随着万物互联时代的到来,网络设备数量不断增加,网络规模不断扩大,网络流量管理也变得日渐复杂。如何提高网络管理效率成为众多研究人员的关注点,网络流量预测对于网络管理与维护有着至关重要的影响,精准的流量预测结果能极大地提高流量调度、异常定位、攻击检测的效率。本文提出一种新的基于SDN网络环境的在线网络流量预测模型,称为LSTM-NW。LSTM-NW模型首先使用小波变换将原始流量数据分解成近似数据和多组细节数据,然后将分解出来的近似数据和细节数据同时作为输入通过LSTM神经网络来预测下一时刻的流量值;本文将模型分成初始化学习和在线学习/预测两个阶段,详细推导了在线学习的计算步骤并计算了在线学习过程中每一次更新模型的计算复杂度,足够低的复杂度允许模型可以长时间运行在SDN控制器中不间断的为其它网络管理应用提供高准确度的流量预测数据;网络流量具有随机突变的特性,神经网络在线学习过程中权重需要频繁更新,此时网络流量数据随机突变会造成权重的震荡。为了抑制这一问题,本文还提出了一种适用于网络流量预测的神经网络权重优化算法,称为CGD算法。CGD算法作为LSTM-NW的一部分,使得LSTM-NW模型在学习新的流量模式时能够抑制梯度的震荡,避免流量突变对模型造成的负面影响,同时又能适应网络流量模式的变化趋势,始终保持良好的预测准确率。实验中使用了英国学术主干网和欧洲城市主干网两个数据集,进行了多组实验。首先通过实验验证了在使用LSTM模型进行训练前先使用小波变换分解原始网络流量数据的必要性。然后又将本文提出的LSTM-NW模型拆分成多个不同条件的版本,分别与当前最佳的网络流量预测模型DBNG模型进行了详细对比。在实验结果评价方面,本文实验中首次将测试集按时间先后顺序分成了多个区间,同时对比了多个时间区间内各种模型的预测结果相对于真实流量数据的RMSE和MAPE两个指标,以此来评判模型是否能长时间始终保持预测的精准度。最终实验结果验证了本文提出的LSTM-NW模型在网络流量预测问题上的优越性。