随着网络规模扩大和数据流量的爆发性增长，传统的基于包级别的采样技术难以在当今高数据量、高速链路转发的情景下实现全局网络的采样。另外，为了实现网络安全分析、应用识别、服务质量保证等应用功能，网络管理系统往往更加看重的是采集到全局网络中的每一条流，以及获取流级别的深度信息。然而，目前的深度包检测技术与基于数据测量的技术在全局的连续包采样、深度信息收集上都有各自的缺陷。因此，在收集器带宽资源的限制下，实现全局的、高精度的流级别的采样需要一种全新的方法。
　　本文针对上述问题，提出了一种基于软件定义网络(Software-Defined Networking,SDN)的流级别感知架构，并且提出融合了自适应候选采样节点选取算法和深度强化学习算法的优化策略用于合理的采样节点选取和采样资源分配。该流感知架构借助SDN控制器全局集中式的数据管理能力，以及OpenFlow组表技术，实现了全局的、连续且完整的数据包采样；融合了贪心与流介数中心性的自适应候选采样节点选取算法有利于采样资源集中分配，以及降低网络中相同数据流对神经网络训练的干扰，进而合理地选择出部分关键的候选采样节点；基于深度强化学习算法采用一种优化的深度双Q网络(Double Deep Q-learning Network, Double DQN)，解决了现实网络环境中建模不准确、高维状态空间的疑难，能动态地恰当地为采样节点分配采样资源。两种算法组合为一种基于深度强化学习的数据流采样优化策略。然后，在该流感知架构下，我们根据多种影响采样精度的因素合理设计实验。实验证明，我们提出的组合的优化策略比传统算法能提升数据流采样精度。
　　综上所述，本文基于深度强化学习和软件定义网络技术，提出了一种两步走的数据流采样优化策略：一是自适应候选采样节点选择算法；二是基于DoubleDQN的动态采样资源分配算法。在流感知架构下，两种算法的结合能采集到连续带载荷的完整数据包，并提升数据流采样精度，尤其是提高老鼠流的采样精度。