当前SDN-Campus控制器已应用于传统园区及连锁零售、连锁酒店和连锁餐厅等具有园区网络特点的集中化管理场景中。然而随着SDN市场的发展,控制器需要纳管的网络设备越来越多,原有小容量场景的设计方案无法承载用于监测网络设备的海量性能数据。在本论文中,主要通过引入大数据技术重新设计性能数据的汇聚与分析方案,重点解决海量性能数据的高效存储、快速统计分析与预测分析等问题。在SDN-Campus控制器性能数据汇聚分析系统中,主要解决了以下几个问题:(1)通过对比不同的大数据储存系统,本课题选择HBase作为存储海量性能数据的数据库。根据性能数据具备时间维度和空间维度的特点,对HBase的主键Rowkey进行设计优化,并通过自定义过滤器Filter和BulkLoad快速导入方式进一步提高性能数据的存储和查询效率。(2)通过对比不同的计算框架以及将HBase作为大数据存储系统的综合考量,本课题选择Spark作为处理汇聚与分析海量性能数据任务的大数据计算平台。通过运用RDD和DataFrame数据结构、MapReduce操作和Spark-SQL技术,并以Java与Scala混合编程方式,共同实现海量性能数据的复杂计算任务,进一步提高了计算的可行性和高效性。(3)针对“某餐厅”场景下性能数据在时间维度中的特点,使用数值计算软件库TensorFlow中的Timeseries与RNNCell等组件构建长短期记忆网络LSTM模型实现性能数据的预测,并通过TensorFlowOnSpark组件将TensorFlow的计算任务下发到Spark大数据计算平台中,大幅降低了预测模型的构建时长。目前,SDN-Campus控制器性能数据汇聚分析系统已经实现了辅助功能与汇聚分析核心功能模块的开发,经过项目团队的测试与验证,该系统满足预期需求。SDN-Campus控制器性能数据汇聚分析系统的实现,为SDN-Campus控制器其他系统组件的海量数据的存储与计算提供了较好的方案,为项目团队后续将小容量设计全面升级改造为大容量设计提供参考。