大容量接入网多业务承载及性能研究

摘要

随着当前接入网家庭网络业务中数据流量的快速增长，对于有限的网络资源，往往因为应用相互抢占资源而达不到实际承载效果。及时准确对网络中业务进行区分承载对于提升网络性能和保障业务服务质量等具有重要意义，家庭多业务承载已成为整个业务承载网络中的关键一环。 家庭网络中无线接入的业务流量具有数据量大、加密和数据包长度分布不均等特点，业务承载系统需要实时对其快速分类并进行流量控制。传统的业务承载设计主要根据设备MAC地址限定设备产生的流量，来提高承载性能。而通过对移动终端应用流量进行识别，业务承载系统能对具体业务类型的应用进行流量控制，不在局限于控制某个设备的流量，带宽控制下沉到应用侧。为保证数据流大的业务出现后获得更好的业务承载性能，本文分析了移动应用流量的时间特征和空间特征，基于树莓派搭建实验平台，建立了基于卷积神经网络（Convolutional Neural Network，CNN）和长短期记忆（Long Short-Term Memory，LSTM）网络的业务承载系统（Service Carrying System，SCS）。研究了移动终端应用在业务承载系统中的承载性能，具体研究工作及贡献包括： 1.研究了网络数据流的空间特征，基于CNN基本原理设计并构建了在树莓派平台上的CNN业务承载系统。通过该系统建立了CNN网络分类模型和实时流量控制模型，并设计了适用于CNN网络分类模型的训练数据集，同时分析了网络流长度、CNN网络模型参数对分类结果的影响及业务承载系统对实时流量的控制； 2.研究了网络数据流的时间特征，利用LSTM处理时间序列的原理，在树莓派上搭建了基于LSTM网络的业务承载系统。通过此系统建立了LSTM网络和数据流控制模型，设计了原始数据转成训练集的方法，同时分析了网络流序列的长度、序列元素的长度、LSTM模型参数对分类结果的影响及业务承载系统对数据流的控制。

目录

声明

第一章 绪 论

1.1 研究背景和意义

1.2 国内外研究现状

1.2.1 基于有效负载的流量识别

1.2.2 基于流特征的流量识别

1.2.3 深度神经网络

1.3 论文组织结构

第二章 基于CNN和LSTM网络的业务承载原理

2.1基于CNN的业务承载原理

2.1.1 数据流空间特征

2.1.2 CNN网络结构

2.1.3 基于CNN的业务分类原理

2.2 基于LSTM的业务承载原理

2.2.1 数据流时间特征

2.2.2 LSTM网络结构

2.2.3 基于LSTM的业务分类原理

2.3 CNN和LSTM的业务承载关键技术

2.3.1 业务控制原理

2.3.2 业务质量评估

2.4 本章小结

第三章 基于CNN的业务承载系统设计

3.1 基于CNN的系统结构设计

3.1.1 系统框架简介

3.1.2 系统平台建立

3.2 基于CNN的实时流量分类模型

3.2.1 CNN流量分类模型

3.2.2 数据采集配置

3.2.3 通用数据预处理

3.3 业务流量控制模型

3.3.1 实时流的生成

3.3.2 流量标记

3.3.3 流量转发

3.4 数据流分析

3.4.1 数据流的选择

3.4.2 网络模型参数的讨论

3.5 本章小结

第四章 基于LSTM的业务承载系统设计

4.1 基于LSTM的系统结构设计

4.1.1 LSTM业务承载框架

4.1.2 系统搭建流程

4.2 基于LSTM的流量分类模型

4.2.1 LSTM流量分类模型

4.2.2 训练样本的生成

4.3 实时业务流控制模型

4.3.1 业务流选取

4.3.2 业务流区分承载

4.4 流序列分析

4.4.1 流序列输入维度的选择

4.4.2 网络模型参数的讨论

4.5 本章小结

第五章 多业务承载系统验证与分析

5.1 系统测试设计

5.1.1 测试平台简介

5.1.2 测试平台搭建

5.2 基于CNN的多业务承载系统测试

5.2.1 单业务的服务质量分析

5.2.2 多业务的服务质量分析

5.3 基于LSTM的多业务承载系统测试

5.3.1 单业务的服务质量分析

5.3.2 多业务的服务质量分析

5.4 本章小结

第六章 总结与展望

6.1 总结

6.2 展望

致谢

参考文献

攻读硕士学位期间取得的成果