随着计算机网络规模的不断扩大和各种新应用的层出不穷,传统的网络基础架构已经越来越不能够适应用户的新需求。于是,软件定义网络（Software Defined Network,SDN）作为一种新的网络范式应运而生。不同于传统的网络结构,SDN实现了控制面与数据面的分离,降低了网络管理的复杂性,并为网络提供了可编程性,具有很大的应用前景。然而在带来诸多优势的同时,SDN仍然面临着传统网络中就一直存在的可靠性问题,因此故障诊断一直是SDN研究中的一个研究重点。本研究主要针对SDN网络的拥塞故障开展研究。目前SDN网络故障诊断研究中最大的障碍是没有足够的故障样本数据用于基于机器学习算法的故障诊断,从而导致故障诊断的正确率低且只适用于规模较小的网络。于是本文提出了一种基于生成对抗网络（Generative Adversarial Networks,GAN）的SDN链路性能参数仿真算法和一种基于卷积神经网络（Convolutional Neural Networks,CNN）的SDN故障定位算法,利用GAN模型自相博弈的特点生成更多的接近于真实链路性能参数的仿真链路性能参数,用于CNN故障定位模型的训练;利用CNN模型提取数据特征的同时能够对数据进行压缩,并可以通过大量数据的训练找到输入数据与输出数据的对应关系的特点找到拥塞前链路性能参数与链路拥塞类型的映射关系,实现SDN网络的拥塞预测。基于上述思路,本研究设计并搭建了基于机器学习的SDN故障诊断系统,通过实验测试了整个系统的故障诊断性能,并比较了不同GAN模型的生成数据对CNN故障诊断算法正确率的影响。实验结果显示,GAN模型可以通过少量的真实样本生成更多近似于真实样本的仿真样本,保证CNN故障定位模型的训练收敛速度和故障诊断正确率,其中深度卷积Wasserstein生成对抗网络（Deep Convolutional Wasserstein Generative Adversarial Networks,DCWGAN）的仿真效果最好。