面向科研专网的链路流量预测模型
当今科研活动已越来越依赖科研数据网络的高效传输,这对科研专网的链路资源规划和运行管理带来了更高要求.面向科研专网的实际需求建立链路流量预测模型能使网络运营者在SDN等先进控制转发技术辅助下更有效进行资源调度的快速决策.现有的预测方法未考虑当前网络流量更具多样化和更高复杂度的深层细粒度特征.通过改进LSTM模型,本文面向科研专网的管理需求提出了一种新型的链路流量预测模型,由自编码器AE、双向LSTM模型、单向LSTM模型和全连接层组成的AE-栈式混合LSTM模型,较大幅度提升了流量特征的提取能力,更好地挖掘不同时刻的数据特征之间前后依赖关系.本模型使用中国科技网CSTNet的全国骨干网真实生产环境中随机抽取的某一链路关联节点数据进行验证.实验结果证明本模型的预测结果符合流量真实变化趋势,且预测值与观测值之间的残差较小,能较好的拟合科研专网的现有流量.
科研专网;网络管理;链路流量;预测模型;机器学习;流量预测
31
2022-02-25（万方平台首次上网日期，不代表论文的发表时间）
共9页
48-56
