边缘网络中一种VNF需求预测方法

摘要

针对当前虚拟网络功能(Virtualization Network Functions,VNF)需求预测方法准确率较低且不适用于边缘网络的问题,提出了一种在边缘网络中基于支持向量回归(Support Vector Regression,SVR)与门控循环单元(Gated Recurrent Unit,GRU)神经网络模型结合的VNF需求预测方法.考虑到网络边缘流量具有突发性、自相似性及长相关性等特点,结合SVR和GRU两种模型的优点,利用计算复杂度较低的SVR和GRU模型分别提取网络服务历史时序数据的短期特征和长期特征,以提高VNF需求预测准确率,实现边缘网络中VNF的提前放置.实验表明,所提出的预测方法在边缘网络中针对不同网络服务的预测较于传统方法、循环神经网络(Recurrent Neural Networks,RNN)、长短期记忆网络(Long Short-Term Memory,LSTM)模型能够降低20％～ 30％的误差,有更佳的预测效果.