基于深度学习的SDN流量预测研究
| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-25页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-23页 |
| 1.2.1 深度学习研究现状 | 第10-12页 |
| 1.2.2 网络流量预测模型研究现状 | 第12-16页 |
| 1.2.3 SDN研究现状 | 第16-23页 |
| 1.3 论文主要研究内容与创新点 | 第23-24页 |
| 1.3.1 主要研究内容 | 第23页 |
| 1.3.2 创新点 | 第23-24页 |
| 1.4 论文组织结构 | 第24-25页 |
| 2 相关技术与研究工作 | 第25-38页 |
| 2.1 深度学习概述 | 第25-27页 |
| 2.2 常用深度学习网络 | 第27-33页 |
| 2.2.1 深度信念网络 | 第27-28页 |
| 2.2.2 卷积神经网络 | 第28页 |
| 2.2.3 深度残差网络 | 第28-29页 |
| 2.2.4 递归神经网络 | 第29-33页 |
| 2.3 常用深度学习框架 | 第33-34页 |
| 2.4 SDN流量采集 | 第34-37页 |
| 2.5 本章小结 | 第37-38页 |
| 3 SDN流量预测模型 | 第38-44页 |
| 3.1 网络流量特征 | 第38-40页 |
| 3.1.1 自相似性 | 第38-39页 |
| 3.1.2 长相关性和短相关性 | 第39-40页 |
| 3.1.3 混沌特性 | 第40页 |
| 3.2 SDN流量预测 | 第40-43页 |
| 3.2.1 SDN流量预测框架 | 第40-42页 |
| 3.2.2 SDN流量预测机制 | 第42-43页 |
| 3.3 本章小结 | 第43-44页 |
| 4 基于深度学习模型的流量预测机制研究 | 第44-52页 |
| 4.1 本文所用深度学习框架 | 第44-45页 |
| 4.2 深度学习模型的优化改进 | 第45-47页 |
| 4.3 基于深度学习模型的流量预测机制 | 第47-51页 |
| 4.3.1 实验数据导入 | 第47-48页 |
| 4.3.2 训练模型 | 第48-50页 |
| 4.3.3 使用模型进行预测 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 5 实验和结果分析 | 第52-61页 |
| 5.1 实验环境搭建 | 第52-54页 |
| 5.2 实验数据采集 | 第54-55页 |
| 5.3 实验结果分析 | 第55-60页 |
| 5.3.1 模式一下模型预测结果对比 | 第55-56页 |
| 5.3.2 模式二下模型预测结果对比 | 第56-57页 |
| 5.3.3 模式三下模型预测结果对比 | 第57-58页 |
| 5.3.4 总体预测结果分析 | 第58-60页 |
| 5.4 本章小结 | 第60-61页 |
| 6 总结与展望 | 第61-63页 |
| 6.1 论文总结 | 第61-62页 |
| 6.2 工作展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 本文作者硕士期间取得的成果 | 第66-67页 |
| 致谢 | 第67-68页 |
