精准的网络流量预测是实现网络精细化和智能化管理的关键,也是网络运营商、云服务提供商等实现网络智能运维及应用服务保障的重要支撑,属于当前业界研究的热点.网络流量预测问题一般可被视为一种时间序列预测问题,现有时间序列预测模型虽然能起到一定作用,但这些通用模型很少考虑流量数据集本身特点,从而无法在网络流量预测性能上取得突破.为此,本文重点研究了网络流量数据集中的自然周期特征,提出了一种能有效利时间序列周期性特点的网络流量预测通用模型——Cycle Little Linear Head(CycleLLH).该模型主干为Transformer的编码器,其中两个关键设计在于:(1)周期整合.将流量序列按照一个特定周期划分步长划分为不同的周期块,然后将这些周期块对应相位的时间节点分别嵌入到不同输入令牌;(2)小线性层.由多个多层感知机组成,并且多层感知机单独作用于每个相位的时间特征.周期整合使得模型具有两个优点:更有利于模型提取数据集在一个周期内的特征;注意力矩阵的计算和内存复杂度可以看作是和周期划分步长二次方有关的常数,使得模型可以使用更大的回溯窗口而仅增加少量计算资源.通过在公共流量数据集上进行大量实验,本研究表明:与当前最先进的模型相比,CycleLLH在流量预测精度方面表现出显著优势,在六个数据集上的预测精度分别提升了12.3%、8.4%、29.9%、5.8%、8.3%和2.0%.代码可从https://github.com/wenjietang218/CycleLLH.git中获取.
在大规模数据中心网络中,链路故障检测是保障网络连通性,确保线上业务正常运转的重要手段.当前链路故障检测功能一般由中间盒设备来提供或被直接整合到交换设备中.随着软件定义网络和网络功能虚拟化(network function virtualization,NFV)技术的发展,各项网络功能正逐渐从专用设备中分离出来,以服务的形式部署在云端为用户提供解决方案.然而,当前链路故障检测方法面临着单次探测用时过长、网络带宽占用率过高以及服务器负载过重等严峻挑战,并不适用于构建实时性需求较高的云服务.为此,需要对已有链路故障检测工作中存在的问题进行分析,提出探测矩阵的概念,以及基于探测矩阵优化的链路故障检测方法,并设计一个链路故障检测控制器与SDN控制器协同的服务架构,以此实现云端的链路故障实时检测即服务.最后,通过仿真实验的方式验证了该实时检测方法在单次探测用时、网络带宽占用以及端点负载3方面同之前工作相比具有显著优势,且优化探测矩阵所带来的开销是可容忍的.
