由于数据中心网络中的应用程序和服务所带来的流量呈爆炸式增长,传统的路由方案很难定制出最优的路由解决方案。软件定义网络（Software Defined Network,SDN）允许用户仅提供自己的控制平面,但设备的数据平面仍然不可替换,并且仍受供应商控制。因此,针对以上问题,提出了一种可编程数据平面中的流量调度策略,利用独立于编程协议的数据包处理器（Programming protocol-independent packet processors,P4）语言所具备的高水平数据平面可编程性来达到流量调度优化的目的。研究主要涉及如下两点:1)提出了一种基于模仿学习的流量调度方法（简称“IL-FS”）。基于模仿学习的流量调度方法利用基于P4的带内网络遥测技术从SDN的数据平面收集细粒度的实时流量数据。在控制平面上,它将生成式对抗模仿学习模型与柔性致动-评价（Soft-Actor-Critic,SAC）模型相结合,以保留流的传输经验,从而更好地调度大流。2)提出了基于二值化卷积神经网络的流分类方法。在数据平面部署二值化的神经网络用于不同业务类型的流量分类,保证最终用户或服务感知的应用程序保持在可接受的范围内。最后,对上述提出的两种方法进行仿真实验,将它们部署在Mininet构建的虚拟网络拓扑中。在网络环境相同的场景下,和等价多路径（Equal-cost multi-path routing,ECMP）、Hedera以及基于深度确定性策略梯度（Deep Deterministic Policy Gradient,DDPG）的流量调度策略比较,通过评估网络性能指标分析实验结果。同时,实验依据精确率、召回率和F1分数评估标准对可编程数据平面中流分类算法进行分析。结果表明,所提出的方法将链路带宽利用率控制在10%到80%范围之间,显著提高了网络的整体性能,保障了网络流量传输时的服务质量。图18幅;表3个;参76篇。