SDN中基于深度学习流量预测的节能技术研究
| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 网络中心节能研究现状 | 第10-11页 |
| 1.2.2 网络流量预测研究现状 | 第11-13页 |
| 1.2.3 深度学习研究现状 | 第13-14页 |
| 1.3 论文研究内容和创新点 | 第14-15页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 创新点 | 第15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 2 相关技术及原理 | 第17-26页 |
| 2.1 SDN技术 | 第17-21页 |
| 2.1.1 SDN架构 | 第17-19页 |
| 2.1.2 OpenFlow技术 | 第19-21页 |
| 2.2 深度学习技术 | 第21-24页 |
| 2.2.1 深度学习基本概念 | 第21-22页 |
| 2.2.2 深度学习常用模型 | 第22-24页 |
| 2.3 本章小结 | 第24-26页 |
| 3 基于深度学习流量预测的节能技术研究 | 第26-31页 |
| 3.1 基于深度学习流量预测的节能框架 | 第27-28页 |
| 3.2 基于深度学习流量预测的节能机制 | 第28-29页 |
| 3.3 本章小结 | 第29-31页 |
| 4 基于深度学习的流量预测研究 | 第31-47页 |
| 4.1 现有基于机器学习流量预测技术 | 第31-32页 |
| 4.2 流量预测模型 | 第32-37页 |
| 4.2.1 NTPNN模型 | 第32-35页 |
| 4.2.2 模型特征 | 第35-37页 |
| 4.3 实验及结果分析 | 第37-46页 |
| 4.3.1 流量数据采集 | 第37-40页 |
| 4.3.2 深度学习框架选择 | 第40-41页 |
| 4.3.3 实验环境及评估指标 | 第41-42页 |
| 4.3.4 实验结果分析 | 第42-46页 |
| 4.4 本章小结 | 第46-47页 |
| 5 SDN中基于深度学习流量预测的节能系统实现 | 第47-60页 |
| 5.1 SDN中基于深度学习流量预测的节能系统 | 第47-48页 |
| 5.2 预处理模块 | 第48-49页 |
| 5.3 流量预测模块 | 第49-50页 |
| 5.3.1 流量数据导入 | 第49页 |
| 5.3.2 模型定义及预测 | 第49-50页 |
| 5.4 节能策略模块 | 第50-54页 |
| 5.4.1 节能策略模块设计 | 第50-52页 |
| 5.4.2 节能算法设计 | 第52-54页 |
| 5.5 实验及结果分析 | 第54-58页 |
| 5.5.1 SDN控制器及仿真器选择 | 第54-55页 |
| 5.5.2 网络构建 | 第55-57页 |
| 5.5.3 实验结果分析 | 第57-58页 |
| 5.6 本章小结 | 第58-60页 |
| 6 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 本文作者硕士期间取得的成果 | 第66-67页 |
| 致谢 | 第67-68页 |
