网络技术的飞速发展与网络基础设施的广泛部署促进了社会数字化转型发展,海量数据的计算、传输和存储也推动了大型数据中心的建设与智能化升级转型。流量调度作为一种有效利用网络资源的技术,能够优化网络性能并帮助网络快速适应业务变革。而传统的数据中心架构以及流量调度方式已不能满足低延迟连接、高质量传输的需求。因此,本文主要研究了数据中心场景下基于软件定义网络架构的动态流智能调度机制。具体论文工作与研究内容如下:首先,针对目前数据中心网络流量负载不均衡和链路资源利用率低等流量与资源调度问题,分析软件定义网络架构在数据中心的应用潜力,并阐述了数据中心网络中流量调度关键技术的相关研究工作。其次,针对当前数据中心网络内流量激增、网络需求愈发复杂等问题,本文提出了一种基于深度强化学习的动态流调度机制。该机制借助多智能体强化学习算法完成流量调度,无需求解复杂数学模型便可在预先计算的路径上进行有效的流量分配,进而合理利用网络资源。仿真结果表明本机制较基于单智能体强化学习的流量调度机制有明显的性能提升,在不同网络架构下也能有良好的收敛性和鲁棒性,达到了充分利用网内资源的目的。最后,针对基于软件定义网络架构的数据中心存在的可伸缩性瓶颈和严重性能问题,本文提出了一种基于流量分级检测的数据中心网络服务质量保证机制。该机制下,控制器会根据流量分级检测的结果,为不同类型的流执行差异化的调度策略,避免网络拥塞状况,从而提高网络链路利用率等网络性能、保障网络服务质量。仿真结果表明,差异化流调度可以根据当前网络状态动态地执行流量调度策略,保障了网络良好的性能。