网络技术和网络设备领域的快速发展推动了网络架构朝多元化、异构化、大规模方向发展。路由作为网络的基本功能之一,负责计算网络中数据分组的传输路径。网络建模是路由算法的基础,准确高效的网络建模能够提升路由的处理能力和优化效率,从而影响网络性能。现有的矩阵建模方法表达效率与表达准确性欠缺,不利于网络性能的提高。基于此,本文面向软件定义网络架构下的网络表示学习问题开展研究。本文尝试将网络表示学习算法与路由结合,通过在网络建模中引入知识图谱架构,将网络的节点、链路和报文映射为低维向量,进而提高网络表示的效率和准确性,并通过仿真实验将本文提出的算法与传统最短路径的路由算法比较。针对以地面网络为代表的静态网络拓扑,本文通过知识图谱映射模型将网络的节点、链路和用户报文映射为低维向量,使得向量能够学习到网络中的拓扑特征。在此基础上,设计了基于向量相似度的路由算法。仿真实验表明本算法相比于传统最短路径算法具有接近的平均时延、更低的丢包率以及更高的平均吞吐量,算法也具有良好的可扩展性。针对以卫星网络为代表的动态网络拓扑,本文通过设计网络快照技术与知识图谱映射模型相结合的建模方法,将动态变化的网络拓扑时间离散化为知识图谱序列,将不同时隙内的网络节点和链路映射为相似的向量,并在此基础上设计了基于向量相似度的路由算法。仿真实验表明本算法相比于最短路径算法和基于网络快照的最短路径算法,具有更低的丢包率和更高的平均吞吐量。