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

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。