时空图注意力机制下的SDN网络动态流量预测.pdfVIP

ComputerEngineeringandApplications计算机工程与应用2025，61（8）267

⦾网络、通信与安全⦾

时空图注意力机制下的SDN网络动态流量预测

1+2

吕光宏，王坤

1.四川大学锦江学院计算机学院，四川眉山620860

2.西南石油大学计算机科学学院，成都610500

+通信作者E-mail：1056885430@

摘要：针对SDN流量工程中流量预测基于静态时空依赖的问题，提出了一种基于注意力机制的图卷积神经网络

（GCN）与门控递归单元（GRU）集成的动态网络流量预测方法——AGCNGRU（attentionmechanismforGCNGRU

model）。借助GCN捕获网络中节点之间的流量空间依赖性和GRU捕获流量经过网络中各节点的时间依赖性，通过

时间注意力机制设计每个隐藏状态的权重，以调整时间点流量信息的重要性，同时通过数据驱动空间注意力机制动

态自适应调整Laplace矩阵，实现动态提取网络信息数据时空相关性，最终完成动态流量精准预测。在GEANT的数

据集上的实验表明，所提出的方法在均方误差方面比GCNGRU减少24.8%，比GRU减少66.4%，并通过与传统路由

算法OSPF、DDPG算法比较，在90%的流量负载强度下，网络性能比OSPF提升了24%，比DDPG提升了8.1%，进一

步说明了AGCNGRU算法网络流量准确预测带来的时效性和有效性。

关键词：软件定义网络（SDN）；流量预测；图卷积神经网络；门控递归单元

文献标志码：A中图分类号：TP393doi：10.3778/j.issn.1002-8331.2401-0119

DynamicTrafficPredictionofSDNUnderAttentionMechanismofSpatiotemporalGraph

LYUGuanghong1+,WANGKun2

1.CollegeofComputer,SichuanUniversityJinjiangCollege,Meishan,Sichuan620860,China

2.SchoolofComputerScience,SouthwestPetroleumUniversity,Chengdu610500,China

Abstract：Addressingtheissueofstaticspatio-temporaldependencyintrafficpredictionforSDN(software-definednet-

working)trafficengineering,thispaperproposesadynamicnetworktrafficpredictionmethod,AGCNGRU(attention

mechanismforGCNGRUmodel),whichintegratesgraphconvolutionalneuralnetwork(GCN)andgatedrecurrentunit

(GRU)withanattentionmechanism.ByleveragingGCNtocapturethespatialdependencyoftrafficbetweennodesinthe

networkandGRUtocapturethetemporaldependencyoftrafficflowingthroughvariousnodesinthenetwork,this

methoddesignstheweightofeachhiddenstatethroughatemporalattentionmechanismtoadjusttheimportanceoftraffic

informationatdifferenttimepoints.Meanwhile,adata-drivenspatialattent