新型软件定义网络(Software Defined Network,SDN)架构将网络的管理与控制软件化,实现了网络控制层与数据层的分离,其控制器能够实时获取网络数据层的数据传输状态,并可定制、更新数据层的数据流路由策略。流量调度的目的是根据实时的网络状态为流量选择最佳路径进行转发,然而由于网络的规模庞大,结构复杂,传统方法难以制定出全网范围最优的数据流路由调度方案。随着人工智能技术的发展,网络也向着智能化的方向演进。尤其是随着深度强化学习技术逐渐成熟,其基于环境状态更新回报的控制机制非常适合应用于软件定义网络的流量控制场景,实现全网最优的数据流实时调度。在SDN架构下,结合数据中心网络流量特征和Fat-Tree网络拓扑结构特性,提出了一种面向大象流的基于机器学习的流量调度策略。首先设置了策略中强化学习的关键因素状态、动作和奖励值,将源、目节点之间最短路径的网络状态设为状态,最短路径集合设为动作,由执行数据流转发后的路径状态反馈得到奖励值。然后分别将机器学习中的强化学习Q-Learning算法和深度强化学习DQN算法应用到流量调度算法中,利用算法可以根据实时的网络状态为每个不同Pod间的大象流选择最佳调度路径,从而提高网络吞吐量和链路利用率,降低网络传输时延。最后,在Mininet和Ryu控制器构成的仿真平台上搭建Fat-Tree网络拓扑环境,对提出的基于机器学习的流量调度策略进行实验仿真。在相同的网络环境,不同的流量模型下,对提出的基于Q-Learning的流量调度算法和基于DQN的流量调度算法与已有的ECMP和Hedera算法进行实验对比,然后通过网络平均吞吐量、链路利用率、链路带宽利用率、时延和丢包率等网络性能指标对实验结果进行分析。结果表明,基于机器学习的流量调度策略在一定程度上可以提高网络平均吞吐量,改善网络资源利用率,减少数据流传输时延,保障网络传输。图22幅;表6个;参63篇。