随着移动互联网的不断发展,流量数据的激增,大型流量汇聚中心已经成为各种网络服务的源头。在这其中,数据中心网络作为网络的流量的汇聚点和交换中心,网络中常常位于端侧,为各种网络应用提供服务。近些年来,由于云计算与人工智能等相关技术的飞速发展,数据中心作为强力的并行计算和分布式存储资源,扮演者越来越重要的作用。数据中心网络的性能已经成为网络发展的瓶颈之一,这极大的制约了高质量的网络服务的发展。为了解决这个问题,学术界和工业界都提出了一系列的拥塞控制方法,取得了一定的成果,但仍旧面临许多挑战。首先,传统的拥塞控制算法难以保证数据中心网络所需的并发流的传输公平性保证,这会造成木桶效应,造成传输完成不同步,降低计算效率;其次,数据中心网络的零丢包和低时延需求难以保证,具体表现为传输时延不稳定,以及丢包现象会触发重传机制,从而降低网络的传输能力。最后,并发流会产生瓶颈链路和Incast场景,而目前的算法在Incast场景下都难以稳定的进行拥塞调控,这会大大降低网络的带宽利用率。本文首先提出一种基于主动探测的拥塞反馈机制,该机制可以提前探测网络的传输状况,提前规划好瓶颈链路的传输流量,从而来避免网络的拥塞。即该机制通过提前对网络的传输能力进行探测,安排合适的数据流量,从而提前避免网络拥塞的发送。该机制主要是通过探测报文来精确计算数据报文的发送量,从而尽可能的主动避免数据报文的拥塞,以便为网络提供极低的丢包率和传输时延。虽然这种做法会牺牲一部分带宽,但却后续的实验中证明,这种做法却最终能够提升拥塞控制算法的性能。接着,本文提出了一种基于在线学习理论的自适应学习拥塞控制算法——ALCC(Adaptive Learning Congestion Control for Datacenters),该算法可以在提高数据中心带宽利用率、收敛速度和公平性的情况下,保证极低的数据丢失。与其他算法不同,由于引起了机器学习的相关概念,ALCC算法不必满足某些假设场景,可以自动从实际的数据中心网络中学习参数,从而大大提高数据中心网络面对复杂场景时的泛化能力。同时,ALCC只需要发送方进行简单更改,对传统的DCTCP和AIMD等算法很友好。最后,实验表明,该算法具有较高的带宽利用率、更稳定的收敛性、更好的公平性和极低的数据丢失率。