基于CNN-GRU-ATTENTION的SDN网络流量多步预测方法

摘要

针对软件定义网络（SDN）中传统预测模型难以捕捉流量序列的长相关性，在多步预测任务上精度较低的问题，本文提出一种融合卷积神经网络（CNN）、门控循环单元（GRU）和注意力（ATTENTION）机制的网络流量多步预测模型。该模型以CNN提取流量数据时空特征，借GRU自适应学习时序规律，用ATTENTION机制分配权重，缓解长序列信息衰减，实现多步预测。通过Mininet模拟环境收集SDN网络流量开展多步预测实验，初步验证模型有效性，进一步在Telecom Italia真实数据集测试，结果显示，该模型在MAE、MAPE和R2评价指标上较CNN-GRU、CNNLSTM等模型分别实现至少16.05%、21.10%和3.35%的性能提升，表明该模型在长相关特征挖掘方面的优越性，为SDN网络流量的多步预测提供了具有更高预测精度的解决方案。

关键词

软件定义网络 / 多步流量预测 / 卷积神经网络 / 门控循环单元 / 注意力机制

基金资助

国家自然科学基金（62361034）