随着互联网技术的迅速发展,人们对互联网的依赖性越来越大。网络上的应用数量呈现指数级的增长,伴随而来的是异常庞大的流量数据。遗憾的是,网络架构设备的发展速度远远没有网络流量发展的速度快,这种不平衡常常会导致网络链路的拥塞,使用户的上网体验受到影响。软件定义网络(Software Defined Networking,SDN)被认为是下一代的新型网络架构,SDN只有控制器可以发出指令操作底层网络设备,底层的网络设备完全是傻瓜式的操作,这种集中控制可以减少冗余,提高效率。基于上述现状,本文将基于深度学习技术对SDN流量进行研究,旨在解决网络流量的预测问题。首先,论文介绍了网络流量预测的研究背景和现状,对相关技术也作了详细的阐述。然后,提出了一种基于深度学习的SDN流量预测框架,并对该预测框架的预测机制进行了充分的研究和探索,对框架中涉及的每个模块的功能和作用都进行了研究,各模块相互协作完成网络流量预测的工作。最后,基于TFTS(TensorFlow Time Series)模块研究了适用于SDN流量预测的深度学习模型。本文在SDN环境中采集了大量的流量数据,并将采集到的数据输入深度学习模型进行训练和预测。结果表明,基于长短期记忆模型(Long Short-Term Memory,LSTM)的改进的 TFTS 模块的预测性能,在输入14天每隔30分钟采集一次的流量数据之后,最高达到了93.48%的准确率。准确的流量预测的结果,可以作为下层设备和上层应用进行相应的网络状况的判断和处理的依据。