基于模糊神经网络的短时交通流预测方法研究

为满足交通控制和诱导系统的实时性需求,减少交通拥挤状况,降低交通事故突发频率,需要对短时交通流进行预测;当前的短时交通流预测方法是采用K-近邻的非参数回归对其进行预测,预测过程中没有将预测模型中关键因素对交通流的影响进行详细的说明,导致预测结果不准确,存在短时交通流预测误差较大的问题;为此,提出一种基于模糊神经网络的短时交通流预测方法;该方法首先以历史短时交通流数据样本序列为基础,将提取的关联维数作为短时交通流的混沌特征量,然后以该特征量为依据,对短时交通流数据进行聚类,使相同的短时交通流聚合类样本比不同的交通流聚合类样本更为贴近,采用高斯过程回归对短时交通流预测模型进行建设,建设过程中利用差分方法对短时交通流预测序列进行平稳化操作之后,对短时交通流预测模型进行训练,将GPR模型引入至短时交通流预测过程中,得到交通流预测方差估计值,并确定交通流预测值置信区间,由此实现短时交通流的预测;由此实现短时交通流的预测;实验结果证明,所提方法可以准确地预测交通运输系统的实时状况,为车辆行驶的最佳路线进行了有效引导,减少了自然影响方面和人为因素对短时交通流预测结果的干扰,为交通部门对交通路况的控制管理提供了依据。     

基于机器学习的SDN流量工程研究综述

随着软件定义网络（SDN）的兴起以及机器学习方法在分类、预测以及控制任务取得的巨大成功,寻找新的流量工程（TE）技术,自适应、动态地管理或路由网络中的流量,保证服务质量（QoS）以及提升用户体验质量（QoE）成为网络研究热点。首先介绍了SDN基本架构以及SDN流量工程研究内容及目标;其次分析了监督学习与强化学习在SDN流量工程中的应用,分析已有算法的优劣;最后总结了未来研究方向及挑战。     

基于组合模型的短时交通流预测方法

准确、实时的交通流预测对交通规划、交通管理和交通控制具有重要意义.然而,由于道路网络拓扑结构约束和交通流随时间动态变化的空时相关特性,交通流预测仍然具有挑战性.为了同时捕获交通流的空间和时间相关性,提出一种将图卷积网络(GCN)和门控循环单元(GRU)相结合的组合模型方法.利用GCU能够灵活处理图结构数据的优点来捕捉各个路段的空间特征,继而发挥GRU在处理时间序列方面的优势挖掘交通流的内在时间规律,空时融合后得到最终预测结果.利用美国交通研究数据实验室的高速公路交通数据对该模型进行仿真验证,结果表明,所提出的GCN-GRU组合模型方法具有更高的预测精度,预测结果优于自回归积分滑动平均(ARIMA)模型和GRU模型等基准预测方法.     

基于智能流量预测的入侵检测方法

为了提高入侵检测系统检测的实时性,提出了一种基于智能流量预测的入侵检测方法。该方法拟合了智能Agent的智能性、自主性和自适应性的优点以及灰色预测对不确定资源的科学预测的优点,用流量预测智能Agent预测得到的流量序列来代替未来一段时间段内的实际流量,并把这个预测序列作为检测对象集的一部分。然后用人工方法模拟了流量处理Agent与预测智能Agent的活动,并通过对实际的采集数据进行仿真,实验证明了预测智能Agent的预测活动的科学性。     

基于ARMA模型预测的交换机流表更新算法

针对SDN网络中交换机在网络流量高峰期流表匹配率低以及控制器负载过重的问题,提出了一种基于自回归移动平均（ARMA）模型预测的交换机流表更新算法。算法首先收集每个取样周期内的新增流表项数量作为历史数据,然后使用ARMA模型对收集的历史数据进行分析,预测下一个周期内新增加的流表项数量,并结合当前流表空间的使用情况,清除交换机中过去一段时间内使用频率较低的流表项。采用真实数据中心网络数据的模拟实验结果表明,与流表更新的一般方法相比,该算法有效地提高了交换机流表的匹配率,并减少了交换机与控制器之间交互的次数,降低了控制器端的负载。     

基于最优阶次分数阶神经网络的交通流预测

建立基于最优阶次的分数阶神经网络的动态预测模型,给出数据预处理、最优阶次优化和预测算法流程步骤,给定模型预测精确度的性能指标。分数阶神经网络是从时频两方面分析数据,比BP神经网络具有更灵活有效的函数逼近能力;针对短时数据分析,分数阶神经网络局部性与小波神经网络一致具有多分辨力,且有更强的自适应能力、更快的收敛速度和更高的预测精度。以短时交通流量数据为例进行仿真,与基于小波神经网络和BP神经网络模型的短时交通流量预测仿真比较,分析评价性能指标,结果表明分数阶神经网络最优阶次下可实现灵活快速有效的交通流量动态预测。     

An object-oriented evaluation framework for dynamic vehicle routing problems under real-time information

The dynamic vehicle routing problems (DVRP) is an extension of vehicle routing problems (VRP) in order to consider possible variations of travel times in the network. In this research, a two-stage framework for solving dynamic vehicle routing problem is proposed. In the first stage, the sweep method is adopted in vehicle assignment. In the second stage, a tabu search algorithm is implemented to improve routes under real-time information. The framework is implemented in an object-oriented approach and possible benefit from real-time information is illustrated through numerical simulation. The simulation-assignment model, DynaTAIWAN is applied in numerical simulation to evaluate real-time routing strategies in a traffic network. Numerical experiments are conducted in a 50 Nodes Network and a Taichung City. The results show that positive benefits could be achieved through utilization of real-time information with careful design.     

包容性检验和SVM相融合的网络流量预测

模型选择对网络流量组合预测结果至关重要,为了提高网络流量的预测效果,提出一种包容性检验和支持向量机相融合的网络流量预测模型（ET-SVM）。采用多个单一模型对网络流量进行预测,根据预测结果的均方根误差对模型优劣进行排序,通过包容性检验,根据t统计量检验选择最合适的单一模型,采用支持向量机对单一模型预测结果进行组合得到最终预测结果,通过仿真实验对模型性能进行测试。仿真结果表明,ET-SVM降低了网络流量的预测误差,预测精度得到了提高。     

非参数回归算法在短时交通流预测中的应用

由于城市道路交通系统中的交通流演变存在随机性和复杂性,且实时交通状态判别本身具有不确定性,故实时、准确的短时交通流预测是交通控制与诱导的一个关键因素。利用非参数回归对短时交通流进行预测是一种较好的预测方法,它能够很好地体现交通流的非线性、时变性和不确定性。为进一步提高预测的准确性,对K近邻的非参数回归方法进行了改进。结果表明,改进模型预报准确率更高,稳定性更好。     

Bandwidth-aware energy efficient flow scheduling with SDN in data center networks

Nowadays the energy consumption has become one of the most urgent issues for Data center networks. For general network devices, the power is constant and independent from the actual transfer rate. Therefore the network devices are energy efficient when they are in full workload. The flow scheduling methods based on the exclusive routing can reduce the network energy consumption, as the exclusive routing paths can fully utilize all their links. However, these methods will no longer guarantee the energy efficiency of switches, as they handle flows in priority order by greedily choosing the path of available links instantaneously. In a previous work we proposed an extreme case of flow scheduling based on both link and switch utilization. Herein we consider general scenarios in data center networks and propose a novel energy efficient flow scheduling and routing algorithm in SDN. This method minimizes the overall energy for data center traffic in time dimension, and increases the utilization of switches and meet the flow requirements such as deadline. We did a series of simulation studies in the INET framework of OMNet++. The experiment results show that our algorithm can reduce the overall energy with respect to the traffic volume and reduce the flow completion time on average.     

深度学习在软件定义网络研究中的应用综述

数据转发与控制分离的软件定义网络（Software Defined Networking,简称SDN）是对传统网络架构的彻底颠覆,为网络各方面的研究引入新的机遇和挑战.随着传统网络研究方法在SDN中遭遇瓶颈,基于深度学习的方法被引入到SDN的研究中,在实现实时智能的网络管控上成果颇丰,推动了SDN研究的深入发展.调查了深度学习开发平台,训练数据集,智能SDN架构等深度学习引入SDN的促进因素;对智能路由,入侵检测,流量感知和其他应用等SDN研究领域中的深度学习应用进行系统的介绍,深入分析了现有深度学习应用的特点和不足;最后展望了SDN未来的研究方向与趋势.     

基于SDN的混合分段路由概率流调度机制

针对数据中心网络流量路径分配不均匀、易造成大流碰撞,以及控制器流表开销大等问题,提出了一种基于SDN的混合分段路由概率流调度机制SRPFS（segment routing probability flow scheduling）。利用SDN集中控制与全局视图特性,首先采用混合分段路由完成流量初始转发;然后选用粒子群优化算法,重定义粒子群内部寻优过程来对流量进行筛选;最后构造全局节点概率矩阵,设计概率调度算法选举出流量转发最优路径。实验结果表明混合分段路由转发技术在流表开销方面优势较大,并且SRPFS相比于其他较典型的流传输机制,在平均网络吞吐量、链路利用率、标准网络吞吐率等方面有明显优势,能够有效减轻控制器的流表负载,保证了较好的网络性能。     

基于SDN/NFV的安全服务链自动编排部署框架

针对云计算等虚拟化环境的安全防护问题,提出了一种基于SDN/NFV技术思想的安全服务链自动编排部署框架.论文通过扩展ABAC策略模型以描述用户的安全需求,采用优先级解决策略冲突以编排虚拟安全设备,依据网络中虚拟安全设备实例负载与实时链路传输时延来调度网络流,最终由SDN控制器生成流表下发到网络中完成流量重定向,实现了根据安全需求自动构建安全服务链的过程.整个框架在基于开源控制器FloodLight和虚拟安全设备的实验环境中实现了自动编排部署,取得了预期效果.     

基于软件定义网络的流量工程

作为一种新型网络架构,软件定义网络(software defined network,简称SDN)将网络的数据层和控制层分离,通过集中化控制和提供开放控制接口,简化网络管理,支持网络服务的动态应用程序控制.流量工程通过对网络流量的分析、预测和管理,实现网络性能的优化.在SDN中开展流量工程,可以为网络测量和管理提供实时集中的网络视图,灵活、抽象的控制方式以及高效、可扩展的维护策略,具有突出的研究意义.对基于SDN的流量工程相关工作进行综述.分别从测量的方法、应用和部署角度出发,对SDN中流量测量的基本框架、基于测量的正确态检测以及测量资源的管理进行概述.分析传统网络流量调度方案的问题,介绍SDN中数据流量和控制流量调度的主要方法.从数据层和控制层两个方面概述SDN中故障恢复方法.最后,总结并展望未来工作.     

基于历史频繁模式的交通流预测算法

针对目前交通流预测模型复杂、不支持中长期预测的问题,提出了基于历史频繁模式的交通流预测算法,通过挖掘交通流的历史频繁模式,结合实时交通信息进行交通流预测.使用真实路网获取的浮动车数据进行实验,结果表明该算法支持交通流短时、中长期预测,且中长期预测与短时预测具有同样高的预测精度,受参数影响小.与基于K近邻的非参数回归方法进行比较,结果表明基于历史频繁模式的预测算法的预测性能更稳定,预测误差波动更小.     

基于非线性组合模型的交通流预测方法

为开发智能交通系统,提出一种基于RBF和ARIMA网络非线性组合模型的短时交通流预测方法,采用三层结构的RBF网络将2种单一预测方法——RBF和ARIMA网络进行非线性组合,利用实测数据对3类方法进行仿真实验,结果表明,非线性组合模型的预测准确性高于各自单独使用时的准确性,组合模型发挥了2种单一方法各自的优势,是短时交通流预测的有效方法。     

基于SDN网络环境感知的智能路由算法

随着网络中海量设备的接入,网络中的环境也日益复杂和多样化,传统的软件定义网络(SDN)路由算法在寻路时没有考虑到网络中的环境因素,如果不考虑这些因素就无法更好地实现对网络节点的实时状态感知,那么也就不能让用户拥有更好的网络体验.针对该问题,结合网络环境信息,提出一种基于SDN网络环境感知的智能路由算法.该算法在时间上进...     

基于影响模型的短时交通流预测方法

根据复杂交通网络中多个节点之间交通流相互影响的特性,提出一种基于影响模型的短时交通流预测方法。分析交通网络中交通流预测的难点,引入随机过程中影响模型的理论对其进行建模。将每个节点的交通流处理为一个隐马尔科夫过程,整个网络由多个相互交互的隐马尔科夫过程组成,采用EM算法对模型参数进行训练。实验结果表明,该方法具有较高的预测精度,可较好地显示交通网络中多个节点之间交通流的交互规律以及动态演化规律。     

基于遗传算法优化支持向量机的网络流量预测

介绍了支持向量机用于时间序列预测的理论基础和遗传算法优化支持向量机参数的方法,首次把遗传算法优化参数支持向量机应用于两组实际网络流量的预测,并与BP神经网络和RBF神经网络方法进行了比较.结果表明:支持向量机相比较BP神经网络和RBF神经网络对网络流量的预测结果精度更高、性能更好.利用支持向量机预测网络流量是一种可行、有效的方法.     

电商集群的流量预测与不确定性区间估计

流量预测对智能容量规划和任务调度具有重要意义,然而大规模电商集群的流量会出现各种不确定的突发事件,如线上促销活动、用户聚集请求等。这些不确定性事件会导致时间序列中出现很 多突发脉冲,从而给流量预测带来巨大挑战。同时,容量预测应当对不确定性具有鲁棒性,即能很好地应对未来可能出现的情况,保证集群稳定性,而并非严格地根据预测值进行容量收缩。针对大规模分布式电商集群的流量场景以及动态容量规划的需求,该文提出了包含不确定性估计的流量实时预测框架。该框架基于多变量的长短期记忆网络自动编码器和贝叶斯理论,在进行流量确定性预测的同时能够给出准确的不确定性区间估计。