随着网络通信技术的发展,网络结构变得越来越复杂,网络流量展现出许多新的特征,如突发性、非平稳性、多尺度性,对网络的稳定性维护以及通信质量的提高提出了新的挑战。在软件定义网络（SDN,Software Defined Network）中,为了能够在控制器负载较低的情况下,实现对全网转发节点流量状态的监测,本文首先对节点流量进行建模和预测研究,其次对节点进行重要度排序研究。通过对重要节点进行流量峰值预测,在尽可能低的通信开销下实现对整个网络地监测,对可能产生的突发性流量进行预判,从而及时进行路由调整,维护网络的稳定。首先,针对流量在不同时间尺度具有突发特性,基于多重分形理论,结合前人的研究工作提出了一种新的流量建模方法;将多重分形理论与神经网络结合,使用提供小尺度突发信息的外生序列以及能够学习长依赖关系的长短期记忆网络（LSTM,Long Short-Term Memory）进行预测研究,得出一种更加符合流量尺度特性的预测算法。其次,针对大型SDN网络,若对所有节点流量进行峰值预测势必会增大控制器负载,因此对网络中影响较大的重要节点进行监控,提出了 SDN网络中转发节点重要度排序算法。算法结合网络拓扑结构和节点参数信息,对节点重要度进行综合性评估,进而实现重要节点的确定。最后,搭建仿真环境,得出算法的最佳参数值,验证流量建模算法与流量预测算法的准确性,验证节点重要度排序算法的合理性。同时,使用RYU控制器与mininet搭建SDN网络平台,分别建立信息收集、节点排序、流量预测与路由调整的功能模块,实现从节点重要度排序到对重要节点流量均值与峰值预测的完整流程,证明该算法在实际网络环境中能够实现网络风险的预测。