预测流类型是实现数据中心优化调度流的基础,而现有的预测方法在准确性、控制开销、预测时间、流颗粒度等方面都有提升空间。为此,基于深度学习的多维度特征刻画能力以及软件定义网络(SDN)集中控制的特点,针对数据中心对于流颗粒度、模型大小要求的不同,本文提出如下三种解决方案:(1)针对大象流的预测,提出了边缘预分类+中心精分类两级预测机制,预分类模型使用残差网络算法+具有代价敏感性质的Softmax交叉熵损失函数,精分类模型使用残差网络算法+Additive Margin Softmax交叉熵损失函数。首先,使用随机森林模型筛选出流的时间分布特征、流的实时特征、数据包头部特征3个维度的10个特征。然后,部署在网络边缘的SDN交换机上的预分类模型滤除大部分老鼠流。最后,部署在SDN控制器的精分类模型精准地识别出大象流。基于公开数据集的实验显示,在前五个包进行预测时,召回率可以达到91%,准确率达到93%,控制开销为0.1kbps,预测时间为7ms。所提机制与Flow Seer、ESCA、NELLY等现有主流机制相比,各性能指标均有改善,马修斯相关系数是NELLY的2.52倍,预测时间减少到Flow Seer的0.35%,控制开销降低到ESCA的0.046%。(2)针对多流类型的预测,提出了另一种两级预测机制,第一级模型使用单向单层GRU(Gate Recurrent Unit)算法+具有代价敏感性质的Softmax交叉熵损失函数;第二级模型使用双层GRU算法+Softmax交叉熵损失函数,其中,第一层使用双向,第二层使用单向。首先,通过分析流量在流大小和流持续时间的分布确定分类的阈值。然后,使用方差选择法以及随机森林模型筛选出10个特征。部署在网络边缘的SDN交换机上的第一级模型滤除两种持续时间较短的流;部署在SDN控制器的第二级模型对剩余的流进行更进一步的识别。基于公开数据集的实验显示,在前五个包进行预测时,准确率达到86%,Kappa达到0.79。(3)为了降低预测模型的复杂度,提出了一种基于知识蒸馏(Knowledge Distillation)的模型压缩方法。首先,设计一个老师模型和一个学生模型。然后,利用已经训练好的老师模型以及训练数据的真实标签指导学生模型的训练。基于公开数据集的实验显示,学生模型的大小可降低到老师模型的约20%,在老师模型的准确率、召回率分别达到92.18%、91.31%的情况下,学生模型的准确率、召回率分别也可达到89.81%、88.71%。