随着互联网的迅速发展,人们对高服务质量（QoS）的需求不断增长。数据中心作为网络流量的主要载体,面临着巨大的网络资源管理的挑战。为了对网络流的QoS性能指标（如时延、抖动以及丢包率等）进行优化,就必须对网络的传输特性进行建模。也就是说,只有理解了网络拓扑结构、流量强度以及路由方式等各个变量之间复杂的内在联系,对网络进行建模,利用建模后得到的网络模型对网络流的候选路由方式进行评估,才能知道应该如何对网络流进行路由决策,进而改善其端到端QoS性能指标。传统的基于启发式的网络建模方法,通常需要利用已有的先验知识和专家经验,使用数学方法对网络系统进行建模,然后基于近似算法或求解器进行问题求解,将得到的结果为路由优化提供指导。然而,这些方法很难准确地描述现实网络场景中的系统特性,且计算时间长,无法满足实际网络环境中快速部署的要求。针对该问题,有学者提出了一种基于SDN的网络建模算法Route Net,其借鉴了消息传递神经网络的思想,通过在链路与路径两个实体之间进行消息传递,能够捕获到网络潜在的传输特性。然而,该算法没有考虑到路径中不同链路的重要程度,在复杂的网络场景下,模型准确率会有一定的下降。另一方面,由于该算法未能捕捉到各个QoS性能指标之间的相关性,其需要为平均时延、抖动与丢包率指标训练多个神经网络模型。综上所述,本文针对以上不足,进一步解决了数据中心的网络建模与优化问题。本文的主要贡献概况如下:（1）针对数据中心网络管理的问题,本文形式化地给出了网络建模的问题定义,同时给出了一种基于监督学习的网络QoS性能指标预测的大致框架。此外,本文还给出了多个利用网络模型输出的QoS指标预测值,进行网络优化的示例;（2）针对本文研究的网络建模问题,在预测每条路径的端到端QoS性能指标时,考虑到路径与链路之间的关联以及路径中不同链路对于整条路径的路由结果影响程度不同,本文提出了一种结合消息传递神经网络与自注意力机制的网络建模算法。该算法能够区分各条链路对于路径的端到端路由性能指标的重要程度,刻画出不同拥塞程度链路的属性,从而为路径状态生成有效的表征向量;（3）为了解决多个网络QoS性能指标的预测任务,在上述神经网络模型的基础上,本文提出了一种基于多任务学习的网络建模算法。在该多输出预测的网络模型中,各个网络性能指标的输出通过跨层连接,加强了特征信息之间的互补与融合。同时,本文还引入了一种自动学习该多任务损失函数权重的机制,从而解决了多个任务之间训练难度不均衡的问题,进一步提高了模型预测的准确率;（4）根据典型的胖树型和VL2数据中心网络拓扑结构,本文基于OMNe T++设计了网络传输的仿真环境,模拟了数据包收发的网络场景。然后利用仿真生成的样本,通过实验来验证算法的有效性。实验结果表明,本文提出的算法能够改善网络流的平均时延、平均抖动以及丢包率等QoS指标的预测准确率,且该网络模型能够直接应用于真实的网络优化场景中。