数据中心网络是支撑云计算服务和应用的基础,其性能直接影响服务提供质量,网络流量调度是保障云计算时代数据中心建设的关键技术。传统的网络流量调度方法以降低流量完成时间FCT(Flow Completion Times)为目标,在流量大小或传输截止时间等先验知识已知的基础上对流量进行优先级划分。虽然在以上先验知识未知的情况下,基于多级优先反馈队列的网络流量调度方法PIAS(Practical Information-Agnostic Flow Scheduling)利用多级队列阈值提高短流量传输优先级,优先传输短流量,进而改善了短流量传输实时性。但是,由于数据中心网络流量存在突发性、动态变化性等特点与需求,应用PIAS方法时面临着队列阈值与流量大小不匹配问题,导致短流量实时传输性能降低。与此同时,从网络流量传输整体性能优化的角度考虑,仅优化短流量传输实时性具有局限性,还需兼顾长流量传输性能的优化。因此,为了解决以上问题,亟需开展数据中心网络流量传输实时性优化方法的研究。本文的具体研究内容如下:(1)针对云数据中心网络传输动态变化的特点和服务提供实时性的需求,以降低网络流量完成时间为目标,本文分析了数据中心网络应用流量大小分布函数,构建了新的基于强化学习的阈值优化模型,提出了一种基于Q学习的多级队列阈值动态调整算法,优化了PIAS性能,降低短流量的传输时延,改善用户体验。实验表明,在流量大小分布、网络负载状态相同的情况下,与PIAS方法相比,本文所提方法的短流量传输平均完成时间降低了32.9%,全部流量平均完成时间降低了26.2%。(2)数据中心网络流量特征符合长尾分布,针对基于多级反馈队列的网络流量调度方法中,短流量一直处于较高优先级队列中优先传输,长流量处于低优先级队列中,存在长流量饥饿问题,造成长流量传输需求不能够得到满足的现象。为实现长、短流量的均衡传输,本文设计了一种基于深度强化学习的网络传输策略决策方法,提出了相应的基于深度Q网络(Deep Q-Networks,DQN)的传输策略决策模型与决策概率动态调整算法,优化网络传输决策,在保证短流量实时传输的同时,优化长流量传输性能。实验表明,在同等条件下,与PIAS方法相比,本文所提方案的长流量平均完成时间降低了21.8%,全部流量平均完成时间降低了30.6%。(3)本文设计并实现了一套数据中心网络传输实时性优化原型验证系统,该系统包括多级队列阈值初始化、阈值优化模型训练与方法决策模型训练等模块,符合数据中心网络动态变化特征。在此基础上,本文对原型系统和相关算法开展了一系列测试,测试结果分析证明,所提出的针对数据中心网络优化的传输实时性方法有效性,流量的实时传输性能达到了预期目标。