随着现代互联网技术的高速发展,机器学习技术近年来在各领域得到了突破,深度学习也成为网络运营商们配置和管理其网络的可行方法。但由于传统路由器数据面和转发面紧耦合,使网络在可扩展性和灵活性上都受到了极大的限制。传统网络设备间的独立性,也使机器学习技术难以在网络环境中部署,当链路中出现突发流量时,现有的路由选择协议又不能智能的根据链路实时状态信息对流量进行调度,让网络服务质量在这些情况下得不到很好的保障。而软件定义网络SDN技术的出现打破了这一瓶颈,它利用集中控制器下发流表的方式来实现对底层硬件的控制管理,增加了逻辑部署的灵活性。因此,SDN架构在处理网络拥塞方面具有极大的优势,可以方便地利用它在网络可编程和集中控制方面的特性,实现特定的路由决策。对于网络链路上容易出现的拥塞问题,本文在SDN环境下提出一种基于卷积神经网络的实时训练应用,具体研究工作如下:(1)研究了 SDN技术的网络架构,SDN控制器和OpenFlow协议的工作原理。分析了传统路由协议在链路选择方面可能存在的问题,即无法通过当前网络状态信息调整路由策略,当链路发生拥塞时,还是根据发生拥塞状况之前的路由策略选择路径,而卷积神经网络CNN则能通过实时训练的方式有效地对链路的拥塞情况做出判断。(2)通过对SDN网络中流量控制的描述而设计了具有独特输入和输出的卷积神经网络,将网络中新增的数据流量、交换机缓存等待队列还有链路的负载情况作为链路状态的描述,将链路中的数据包延迟与所设置的延迟阈值作比较,用作判定当前网络环境的拥塞状态。选择合适的卷积核大小、卷积层、全连接层数量和激活函数让模型能够对预测结果有更好的表达能力。通过深度优先遍历DFS实现最优路径的选择。(3)设计实现了对应承载算法的系统,在Ubuntu虚拟机上利用Mininet仿真模拟器,搭建SDN网络拓扑,设计了数据采集、流量预测和路径选择模块,将设计的功能部署在Ryu控制器中实现对Open vSwitch交换机的数据流量的转发和调度。实验结果表明,利用卷积神经网络相较于传统的路由选择方案,具有更高的智能,有效地降低了数据包时延和丢包率,缓解了网络拥塞状况。