软件定义网络(Software Defined Networking,SDN)作为一种新兴网络架构模式,通过将控制平面与数据转发平面解耦合,以软件可编程的方式集中控制网络中资源配置,可有效解决传统网络在满足当今复杂网络需求方面的局限性问题。正是由于控制器的集中管控能力以及可编程能力,使其为实现网络中流量管理工程及路由规划工程奠定了基础。目前为止,SDN控制器对于流量类型的识别是基于Open Flow协议中的To S字段,这种流量识别的精度不高且难以区分种类越来越多的流量类型。而路由规划是基于跳数的最短路径算法,这种路由策略在流量数据较大时极易产生网络拥塞。为了提高SDN网络中的服务质量保证(Qo S),本文主要研究了SDN网络中的流量分类算法以及路由规划算法,主要工作内容与创新点如下:(1)介绍了SDN的研究背景及意义,重点分析了SDN网络中的流量分类与多路径路由的研究现状,简要指出了本文研究内容与创新点。通过对SDN结构框架、卷积神经网络模型以及多目标优化算法等相关技术的详细介绍,为本文在SDN网络中的流量分类问题以及路由规划问题的研究奠定了理论基础。(2)针对SDN网络中的流量分类问题,提出一种基于一维卷积神经网络的在线流量分类算法。该分类算法使用深度学习算法中的卷积神经网络模型作为流量分类器,首先基于传统卷积神经网络结构Le Net-5的基础上设计了一种新的网络模型结构,使其在保证较高的分类准确率的同时降低了分类所需时间,以更适用于在线流量分类的实现。然后利用网络公开数据集对所设计的卷积神经网络模型进行离线训练,并将最优模型嵌入到SDN控制器中。最后通过SDN控制器在线预处理后将数据包传入分类器中进行流量业务类别预测,流量分类总准确率达92.13%。(3)针对SDN网络中路由规划问题,提出一种自适应多目标优化路由规划算法。该算法将多目标优化的遗传算法(NSGAⅡ)中的快速非支配排序、精英策略以及拥挤度算子引入到SDN网络中的路由规划问题中。首先利用控制器对底层网络链路资源信息监控能力获取到链路剩余带宽、链路丢包率、链路时延等信息确定多目标优化函数。然后通过利用贪婪策略生成初代种群,对第一代种群进行非支配排序,使用拥挤度算子进行选择、交叉和变异操作,并引入精英策略保证种群的多样性。最后通过监控模块实时监控自适应调度多目标优化路由算法以预防网络拥塞问题的发生。通过实验仿真结果显示,该路由规划算法与传统路由算法相比在链路利用率、吞吐量、丢包率及时延等方面均有较好提升。