流量分类是网络服务质量（Quality of Service,Qo S）控制机制、流量异常检测的第一步,是拥塞控制和网络安全等方面的一个重要研究分支。在复杂网络分析时,基于机器学习流量分类方案往往需要获取大量正确标注的样本,这需要大量的人工操作。因此低标识率下实现更高精度的流量分类仍然是一个棘手的事情。其次,自动驾驶场景需要毫秒级的实时响应时间,这导致了对高速和低延迟的传输网络的研究。本论文第二个研究内容涉及一种软件定义网格拓扑的传输网络,它的功能如集中控制、基于软件的流量分析和动态更新转发规则。我们具体研究了智能路由编排和相关的流量分类方法。论文的主要工作如下所示:（1）研究了智能网络流量分类的实现。本文尝试了两种基于图卷积网络（Graph Convolutional Network,GCN）的网络表示方法,以避免大量标注的样本问题。所研究方法便于将基于图结构网络的表征学习与网络流量问题相结合,在比较少的标记样本下获取一定的网络流量分类精度。初步的实验结果表明,所研究的方法在小网络规模下取得了较好的性能,分类准确率达到97.35%。（2）研究了网格拓扑的、传输网络中的路由编排、流量分布与流量分类。该传输网络设计是一种联合路由预测和转发的范例,其中训练阶段的输入数据来自一种最短路径的路由方案,并且我们使用离线训练来获取有关的模型。其次,利用当前网络状态数据（如业务请求值和队列长度）和已经训练好的模型,预测器将输出路由序列的向量。这里的主要挑战是需要从有限的训练样本数据集中训练合适的模型,该模型将根据当前和历史的网络数据来动态更新转发规则。通过引入不同的流量分类模型,如逻辑回归和并行神经网络,该范例实现了一种智能的路线安排。在不同流量模式下的实验结果验证了该设计的可行性。