基于机器学习的SDN网络流量预测与部署策略

摘要

针对由于网络流量的复杂多变而导致的软件定义网络(SDN)架构控制平面的负载不均问题,提出一种基于隐马尔科夫优化的最大熵网络流量预测和控制器预部署PPME模型.根据协议种类对SDN流量进行分类,利用已捕获的历史数据流,采用最大熵算法预测未来数据流的分布,生成控制平面中各类控制器的预部署方案,并加入隐马尔科夫链对预测方案的时效性进行优化.实验结果表明,相比于SVR模型与GBRT模型,该模型具有更高的预测精度,且生成的预部署方案能够适应复杂SDN环境中的动态变化,减少了由于突发事件而导致的负载不均和控制器迁移,缩短了由控制器迁移而产生的网络延迟与响应时间.