引用本文：
刘月，张慧，蔡安亮，等. 基于自适应时空网络的SDN流量预测模型[J]. 光通信技术，2024，48（6）：34-39.
刘 月1，张 慧2，蔡安亮1，沈建华1*
（1.南京邮电大学 通信与信息工程学院，南京 210003；2.深圳赛柏特通信技术有限公司，广东 深圳 518000）
【下载PDF全文】 【下载Word】摘要：为了提高软件定义网络（SDN）流量预测的准确率，提出了一种基于自适应时空网络的SDN流量预测模型。该模型通过采用自适应图卷积神经网络来捕捉SDN流量的空间相关性，利用门控循环单元来捕捉时间上的变化趋势，并针对SDN流量的高度动态特性引入了自回归模块。实验结果表明，所提出的SDN流量预测方法相比现有的基线模型能够识别出更多的流量特征，同时表现出更优的预测性能。
关键词：软件定义网络；流量预测；自适应图卷积网络；门控循环；时空相关性
中图分类号：TN91 文献标志码：A 文章编号：1002-5561（2024）06-0034-06
DOI:10.13921/j.cnki.issn1002-5561.2024.06.007
全文阅读精要
研究背景与意义：
研究背景：网络流量预测是网络管理的关键任务，对于优化资源分配和异常检测至关重要。
研究意义：SDN架构的提出解决了传统网络架构在流量预测中的局限性，为更准确的流量预测提供了可能。
SDN流量预测的挑战：
挑战一：传统网络中设备仅能获取有限本地视图，流量信息收集不完整。
挑战二：SDN网络拓扑复杂且动态变化，节点间连接关系难以准确刻画。
挑战三：SDN流量具有高度动态性，非线性方法对输入数据尺度变化不敏感。
自适应时空网络（ASTNet）模型：
模型架构：结合自适应图卷积网络（捕捉空间相关性）和门控循环单元（捕捉时间相关性），并引入自回归模块处理局部突发性流量。
自适应图卷积模块：通过自适应邻接矩阵增强对SDN网络动态特性的表示能力。
GRU模块：利用门控机制提取流量数据的时间相关性。
自回归模块：捕捉流量数据中的线性特征，提高预测精度。
实验设计与验证：
数据集：采用GEANT真实网络数据集，包含23个节点和38条链路，统计了4个月内的流量数据。
评价指标：均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）。
基线模型：ARIMA、SVR、GRU、GCGRU。
实验结果：ASTNet模型在RMSE、MAE和MAPE指标上均优于基线模型，特别是在处理局部突发性流量时表现出色。
模型应用与未来展望：
应用场景：适用于SDN网络的流量预测，优化网络资源分配和异常检测。
未来展望：引入更多SDN流量相关特征，结合自注意力机制等方法进一步提高预测性能。