基于图卷积神经网络的大规模软件定义网络流量预测模型 |
| |
引用本文: | 张国明.基于图卷积神经网络的大规模软件定义网络流量预测模型[J].微电子学与计算机,2024(4):96-103. |
| |
作者姓名: | 张国明 |
| |
作者单位: | 广东工商职业技术大学计算机学院 |
| |
摘 要: | 为了提高大规模软件定义网络流量预测的准确率,研究基于图卷积神经网络的大规模软件定义网络流量预测模型。构建包含图卷积神经网络(Graph Convolution Neural Network, GCN)层、门控递归单元(Gating Recursive Unit, GRU)层及自注意力机制层的流量预测模型。通过GCN层与GRU层分别重构与更新网络流量的空间与时间特征;将两种特征共同输入自注意力机制层,经整合与加权平均运算后,获得网络流量预测值输出,实现大规模软件定义网络流量预测。实验结果显示,该模型可精准预测大规模软件定义网络流量,降低所应用网络的通信丢包率与通信延时,实现高质量高时效的网络数据传输,保障大规模软件定义网络的智能流量通信。
|
关 键 词: | 图卷积神经网络 软件定义网络 流量预测 门控递归 注意力机制 时间特征 |
|
|