传统网络过渡到SDN已经成为网络未来发展的趋势之一。SDN过渡是指传统网络迁移到SDN的过程,具体包括传统设备的替换、控制器的放置以及过渡过程中的资源管理和技术升级。通过SDN过渡,可以提高网络的管控能力,实现网络流量的灵活控制。其效果已经经过业界的认可,其中典型的范例是Google的B4网络改造。由于技术、资金和网络稳定性等方面的限制,传统网络的设备替换无法一次完成,势必采用逐步替换或增量部署的方式进行迁移。该过程对网络的转发层、控制层和应用层均会产生影响,不同的迁移策略为网络带来的收益不同,进而产生迁移过程的优化问题。从转发层来看,在逐步过渡期间,网络将处于混合SDN的状态,即网络中既包含传统网络设备,又包含SDN设备。节点迁移顺序不同,使得过渡期间的网络状态不同,产生的收益也不同。从控制层来看,混合SDN中控制器放置会影响网络中控制设备和转发设备的交互效率。从应用层来看,混合SDN中不同的网络资源分配策略会影响链路利用率、网络效用和QoE等关键指标。因此,SDN过渡问题需要分别从转发层、控制层和应用层展开研究。本文首先从转发层出发,研究网络逐步过渡中的节点迁移策略;之后从控制层出发,探索混合SDN中的控制器放置问题;最后从应用层出发,研究混合SDN网络资源分配问题。主要的贡献和成果概括为四个方面:(1)传统网络到SDN的迁移策略针对SDN过渡的节点迁移问题,本文从用户收益的角度出发研究迁移顺序的决策方案。本方案在定义因迁移而产生的用户收益时还考虑多个参数的影响,主要包括:因迁移产生新路径的数量和质量,以及新路径可以服务的用户流量。基于用户收益的定义,本方案提出以最大化用户收益为目标的迁移顺序优化方法。实验结果证明,所提方案可以保证每个迁移阶段下用户收益的最大化。(2)混合SDN控制器放置优化混合SDN中,不同的控制器放置策略会影响网络中控制器与交换机的交互效率,进而影响到网络的管控效率。管控延时和控制器负载均衡度是控制器放置的两个重要指标。为了优化这两个指标,本文从两个方面开展研究:控制器放置位置的优化和管控关系的优化。针对第一个方面,本方案以最小化管控时延为目标决策控制器的放置位置。针对另一个方面,本方案将其抽象为二分图最小权匹配问题,同时从管控时延和负载均衡度两个指标进行优化。实验证明,所提方案既可以保证最小化管控延时,又可以保证控制器的负载均衡,使控制信息可以高效地在SDN控制器和SDN转发设备之间转发。(3)基于最优化模型的混合SDN资源分配混合SDN具有多路径转发的特性,为利用该特性提升网络效用,本文针对混合SDN网络资源分配机制开展研究。首先,针对混合SDN核心网的资源分配,本文提出以最大化网络效用为目标的资源分配优化方案。实验证明,该方案能够最大化SDN过渡期间的网络效用,提升用户对带宽和路径分配策略的满意度。其次,本文针对混合SDN5G网络的资源分配开展研究。当接入网是基于NOMA的5G无线网络时,除混合SDN核心网络的路径和带宽分配外,网络资源分配问题还包括接入端的子信道和功率的分配。针对该问题,本文提出以最大化网络效用为目标的端到端网络资源分配优化方案。实验证明,该方案能够最大化混合SDN5G的网络效用,提升用户对带宽、信道和功率等资源的满意度。(4)基于深度强化学习的混合SDN资源分配基于最优化模型的资源分配算法复杂度高,在网络规模较大的情况下很难快速适应网络变化。为此,本文引入深度强化学习算法,能够基于实时交互的SDN状态信息和经验进行快速决策,以快速适应网络变化。本文针对多媒体服务的特点,提出了基于深度强化学习的资源分配方案。该方案通过与环境的交互,可以智能地分配网络资源,并保证用户QoE的最大化。同时,为快速获取用户对资源分配方案的满意度,提出了 QoE的预测模型。该模型可快速为资源分配策略的调整提供反馈,加快学习的速度。实验证明,所提方案相对于基于最优化的方法会有明显的QoE提升。