓(xùn)練時,其計算復(fù)雜度高成為了一個很難克服的問題,這就導(dǎo)致了當面對以時間序列構(gòu)建的大規(guī)模SDN 網(wǎng)絡(luò)流量樣本群時,SVM的執(zhí)行效率會大幅降低,從而嚴重地影響了預(yù)測模型的實時性能[14].Este A 等人提出采用最小二乘法對SVM 進行改進,引入誤差平方和替代SVM中的損失函數(shù),通過非線性映射函數(shù)φ(x)將低維空間中的平面分類問題轉(zhuǎn)化為高維空間的線性方程組求解問題,從而有效地降低了原算法的復(fù)雜度[15].

對于一個記錄了輸入量xi和輸出量yi的網(wǎng)絡(luò)流量樣本群D={(xi,yi)|i=1,2,···,n},使用φ(x)構(gòu)建最小二乘支持向量機(LSSVM)的回歸函數(shù):

式中,w表示高維特征空間采用的權(quán)值向量,b為預(yù)設(shè)的偏置常數(shù).

參照支持向量機理論,可采用式(9)中列出的回歸模型求解上述回歸函數(shù),有:

該模型使用的正則化方法非常有助于提高模型的泛化能力,γ為正則化參數(shù),ei為輸出量與回歸函數(shù)結(jié)果間的誤差.再引入Lagrange 函數(shù)將式(9)轉(zhuǎn)化更易求解的對偶空間優(yōu)化模型:

式中,αi∈R為Lagrange 乘子.經(jīng)過多類函數(shù)的對比分析后,選取RBF 函數(shù)為LSSVM的核函數(shù),設(shè)其函數(shù)寬度為σ,可將其表達為:

對式(10)中的L(w,b,η,α)求偏導(dǎo),消除其它待求變量,并引入式(11)核函數(shù),可最終將其簡化為針對αi和b的求解函數(shù):

3.2 基于改進PSO 算法的參數(shù)尋優(yōu)

LSSVM 模型的擬合能力主要依賴正則化參數(shù)γ和核函數(shù)寬度值σ的選取質(zhì)量,其中γ影響了模型的擬合精度與泛化能力,σ則直接決定了模型的計算量與執(zhí)行效率[16,17].目前通常采用的選取方法有網(wǎng)絡(luò)搜索算法和遺傳算法等,前者的計算規(guī)模龐大,算法實時性差,后者則容易陷入局部極值陷阱問題,本文提出采用改進粒子群算法實現(xiàn)對LSSVM 模型參數(shù)(γ,σ)的組合優(yōu)化,取得了較好的參數(shù)尋優(yōu)質(zhì)量.

粒子群算法(PSO)針對群體內(nèi)的每個粒子的位置與速度進行跟蹤和調(diào)整,從而實現(xiàn)對整個群體的優(yōu)化效果[18].假設(shè)采用d維向量對以上兩種狀態(tài)分別進行描述,則有zi=(zi1,zi2,···,zid),vi=(vi1,vi2,···,vid),而經(jīng)過調(diào)整后得到該粒子最佳位置記為pi=(pi1,pi2,···,pid),最終整個群體的最佳位置記為ps=(ps1,ps2,···,psd).在PSO 算法的k輪迭代過程中,對群體中的每個粒子均采用式(13)進行狀態(tài)參數(shù)的調(diào)整.

式中,ω為慣性權(quán)重,c1和c2為PSO 算法采用的學(xué)習(xí)因子,用以調(diào)節(jié)個體粒子的變化量對群體狀態(tài)造成的影響,r1和r2是為了避免算法陷入局部最優(yōu)而設(shè)定的隨機數(shù).傳統(tǒng)方法設(shè)定ω、c1和c2多是根據(jù)歷史數(shù)據(jù)驗算求得,之后定期調(diào)整更新,這導(dǎo)致尋得的參數(shù)往往滯后于網(wǎng)絡(luò)流量的變化現(xiàn)狀,因此本文提出采用自適應(yīng)方法,在算法執(zhí)行過程中,動態(tài)的調(diào)整粒子搜索性能,從而提高算法的擬合度,首先ω的計算方法為:

式中,f為當前粒子個體的適應(yīng)度,fmin和favg分別為整個群體中適應(yīng)度的最小值和平均值.c1和c2的最佳取值則與迭代次數(shù)k密切相關(guān),并隨著k的增加而分別呈現(xiàn)出遞增和遞減趨勢,因此可采用針對k的單調(diào)函數(shù)來完成每一輪次c1和c2的動態(tài)調(diào)整.

式中,Kmax為設(shè)定的最大迭代次數(shù).在改進PSO算法執(zhí)行的每個輪次,均自適應(yīng)的采用以上方法確定ω、c1和c2,從而可完成對LSSVM 參數(shù)組合(γ,σ)的尋優(yōu)工作.

對參數(shù)尋優(yōu)效果進行分析,首先,根據(jù)式(13)可以看出,c1和c2兩個學(xué)習(xí)因子屬于加速參數(shù)類型,決定了個體粒子分別向個體最佳位置pi與 群體最佳位置ps的移動速度,顯然,過高的c1會使得粒子個體快速掠過pi所在區(qū)域,繼而導(dǎo)致粒子適應(yīng)度的大幅波動,并最終使尋得的參數(shù)偏離最優(yōu)解[19];當c1不斷減小時,算法漏掉最佳位置的概率也隨之降低,但與此同時,算法的收斂過程也會相應(yīng)的延長,導(dǎo)致優(yōu)化效率的下降.c2則相反,由于群體最佳位置ps的相對固定特征,使得較大的c2會導(dǎo)致算法在確定粒子移動方向時耗費過多資源,而較小的c2又 會降低粒子抵達ps區(qū)域的速度,增加算法收斂時間.改進后的算法在引入了動態(tài)調(diào)節(jié)機制之后,c1隨著迭代次數(shù)的增加而減小,確保粒子個體能夠捕捉到個體最佳位置,而c2在算法執(zhí)行的初期取較小值,在快速確定了ps的方向后,c2隨迭代次數(shù)不斷增大,有效提高算法的收斂性能.

慣性權(quán)重參數(shù)ω的作用是幫助粒子個體構(gòu)建全局搜索能力,對ω進行合理的調(diào)節(jié),將有效的影響算法在全局搜索和局部搜索兩方面?zhèn)戎貎A向[20],若式(13)中缺少了第一項 ωvid,則算法將只能搜索有限范圍,其結(jié)果往往會出現(xiàn)局部最優(yōu)問題;若式(13)中去除與c1和c2相關(guān)的后兩項,則此時粒子以初速度v0開始移動.對ω的作用進行獨立分析,可分為以下3 種情況:

1)ω=1,此時粒子將保持初速度,以原方向做勻速移動;

2)0<ω<1,此時粒子速度會從初速度開始,隨著ω的減小而迅速降低至0;

3)ω>1,則粒子的速度不斷增大,直至達到最大速度vmax.

以上3 種情況均會對算法造成極大的干擾,粒子個體將會出現(xiàn)加速度恒定和移動方向固定等問題,因此當失去了加速參數(shù)c1和c2帶來的調(diào)節(jié)效果后,單純依賴慣性權(quán)重ω是無法實現(xiàn)對參數(shù)的可靠尋優(yōu)的.若單獨保留c1項,則算法過程等價于多個粒子個體的獨立搜索,參數(shù)尋優(yōu)性能將大幅度下降;若單獨保留c2項,則算法僅具備群體搜索模式,雖然可開辟新的解空間,但對復(fù)雜度稍高的問題,算法很容易收斂于局部極值,從而造成較大的偏差.針對以上分析,本文提出在ω的設(shè)定范圍內(nèi),采用自適應(yīng)算法實現(xiàn)對ω的動態(tài)調(diào)節(jié)目標,既在算法執(zhí)行的初期有效地促進了全局搜索能力,提高了收斂速度,又在后期保障了局部搜索性能,改善了算法收斂精度,對于LSSVM 關(guān)鍵參數(shù)γ,σ的尋優(yōu)工作起到了顯著的改進效果.

4 SDN 網(wǎng)絡(luò)流量預(yù)測模型的構(gòu)建與仿真

4.1 預(yù)測模型的構(gòu)建與算法流程設(shè)計

在引入了改進PSO 算法之后,采用實數(shù)編碼將(γ,σ)組成一個粒子,隨后結(jié)合式(9)至式(12)的推導(dǎo)過程,構(gòu)建出優(yōu)化后的預(yù)測模型,如式(16)所示:

適應(yīng)度函數(shù)取預(yù)測值與真實值之間的誤差總和,即:

其中,yi為當前樣本預(yù)測值,而為對應(yīng)樣本的真實值.算法流程如圖1所示.

圖1 預(yù)測算法執(zhí)行流程

對算法各主要環(huán)節(jié)描述如下:

Step 1.采集SDN 網(wǎng)絡(luò)流量歷史數(shù)據(jù),構(gòu)建時間序列的樣本群,并采用C-C 算法獲取最佳的嵌入維和重構(gòu)時延,在此基礎(chǔ)上完成對原樣本群的相空間重構(gòu),得到規(guī)范化的數(shù)據(jù)序列;

Step 2.對PSO 算法執(zhí)行初始化操作,確定樣本群規(guī)模、迭代輪次數(shù)、粒子初始狀態(tài)(位置zi、速度vi)、個體最佳位置pi、群體最佳位置pg以及ω、c1和c2等關(guān)鍵參數(shù)的初值,完成參數(shù)尋優(yōu)的準備工作;

Step 3.將(γ,σ)參數(shù)組成粒子個體,并采用隨機取值法構(gòu)建初代粒子群體;

Step 4.根據(jù)式(17)計算群體中粒子個體的適應(yīng)度,調(diào)整本輪次中ω、c1和c2的取值,根據(jù)式(13)更新個體粒子的zi與vi,產(chǎn)生本輪次的粒子群體,并計算出新群體的pi和pg;

Step 5.依據(jù)適應(yīng)度值判斷參數(shù)尋優(yōu)目標是否完成,若達要求則將本輪次尋得的最優(yōu)粒子取出,按照實數(shù)編碼規(guī)則解析出對應(yīng)的(γ,σ)作為LSSVM的優(yōu)化參數(shù),否則返回Step 4,進入下一輪次的迭代訓(xùn)練;

Step 6.利用求得的參數(shù)和重構(gòu)的訓(xùn)練樣本對LSSVM進行求解,構(gòu)建網(wǎng)絡(luò)流量預(yù)測模型,并使用驗證樣本群進行對照分析,輸出最終的預(yù)測結(jié)果.

4.2 實驗設(shè)計與結(jié)果分析

在數(shù)據(jù)樣本的選擇上,采用在美國Abilene 網(wǎng)絡(luò)上采集到的真實數(shù)據(jù)展開仿真實驗分析.該數(shù)據(jù)集匯聚了一個包括30 條鏈路在內(nèi)的SDN-IP 混合網(wǎng)絡(luò)中的流量信息,其中SDN-OD 流46 條,IP-OD 流為108 條,數(shù)據(jù)采樣周期為5 min,選擇其中1000 條流量數(shù)據(jù),前800 條數(shù)據(jù)作為訓(xùn)練樣本群,后200 條作為驗證樣本群,其中部分樣本信息如圖2所示.

圖2 實驗流量數(shù)據(jù)樣本

本次仿真實驗共分為兩組,分別為1 步預(yù)測仿真和3 步預(yù)測仿真.首先對樣本群進行相空間重構(gòu),采用CC 法對流量樣本進行處理,求得最優(yōu)的重構(gòu)時延τ=2,嵌入維m=10,完成重構(gòu)后將前800 條樣本輸入LSSVM訓(xùn)練,并采用改進PSO 算法進行參數(shù)尋優(yōu).得到最優(yōu)參數(shù)為:γ=102.83,σ=1.35,最終構(gòu)建針對SDN 網(wǎng)絡(luò)流量的預(yù)測模型.在經(jīng)過前800 條樣本的訓(xùn)練后,對后200 條驗證樣本進行預(yù)測對比,其中1 步預(yù)測實驗結(jié)果如圖3所示.

觀察圖3(a)中預(yù)測結(jié)果跟蹤曲線可以發(fā)現(xiàn),在1 步預(yù)測仿真實驗中,基于改進PSO-LSSVM的預(yù)測模型表現(xiàn)出了良好的預(yù)測精度,各預(yù)測值與真實值擬合程度高,預(yù)測結(jié)果跟蹤曲線與真實流量變化曲線基本重合,證明該模型很好地模擬了SDN 網(wǎng)絡(luò)流量所具備的周期性和非線性變化特征,具有可靠的泛化性能;從圖3(b)中可以看出,預(yù)測結(jié)果的偏差十分穩(wěn)定,且均在狹小范圍內(nèi)波動.在200 次的預(yù)測結(jié)果與真實數(shù)據(jù)的比對中,167 次預(yù)測結(jié)果的相對誤差小于6 MB,其中更有94 次相對誤差小于2 MB,而誤差超過8 MB 僅有9 次,且所有預(yù)測誤差均在10 MB 以內(nèi),預(yù)測結(jié)果表現(xiàn)出了良好的精確性和穩(wěn)定性.

圖3 SDN 網(wǎng)絡(luò)流量1 步預(yù)測實驗結(jié)果

網(wǎng)絡(luò)流量預(yù)測模型需要真實反映網(wǎng)絡(luò)流量變化規(guī)律,其預(yù)測精度越高、提前量越大,模型應(yīng)用價值就越高.1 步預(yù)測僅能對時間序列中下一個臨近點的流量進行預(yù)測,并不能客觀的驗證模型的預(yù)測性能[21],為了進一步考察本模型在網(wǎng)絡(luò)流量多步預(yù)測方面的表現(xiàn),設(shè)計了3 步預(yù)測仿真實驗,其結(jié)果如圖4所示.

觀察圖4(a)可以發(fā)現(xiàn),在增加了預(yù)測提前量之后,模型對SDN 網(wǎng)絡(luò)流量變化的擬合性能有了一定程度的下降,且圖4(b)中的預(yù)測偏差也有所增大,但預(yù)測質(zhì)量整體上仍處于良好水平,其中154 次預(yù)測相對誤差在20 MB以內(nèi),僅有4 次超過40 MB,其中1 次達到了最高的50.13 MB.從整體來看,誤差波動范圍穩(wěn)定,基本控制在10%以內(nèi),預(yù)測曲線與實際流量曲線的波動方向吻合,能夠在實際應(yīng)用過程中對網(wǎng)絡(luò)流量監(jiān)控工作提供可靠的參考.

圖4 SDN 網(wǎng)絡(luò)流量3 步預(yù)測實驗結(jié)果

為了對比分析預(yù)測模型的運行質(zhì)量,同時選取了BP 神經(jīng)網(wǎng)絡(luò)(BPNN)、自回歸滑動平均(ARIMA)和基于遺傳算法的最小二乘支持向量機(GA-LSSVM)三種預(yù)測模型參與實驗,并選取相對平均誤差(MPAE)和均方根誤差(RMSE)兩種指標對預(yù)測結(jié)果進行評價,其計算公式分別為:

使用以上3 種網(wǎng)絡(luò)流量預(yù)測模型對同組樣本進行預(yù)測,并將統(tǒng)計結(jié)果與本文提出的改進PSO-LSSVM模型的預(yù)測結(jié)果進行對比分析,其統(tǒng)計結(jié)果如表1所示.

表1 多模型預(yù)測結(jié)果統(tǒng)計信息

對比4 種模型對SDN 網(wǎng)絡(luò)流量的預(yù)測統(tǒng)計數(shù)據(jù)可以看出,相較于BPNN 模型和ARIME 模型,改進后的PSO-LSSVM 模型在1 步與3 步預(yù)測仿真實驗中表現(xiàn)出明顯優(yōu)勢,其預(yù)測結(jié)果的擬合精度和誤差控制水平均大幅領(lǐng)先,這也證明了基于最小二乘向量機LSSVM技術(shù)構(gòu)建的預(yù)測模型具有更好的泛化性能,尤其適合針對大規(guī)模樣本群體的分析與處理場合;而與采用了同類型技術(shù)的GA-LSSVM 模型相比,本模型1 步預(yù)測的質(zhì)量依舊明顯領(lǐng)先于前者,這說明改進后的PSO 算法對慣性權(quán)重和學(xué)習(xí)因子實施自適應(yīng)動態(tài)調(diào)節(jié)后,顯著地提高了粒子的全局搜索能力,更有效的避免了局部極值問題,從而獲得了比遺傳算法更加突出的參數(shù)尋優(yōu)效果.在3 步預(yù)測仿真實驗中,本模型表現(xiàn)出的優(yōu)勢雖有所減少,但仍要優(yōu)于GA-LSSVM 模型,這表明隨著預(yù)測步數(shù)(即預(yù)測提前量)的增加,SDN 網(wǎng)絡(luò)流量的非線性和時變特征對模型構(gòu)成的干擾效應(yīng)會持續(xù)放大,從而導(dǎo)致所有模型的預(yù)測質(zhì)量均會下降,彼此之間的表現(xiàn)差異也會相對縮小,這一規(guī)律在其余兩種模型的預(yù)測結(jié)果中也得到了充分的體現(xiàn).

5 結(jié)束語

本文針對SDN 網(wǎng)絡(luò)流量預(yù)測問題展開研究,首先提出對SDN 網(wǎng)絡(luò)流量時間序列進行混沌處理,實現(xiàn)在多維相空間中的重構(gòu),減少了網(wǎng)絡(luò)流量的復(fù)雜性特征對預(yù)測模型造成的負面影響;隨后采用自適應(yīng)方法對PSO 算法中的慣性權(quán)重及學(xué)習(xí)因子進行動態(tài)調(diào)整,顯著改善了該算法的參數(shù)尋優(yōu)能力,并將其引入到LSSVM中,最終構(gòu)建出SDN 網(wǎng)絡(luò)流量預(yù)測模型.通過仿真實驗證明,該模型與其他3 種經(jīng)典預(yù)測模型相比,在預(yù)測精度和誤差控制等方面具有明顯的優(yōu)勢,應(yīng)用前景十分廣泛.