Predizione delle matrici di traffico in software defined network

This master'thesis describes different techniques for the traffic matrix prediction in traditional network and SDN. The reason, behind this work, is related with the need to forecast future traffic demand, in order to deploy strategic decision for management in networks. Using real and synthetic traffic traces, there are proposed prediction models, mono-dimensional and multi-dimensional, based on autoregressive and neural networks techniques, compared in term of errors performance. Finally there are new machine learning methods applied to the best predictor selection, giving more agility in case change in forecasting is required due traffic change. Good results are achieve during prediction, with accuracy of error around 10-20%, where the neural network is identified as the best predictor for pseudo-periodic traffic evolution.

Questa tesi descrive alcune tecniche di predizione delle matrici di traffico internet, in reti tradizionali e SDN. La motivazione di questo lavoro, si basa sulla necessità di prevedere la domanda di traffico per effettuare decisioni dinamiche nella gestione della rete. Si concentra l'attenzione sulla collezione accurata delle informazioni di traffico, specificando i problemi legati alla raccolta delle loro statistiche. Utilizzando tracce reali e sintetiche di traffico, si propongono modelli predittivi, monodimensionali e multidimensionali, basati su note tecniche autoregressive e su reti neurali, valutando le prestazioni in termini d'errore. Infine si aggiungono, alla catena predittiva, nuove tecniche machine learning per l'individuazione del miglior predittore, ottenendo un ulteriore agilità nel caso si dovesse cambiare modello predittivo per cambiamenti di traffico. Buoni risultati si ottengono per la predizione, con accuratezze intorno il 10-20% d'errore. La rete neurale viene individuata come la migliore tecnica per predire traffico con andamenti pseudo-periodici.