.png){kind=icon}
返回
Proactive SDN traffic management for IoT using temporal deep learning
.png){kind=icon}
OA
AI
DOI：10.1016/j.array.2026.101223.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
软件定义网络（SDN）为物联网（IoT）流量管理提供集中控制；然而，其传统的反应式调度行为往往不足以应对时变、突发性和时延敏感的物联网流量。本研究的主要目的是开发一种主动的SDN基调度框架，能够提前预测流量变化并将这些预测转化为及时的OpenFlow规则安装。为解决此目标，本文提出了ATSDSO，一种自适应时序深度调度优化器，它将时序流量预测与控制感知调度相结合，用于SDN赋能的物联网网络。ATSDSO的主要创新在于其闭环集成了四个自适应功能组件：时序敏感层（TSL）、流方差正则化（SVR）、自适应学习率控制器（ALRC）和渐进调度强化（PSR）。与现有的基于DNN/LSTM或反应式SDN调度方法不同，这些方法通常将预测和控制作为独立过程处理。所提出的算法使用归一化和标准化的物联网流量轨迹进行训练和评估，并在多种OpenFlow超时配置下进行测试，以检验其在复杂工作条件下的实用性，包括动态流量变化、突发导向的流行为以及不同的主动调度间隔。实验结果显示，在流量强度分类、到达时间间隔预测和时延感知调度性能方面得到改进。所提出的框架达到97%的分类准确率，响应时间改善31%，平均绝对误差（MAE）降低44.6%，均方根误差（RMSE）降低40.0%，与现有的基于DNN/LSTM的调度方法相比。与反应式SDN基模型相比，ATSDSO在30秒、60秒和120秒OpenFlow超时配置下分别减少RTT 46.9%、53.7%和60.6%。这些改进表明，主动规则安装可以减少控制器延迟并改善时延感知调度。此外，自适应功能组件分析证实，TSL、SVR、ALRC和PSR在训练过程中以稳定和协调的方式演变，支持所提出框架在时序预测和主动SDN基物联网流量管理方面的鲁棒性。
Keyword:
Software-defined networking
IoT traffic
Temporal traffic prediction
Proactive rule scheduling
Scheduling metrics
