文摘

无线传感器网络(网络)有一个广泛的应用场景在计算机视觉中,从行人检测机器人视觉导航。为了应对不断增长的网络可视化数据服务,我们建议积极的缓存策略基于堆叠稀疏Autoencoder (SSAE)预测内容流行(PCDS2AW)。首先,基于软件定义网络(SDN)和网络功能虚拟化(NFV)技术,分布式构造深度学习网络SSAE水槽节点和控制节点的WSN网络。然后,SSAE网络结构参数,通过训练网络模型参数进行了优化。主动缓存策略实施过程分为四个步骤。SDN控制器负责动态收集用户请求网络数据包信息网络。ssa预测包流行基于SDN控制器获取用户请求数据。SDN控制器生成一个相应的主动缓存策略根据流行预测结果。实施积极的缓存策略在网络缓存节点。在仿真中,我们比较SSAE时空数据网络结构的影响。与经典的缓存策略散列+ LRU,元素+ LRU,经典的支持向量机预测算法和摘要,提出PCDS2AW主动缓存策略可以显著提高网络性能。

1。介绍

根据最新的思科发布的视觉网络指数(VNI) [1)预测,设备连接到互联网的事情(物联网)预计将扩大到20和460亿到2021年之间。由于简单的部署和各种实际应用,无线传感器网络的潜在好处(轮)关注广泛的应用场景,从行人检测机器人视觉导航、工业系统,家用电器。尽管数十亿新设备连接到网络了网络在很短的时间内,将有巨大的数据流量。因此,应考虑拥塞控制和数据共享。如图1所示,WSN网络部署的交通监控,由不同的网络协议,不能直接连接,它是难以实现快速共享传感数据来满足系统的性能要求。

为特定的应用程序中,曾经为交通监控、分布式传感器网络部署传感器节点处理不仅传感任务,而且维护路由状态。凝固的资源管理模式,上层应用程序需求改变时,很难应用灵活更改根据新的需求。因此,严重浪费资源而没有意识到动态感知。

软件定义网络(SDN) (2)作为一种新型的网络体系结构关注近年来应用于未来的网络。SDN的核心思想是分离的控制平面和转发平面。控制平面意识到网络状态和网络资源,然后中央控制器灵活和动态配置的逻辑控制功能和高层政策网络。在数据层面,这种配置可以在不影响正常的网络流量。网络功能虚拟化(NFV) [3)适用于自动化管理和分布式部署的目标通过引入虚拟化技术。介绍了SDN和NFV改善了网络的性能(4]。

为了解决交通拥堵问题,主动缓存(5,6广泛用于ICN],引入了网络(7]。数据包缓存将改善了网络的性能,包括减少数据包延迟、网络流量、光通信传输。最近,主动缓存基于内容流行预测的深度学习(DL),吸引了学术界和工业界的广泛关注(8- - - - - -13),这将大大受益缓存效率。内容流行度预测基于DL可以自动找到规则从数据和使用这个规则来预测未知数据。因此,在WSN数据,缓存将大大提高资源利用率和网络性能。

因此,我们提出一种有效的主动缓存策略基于网络分布式多层稀疏autoencoder (PCDS2AW)数据包内容流行预测。首先,NFV函数用于虚拟硬件资源的一部分控制节点和水槽节点和路由器的硬件。然后,基于这些虚拟硬件资源,分布式深入学习网络,ssa,构造。接下来,SDN控制器结合全局缓存资源和ssa工作。在网络网络层面,SDN控制器可以动态缓存利用率信息和定期收集用户数据包请求信息。这些历史请求和实时请求数据包信息输入到分布式SSAE内容流行预测。最后,基于数据包,流行预测SDN控制器生成主动缓存策略和网络同步到缓存节点通过SDN流表来实现内容缓存和替换。

作为虚拟技术,NFV参考机器学习可以提供支持,可以实现无缝合作SDN [4]。SDN使用基于流数据转发,关注数据交换和转发,虽然网络是受制于特定类型的传感器部署,这本质上是面向数据。因此,基于NFV,机器学习算法用于预测网络流量,和SDN实现快进和补充了WSN的高效的感知。

为了实现基于全局数据缓存策略包内容流行预测,SDN控制器应该知道所有请求的普及网络数据包信息。因此,SDN / NFV技术用于上层包括水槽节点,控制节点和路由器构造一些虚拟内容请求和数据的服务器。这些统计数据服务器配置为收集请求从WSN节点的数据包信息。内容请求信息聚合到一个虚拟的全球内容请求数据服务器。因此,控制节点收集大量的全球数据包请求信息,并使用深度学习算法建立预测内容流行模型,然后使用预测模型指导高效缓存减少了网络流量。

本文的主要贡献如下:在网络中,我们提出一个方法来构建一个分布式堆栈稀疏autoencoder深度学习网络;ssa使用用户请求数据包的时空信息预测数据包流行;SDN控制器的合作下,缓存节点实现主动缓存和更换整个网络的数据包内容,这使得缓存资源的利用更加合理;仿真结果表明,相比之下,元素(14),散列(15),和机会16),该主动缓存策略可以改善网络的性能。

本文的其余部分的结构如下。节2、相关工作。节3,提出了系统模型。节4,一些评价指标和数值模拟结果进行了讨论。最后,我们得出结论5。

2。相关的工作

为了满足需求的各种对象的互连,分布式传感器网络应用程序设计开始变换支持异构互连,即SDN引入WSN的根源之一。

2012年,罗17和马哈茂德18讨论了SDN的集成和WSN几乎同时,SDWSN的诞生作出了重要贡献。曾庆红et al。(19)提出了一种软件定义传感器网络(SDSN)架构,支持“传感作为服务”与云计算相结合,架构和无线控制器用于不同的感知任务。在[20.],作者提出以伦系统实现动态修改传感节点的函数代码的可替换的组件。随后,作者的团队进一步实现SDSN传输。在[21),基于一种新的事件驱动策略,作者提出了一种事件驱动的分布式多传感器数据融合算法对无线传感器网络(网络)。在[22),作者部署多个控制器来构建一个更灵活的控制通道,大大降低了平均网络延迟的控制。动态重新定义函数节点的函数(23)能有效地延长网络的生命周期。在[24),作者提出了一个通用的架构实现传感器网络基站上的控制器,以提高网络的智能管理。在[25),作者定义了集群头作为一个开关在有线网络中,唯一的控制器是部署在WSN基站为了节省传感器节点的能量。作者(026UbiFlow提议,这是一个软件定义的物联网系统无处不在的流控制和流动性管理大量的异构网络。

SDN NFV并不是标准相结合,提供基于网络的不同方面的服务。创新网络范式SDN和NFV吸引了物联网网络运营商和服务提供商的利益。一些研究人员SDN引入物联网网络架构,如SDN-WISE [27],SDWN [28],TinySDN [22],UbiFlow [26]。然而,许多这些架构缺乏虚拟化方法。在[4),为了快速应对互联网的挑战带来的灵活部署,作者结合NFV技术与SDN技术和提出了一个通用SDN-IoT架构。在[29日),来验证和测试6 lowpan试验台,一个定制的软件定义网络运作虚拟化(SD-NFV)提出。

作为一种技术来改善网络性能,缓存技术是广泛应用于未来的互联网和通信。最近,缓存也一直关注物联网。在[30.),作者介绍了物联网网络缓存。首先,作者定义的物联网传输数据的生命周期,这是由应用程序的时间和位置标记,然后种成本之间的权衡模型,提出了数据新鲜度并应用于互联网的内容路由器的事情。在[31日),适应高动态环境粗车轨迹的知识,作者提出了一个Mobility-Aware概率(MAP)边缘缓存策略。在[32),以提高移动ad hoc网络的服务(MANNET),提出一个全面的战略,包括缓存位置,发现缓存,缓存一致性,和缓存替换算法。在[33),作者开发了一种基于缓存的动态源速率控制算法意识。根据网络流量,速度控制算法使用一个缓存管理策略(比如缓存消除政策和缓存大小分配)移动传输窗口,以便在高速包丢失可能会减轻。在[34)的缓存机制应用于传输协议将有效降低端到端重发的数量,节点功耗,和封包延迟,提高网络性能。在[35),作者综合评价的缓存利用率与缓存替换技术特征。缓存技术应用于网络时,仿真结果表明,丢包率的性能,功耗,数据包传输延迟改善。

内容流行度预测的关键点之一应该存储缓存的内容;没有在网络领域的文献提及。作者(36)使用马尔可夫模型来预测传感器操作,提出了一种基于传感器的智能缓存模型权力提高缓存命中率ICN-based物联网传感器网络。在[15),基于内容的人气,作者提出了一个缓存决定政策,允许单个ICN路由器缓存内容或多或少根据内容的流行特征。在[37),作者提出了一种支持向量回归和回归方法高斯径向基函数预测YouTube和Facebook在线视频的流行。毛(38)提出了一种多任务学习(MTL)模块和一个关系网络(RN)。该模块的总体预测模型用来预测电视剧的观点。在[39),双向长期短期记忆神经网络(BiLSTM)提出了预测在线内容的流行。研究了视频和新闻文本,数据表明,深层网络性能大大改善。在[40),作者建议内容流行预测可能转化为分类问题,然后端到端多模式预测基于深层神经网络。在实验中,文本信息和视觉信息被用来验证模型的有效性。在[41),以减少交通拥堵的回程网络流量,提出预测用户请求基于文件和用户和文件模式大受欢迎,在非高峰期间请求系统主动缓存文件。通过收购移动用户服务数据的多个基站间隔几小时,分析大数据平台进行了研究评价内容的受欢迎的程度,和主动缓存(执行42]。结果表明,满意用户请求的水平可能增加,而回程可以减少网络流量。

深度学习在传感器网络和物联网表示担忧。在SDN-IoT网络(43),预测交通拥堵和交通负荷,作者提出了一个深刻的学习算法来预测未来的交通负荷。在[44),以预测流量在全球网络的发展,作者提出了一个混合卷积神经网络长期记忆(CRS-ConvLSTM NN)模型基于关键路径。

我们的研究显示了一个努力结合SDN, NFV, DL和网络。提出主动缓存策略提供了一种可靠和有效的方法来分享网络资源缓存的基础设备。我们提出一个简单的结构,SDN / NFV结合ssa解决传感器网络的挑战,尤其是在交通荷载和拥塞管理问题。这将提高网络效率和灵活性的基础应用。

3所示。方法

3.1。分发深度学习网络体系结构的基础上

分布式深度学习网络系统架构如图2。在传感器网络中,上层传输硬件由水槽节点,控制节点和路由器。所有的元素都是SDN-enabled架构,实现分离的控制平面和转发平面。计算和缓存功能,这些网络元素配合SDN控制器。因此,NFV / SDN技术是利用构建虚拟分布式深度学习网络体系结构。传感器网络,这些设备的缓存资源,如水槽节点,路由器,副节点,和主要控制节点,将分享部分硬件NFV构造深度学习网络。水槽节点/路由器资源将输入部分和主要控制节点是主要的计算资源。然后SDN控制器构造在主控制器节点。在WSN,的启用了SDN SDN社区通过流水槽节点和路由器表。因此,主控制节点可以动态地了解网络的状态。

在分布式深入学习网络,我们构建ssa。隐藏层和输出层在主控制器。在我们的模型中,ssa将来包流行预测数据通过用户历史数据。因此,数据服务器将一个虚拟构造的主要控制节点上。这些水槽节点将收集本地数据包请求信息并将其发送到数据服务器。在训练阶段,数据服务器将提供历史数据输入层。并预测阶段,统计服务总结了若干时隙请求数据为输入层。然后ssa让数据包在预测未来。SDN控制器生成缓存策略基于预测。和缓存策略同步缓存节点来实现主动缓存的时期。

3.2。深入学习网络

3.2.1之上。稀疏Auto-Encoder

学习方法作为一种无监督特征是广泛研究领域的深度学习,稀疏Auto-Encoder (SAE)有能力找到一个简洁而有效的表示复杂的数据。

SAE网络有三个不同的层次:输入层、隐藏层和输出层。为了获得最优隐层参数,即最小化SAE的重建误差,SAE网络要求输出等于输入层。SAE的数据过程分为编码和解码。

编码:编码过程是获取功能输入层的值 。原始用户需求数据表示为向量 ;参数意味着输入节点的总数。 在向量 显示隐藏层的特性表达式,参数表示隐藏层的节点。参数表示偏差向量,代表了从输入层到隐层权重矩阵。代表了激活函数。

解码,解码过程获得重构向量隐层输出层的值 。

在哪里 , 表示输出层的特性表达式表示偏差向量。

在SAE功能学习过程,为了减少损失造成的编码,基本要求是重建接近输入输出。在建设的过程中损失函数,为了学习更多优化的稀疏特性,稀疏惩罚项添加到目标函数的编码器。该功能以这种方式学习不是简单的重复输入。事实上,稀疏惩罚项的作用在隐藏层是控制激活神经元的数量。神经元的输出是0时,神经元是不活跃的状态。它的输出是1时,神经元是活跃的。学习过程的另一个目标特性是用更少的活跃神经重建输入。SAE的重建损失函数如下:

损失函数由三部分组成;第一个部分表示重建的输出和输入之间的均方误差。第二部分是正规化,用于控制过学习问题,表示的重量。最后一部分是稀疏正则化,表示所需的目标价值, ,这意味着平均激活输出。损失函数的参数是防止过度拟合,是控制稀疏惩罚。

与贪婪layer-wise培训和反向传播算法被用来获取参数和 ,详细的迭代过程如下: hyperparameter学习速率用于控制时间的递减函数。训练后,SAE学习有效的稀疏特性表征。

3.2.2。堆叠稀疏Auto-Encoder + Softmax分类器

在WSN系统,我们将使用SSAE(堆叠稀疏Auto-Encoder)深学习网络由于资源的限制。ssa是深层神经网络由多个层基本SAE。每个ssa的输出层连接到输入的连续层。如图3ssa由两层SAE,第一个SAE被视为一个编码器,和第二个SAE是译码器。第一的输出y_1 SAE的输入值的输入层第二SAE。当所有的SSAE培训完成后,该模型特征参数。和ssa的所有参数是用来初始化将Softmax分类器对对象进行分类。

3.3。主动缓存策略

3.3.1。ssa的网络参数

当我们构建ssa,一些系统参数应该提前决定,如输入的维数层,隐藏层的层的数量,每个隐层神经元的数量,每一层的激活函数。

ssa模型中,我们可以使用一些数据组做出预测。假设有宽度沿时间轴窗口滑动。寡妇的基本单位是一个时隙。在单元窗口,将报告所有水槽节点对应的测量数据,这些数据包含WSN水槽的节点的空间分布。如果一些水槽节点的数据丢失,我们考虑相应的数据为零。因此,如果有多个时隙,包含时空信息的测量数据。如果时隙窗口 ,有 测量数据将提供ssa的输入层。和 措施将连接作为一个向量。

特别是,当窗口 ,ssa的预测将包含数据的时空相关性包流行。测量数据可能存在 ,在哪里表示时隙,意味着过去的时间。因此,我们可以利用过去预测未来数据的测量包流行。输入数据的流行SSAE含有时间依赖性的内容。和 测量数据代表在白鼻综合症水槽节点的交通信息。

在这篇文章中,它假设内容支持率水平;也因此将Softmax分类器的输出的水平。输出是目前的一个炎热的向量,和相应的级别是数据包的声望。

根据前面的描述,我们不讨论这个变化在WSN网络的传感器的数量。ssa网络模型的建设,信息收集是在水槽节点实现而不是直接在传感器上,因为传感器节点可能会改变。在第一种情况下,传感器节点减少,所体现的传感器节点与WSN水槽的节点由于各种原因失去联系。这种情况类似于事实,通过水槽节点获得的数据从传感器节点是零,这并不影响SSAE网络的结构和不影响预测结果。在第二种情况下,新的传感器节点被添加到WSN网络由于需要获得新的数据。在这种情况下,我们可以考虑一定数量的节点冗余当最初建立的网络模型。这些冗余节点的测量数据可能需要网络传感器的测量值的平均值在相应的时间段作为他们的价值观。

3.3.2。网络数据包的受欢迎程度的预测

短暂,ssa的流行预测过程包括初始化、训练、和运行阶段。

(1)初始化阶段。在这个阶段,贪婪layer-wise培训和反向传播算法训练ssa模型。因此,初始化阶段应该得到标签数据,包括用户请求数据向量和相应的机密信息。如前所述,用户数据收集的WSN网络的包装SDN控制器。和输出值是一个多维向量表示一个炎热的数据包的受欢迎程度在未来指定的时隙。

(2)培训阶段。在这个阶段,训练的获得一般参数,调整优化这些参数。贪婪的layer-wise无监督学习算法从上到执行。然后基于与梯度优化技术BP算法执行整合ssa参数从上到下。

当完成培训,ssa的优化参数是固定的。

(3)运行阶段。在这个阶段,SDN控制器会自动输入用户请求数据信息;然后ssa将作出预测。和包流行预测的数据将发送到SDN控制器生成网络缓存节点缓存策略。

3.3.3。主动网络缓存策略

基于数据包的流行预测和网络状态,SDN控制器将生成缓存策略。

SDN-enabled WSN, SDN控制器保留所有的WSN节点的拓扑信息和动态路由信息,意识到缓存的缓存状态的节点。缓存状态信息包含多少缓存空间可用,什么是每个节点的缓存的优先级。缓存策略的基本原理是储备高级内容和取代低级。这些内容将在未来时期流行,而不是被取代。SDN控制器将定期更新策略当ssa包流行预测动态调整数据。

SDN控制器生成缓存策略和缓存节点只负责缓存策略的执行。由于SDN WSN网络控制器的整个拓扑和所有缓存节点的缓存状态考虑,缓存策略将有效避免缓存资源的浪费,减少缓存节点之间的通信开销。

SDN-enabled WSN, SDN控制器保留所有的WSN节点的拓扑信息和动态路由信息,意识到缓存的缓存状态的节点。缓存状态信息包含多少缓存空间可用,什么是优先级的每个节点的缓存。缓存策略的基本原理是储备高层SDN控制器,不仅负责日常工作,还负责部署和维护PCDS2AW。当缓存更新策略,SDN控制器将更新路由表的内容转发网络节点和同步的WSN节点。当传感器网络节点收到路由转发,路由信息将积极被插入到正常开关路由表在数据包到达之前。包将被缓存的数据分配空间高级数据包到达时。与此同时,底层数据包将被替换,如果缓存空间是不够的。

传感器网络缓存节点处理可以正常工作,即使路由和转发表缺失或不完整。PCDS2AW网络中神经元的输入信息是不完整的或一些节点输入超时或数据噪音很大。PCDS2AW仍然可以正常工作,可以预测数据输入用户请求包的流行信息。因此,PCDS2AW可以显示良好的性能鲁棒性。

算法1 (PCDS2AW为主动缓存的实现方案。
初始:PCDS2AW参数
L = 3:隐藏层的数量
倪= 1200:输入维数
Nh = :隐层的维度
Ts = 6,每天播发或者刊登的数量
Sp = 0.1:稀疏的参数的数量
= :Zipf法参数
:生成数据方案基于请求数据 。
:生成每层SSAE重量参数。
:每层SSAE产生偏差参数。
Pn = 40000:训练前的数量的时代;
Fn = 10000;磨练时代的数量;
培训:
P = (Pn, Fn)
重复一遍:为做l= 1:3(1)输入 ,(2)计算基于公式(1); ;(3)解码基于公式(2);(4)根据公式计算成本函数J (3)(5)更新和基于公式(4)和(5)。π=π1;
直到(π= 0)
主动缓存:
输入 :使用请求数据信息槽形式我来t。
计算数据包的声望基于公式(1)~ (3)。
排序 ,对于所有缓存节点 ;
取代与 。

4所示。结果

4.1。实验环境

在我们的模拟中,我们使用TensorFlow框架构建ssa深度学习网络。和OpenFlow SDN是建立在协议分离控制飞机的WSN节点的数据平面。我们的仿真平台上运行Ubuntu 14.04 4 GPU卡,NVIDIA GeForce TitanX 12 g GDDR5, 64 g内存记忆。

模拟数据包行为在WSN网络,我们假设在整个网络数据包内容的集合 。这些数据包生成的内容服务器在WSN网络和他们的代表 。为了便于研究,我们假设每个内容包被只有一个随机生成的内容服务器,服务器和每个内容只连接到一个网络节点。同时,假设所有内容服务器具有相同的大小单位,每个缓存节点的缓存空间的WSN是相同的大小,和缓存的缓存内存只能容纳一个单元的内容。此外,它假定的时机在WSN系统的用户数据包内容请求是服从泊松分布的过程。假设用户请求从一个固定的虚拟节点发送一个数据包,整个用户数据包请求符合Zipf定律。用户请求内容的频率受欢迎 的数据包如下:

在哪里是总包内容类别的数据。

在实验中,用户在WSN网络收集的请求参数的内容SDN控制器首先被构造成一维序列,然后接受归一化处理,最后,这些测量参数输入的输入层ssa网络。

主动缓存中仿真,当用户请求数据包的内容,内容匹配首先表现在缓存中对应节点的传感器网络。如果找到的内容,这表明一个缓存命中;否则,缓存不命中。当用户请求缓存中的数据包是错过了,请求的数据包内容是遍历整个内容分发服务器路径的内容。当用户分组所请求的数据包,ssa预测内容流行水平基于一组槽段的测量值。同时,内容流行预测结果发送到SDN控制器来生成一个新的缓存策略。SDN控制器同步缓存策略与WSN节点缓存的数据平面流表。

4.2。评价指标

在本文中,研究的目标是在WSN网络的缓存资源的充分利用,减少WSN缓存节点和增加存储内容的差异率。因此,评估标准的主动缓存的缓存命中率,缓存路由跳数减速率。此外,我们还要考虑数据包内容流行Zipf参数的影响在这些评价指标。

ssa预测模型的结果将直接影响缓存策略的生成。因此,有必要对ssa模型性能指标进行评估。我们使用三个性能指标:均方根误差(RMSE),平均绝对误差(MAE)和平均绝对误差(日军)。这些指标的具体计算公式如下:

在哪里是被请求数据包的观察值,是被请求数据包内容的预测数量,N表示评估样品的总数。RMSE措施极值效应和预测值的误差范围,和梅措施平均预测值的特异性。他们评估绝对误差。日军反映了相对误差。当日军最小化,我们认为该模型是最优结构。

主动缓存性能指标如下。

(缓存命中率)是一种传统的缓存性能的措施。空空的被定义为的比率达到要求的数量由用户在中间节点用户所请求的数据包的总数。

在哪里是总数据包内容请求在WSN节点和所有是请求的数据包总数内容缓存节点。这意味着越高 ,缓存效率越高。

(跳减速比)的比例是啤酒花当请求数据包的数量的缓存节点跳数从请求数据包到数据源节点。

在哪里和意味着用户得到的啤酒花请求数据包从源节点和缓存节点在时隙 ,分别。如果没有了网络缓存资源, ,然后 。

4.3。ssa建筑结构

在执行内容预测之前,有必要确定适当的SSAE建筑结构参数,包括输入层维度,隐藏层的数量,以及每个隐层神经元的数量。我们假设缓存节点(包括水槽节点、路由器和控制节点)100年在WSN网络,和水槽节点连接到200个传感器,所以200年每次测量数据可以收集槽。因此,适当的输入数据的维数可以确定通过研究插槽的数量。网络的网络,SDN控制器收集WSN网络节点的输入用户请求数据SSAE网络k时间段。在报道6,10),我们设置了ssa与3个隐藏层深度学习。我们从一组比较时间段k ,这意味着输入尺寸范围从400年到2000年。当日军至少我们获得最优ssa结构预测系统模型。

SSAE网络体系结构测试结果如表所示1。随着时间的增加从2到10,输入参数的维数逐渐增加。当时间从2增加到4,也就是说,输入参数的维数增加从400年到800年,日军减少是显著的。时间段为6时,输入维数是1200,和日军到达最小值约为22.11%。随后,随着时间的增加,也就是说,输入维数的增加,日军也在不断增加。在随后的实验中,ssa网络的输入维数设置为1200,三层隐层单元 。在这个过程中,时间槽的数量代表的数量输入的时间特征。如果时间槽的数量太小,不能反映数据的相关性。如果时间槽太大,额外的潜在无关的输入将被引入,使得网络结构学习更难好表示。

ssa的稀疏的影响参数进行比较,如图4。当备用目标为0,这意味着没有ssa稀疏目标,地图约为62.18%。稀疏的目标从0增加到10%,地图最低,为22.11%。稀疏的目标从10%增加到50%,地图也增加到78.86%。ssa,稀疏保持10%。

4.4。实验结果

在仿真中,我们还假设有100在WSN网络的缓存节点200测量数据可以在每次收集槽。其他设计参数如下:数量的用户的数据请求包设置为120000,平均数据包内容大小是1 k,单元节点缓存的大小是1 k。所有下面的结果是10轮的平均模拟。

我们研究的变化由于PCDS2AW预测网络性能和泛化能力。首先,我们比较PCDS2AW与传统经典不支持SDN缓存策略,如元素+ LRU,散列+ LRU,投机取巧。与此同时,我们也支持SDN比较PCDS2AW和缓存策略,如SDN +摘要(反向传播网络),SDN + SVM(支持向量机)。摘要是经典的神经网络学习特性通过隐藏层。支持向量机是一种广泛使用经典的预测模型。在这些比较实验中,我们使用相同的训练集和测试集PCDS2AW训练和测试这些模型。

图5显示了(缓存命中率)元素的比较,从而向哈希,SDN, SDN + SVM, SDN +摘要和PCDS2AW计划当α= 1.2和α= 1.5。随着alpha值的增加,用户所请求的数据分布比较集中,和数据包的概率达到缓存也改善,显示所对应的所有计划都相应提高。Hash-LRU中的所有节点域协作,实现合作缓存的响应内容。虽然内容无法优化,缓存的命中率内容增强,和缓存命中率增加27.5%。至于Betw-LRU,缓存命中率增加29.1%与用户请求的内容更加集中。SDN,因为SDN网络感知功能的进一步充分利用所有缓存节点的存储空间,增加的概率和利用缓存内容,分别达到61.4%和70.3%,从而向。和SVM预测流行,空空的SDN + SVM比SDN高1.1%和2.1%。SDN +摘要缓存命中率达到64.2%和76.4%。PCDS2AW达到最好的比别人;分别达到69.6%和80.3%,从而向。

图6显示缓存大小的缓存命中率的影响。作为缓存节点的缓存空间的大小增加,缓存命中率在所有缓存方案也会增加。这是因为随着缓存存储空间的增加,缓存节点可以缓存数据内容包,所以有更高的概率缓冲用户所请求的数据包。随着缓存空间的增加从10 kb到320 kb,中东欧的缓存命中率从19.9%上升到32.5%;元素的缓存访问率计划从25.9%上升到47.5%;机会从34.1%上升到53.4%;缓存命中的SDN率从61.4%上升到79.1%;所对应的SDN + SVM从62.3%上升到82.4%,SDN +摘要从63.7%上升至84.7%,和PCDS2AW从69.3%上升到90.1%。

图7显示内容受参数的影响α在缓存访问率Zipf分布。随着内容的增加人气,请求用户内容的浓度增加。在缓存空间的情况下,缓存中的内容的概率增加,缓存命中率增加。在图6缓存的声望α从1.8增加了0.5;缓存命中率从13.30%上升到89.98% SDN缓存方案并为PCDS2AW从21.5%降至95.7%。

图8显示了装备和嗯PCDS2AW Zipf分布的关系。Zipf增加,空空的,嗯也增加。当缓存流行α= 1.7,嗯达到最高约91.88%。

计算复杂度:PCDS2AW算法主要分为两个阶段:离线特性模型训练和在线内容流行预测。在离线阶段,ssa功能训练主要是用于获得模型参数。在线阶段直接预测输入值输入到模型内容流行度预测。本文的预测模型SSAE三层 ,和输入的参数维度层是1200。稀疏的参数在我们的模型中是0.10。因为乘法是最耗时的,我们只估计这个数字的乘法的在线预测模型。乘法的数量预测过程(1200300 + 300200 + 200100)0.10 = 44000。在我们的模拟,预测时间是0.0435秒。因此,该模型可以满足在线预测的需要。

5。结论

介绍了一个简单的框架结构SDN / NFV加上ssa解决了网络的挑战,尤其是在交通负荷的问题和拥塞管理。我们构建的分布式学习网络,ssa SDN / NFV技术。之后详细分析了结构参数,使用无监督训练方法得到预测模型。ssa的实验表明,可以极大地提高预测精度,然后可以提高性能的基础上基于主动缓存。

在未来,我们打算将ssa与增量极端学习机(IELM)在线培训和更新SSAE网络参数,当用户请求动态变化包获取数据预测和继续优化模型来获得更好的性能。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是由中国国家自然科学基金资助U170120078, 61571141, 61702120, 61672008 ,广东省科技项目2017年a050501039 ,广东省重点实验室项目2018年b030322016 ,广东省面向应用的技术研究与开发专项资金项目2015 b010131017 2015 b090923001 b010125003 2016 b010127006, 2017 ,广东省普通高校特色创新2015年gxjk080 ,和清远科技计划项目170809111721249和170802171710591 。