[发明专利]一种软件定义网络中基于深度学习的网络节能装置及方法

权利要求书

1.一种软件定义网络中基于深度学习的网络节能装置，其特征在于，包括：

端口流量数据收集模块，用于周期性地收集所有OpenFlow交换机的流量数据；

流量数据格式转换模块，用于将端口流量数据收集模块获得的流量数据进行数据格式转换处理；

数据归一化处理模块，用于将经过流量数据格式转换模块格式转换后的流量数据进行归一化处理；

特征提取模块，用于从数据归一化处理模块处理后的流量数据中提取流量特征，将部分流量数据直接用作LSTM的部分输入特征{P}，并且依据流量数据构建部分输入特征{Q}，并将直接获取的输入特征和构建的输入特征进行维度重构，组成新的流量特征{P，Q}；

流量数据预测模块，用于将特征提取模块得到的流量特征作为为LSTM模型的输入，得到预测的流量值；

节能策略生成模块，用于根据流量数据预测模块得到的预测值与设定的阈值进行比较分析生成节能策略，然后发送相应的指令到OpenFlow交换机，完成切换端口速率、关闭冗余端口，更新流表，重新规划路由，实现节能；

所述数据归一化处理模块中的归一化处理采用z-score标准化方法，具体采用一下公式：

其中X_i为第i个时间段内流量大小，N为统计的流量段个数，μ为所有数据平均值；

所述特征提取模块中的输入特征{P}包括：同一天前L小时每小时内的端口流量输入字节数、同一天前L小时每小时内的端口流量输出字节数、前M天同一小时内的端口流量输入字节数、前M天同一小时内的端口流量输出字节数；输入特征{Q}包括：同一天前L小时每小时内的端口流量平均输出速率Out_rop_i、同一天前L小时每小时内的端口流量平均输入速率In_rop_i、前M天同一小时内的端口流量平均输出速率Out_rop_M、前M天同一小时内的端口流量平均输入速率In_rop_M；i＝t-1,t-2,…,t-L,t表示预测时间，L是取值范围为[5,23]的正整数；M为任意大于0的正整数；

端口流量平均输出速率：

其中Num_{Out_port_k}为采集的所有端口中，第i小时在采样周期T内从第k个端口输出的总字节数；

端口流量平均输入速率：

其中Num_{In_port_k}为采集的所有端口中，第i小时在采样周期T内输入第k个端口的总字节数；

所述流量数据预测模块中，在预测流量数据时，通过已训练的循环神经网络LSTM模型，采用滑动窗口方式，使用同一天前L小时每小时内与前M天同一小时的流量数据预测下一个小时的流量数据；已训练的循环神经网络LSTM模型含有2个LSTM层、1个Dense层，每层LSTM中各神经元均具有一个cell和输入、输出、遗忘三个门；一个门结构包含一个sigmoid层和一个乘法操作，sigmoid层的输出取值范围为[0,1],代表有多少量通过；输入的流量特征，经过第一层LSTM层之后，遗忘门从cell中抛弃一定量的流量数据信息，通过输入门和tanh层更新数值，再由输出门决定输出部分细胞状态并且由tanh层将状态值映射到[-1,1]之间，将其和sigmiod层的输出值相乘后输入第二层LSTM；再经过第二层LSTM层后输出能够表征流量数据的最终值，将最终值输入到Dense层。

2.根据权利要求1所述的软件定义网络中基于深度学习的网络节能装置，其特征在于，所述节能策略生成模块包括：

路由规划模块，用于当OpenFlow交换机状态改变后，重新规划网络路由；

动作策略生成模块，用于对预测值进行大小分析，并和设定的阈值进行比较，生成动作策略下发到OpenFlow交换机以切换端口速率、关闭冗余端口，更新流表，实现网络节能。