近30年来,全世界正快速向信息化社会迈进。互联网技术的兴起和演进在这个过程中起了非常重要的作用。但网络规模持续不断的增大,使网络管理面临网络流量激增,网络负载增大等诸多挑战。如何高效稳定地运行整个网络系统成为如今社会网络管理者的考虑重点。对此,业界诞生了以软件定义网络(Software Defined Network,SDN)作为新型网络管理手段的网络流量态势感知技术。该技术对改进网络系统的管理能力提供了许多助力。网络流量态势感知的关键是通过对网络中与流量相关的态势信息进行提取、融合、分析并在此基础上对未来趋势进行预判,感知的结果可以辅助网络管理人员进行感知决策,以降低潜在风险避免损失。结合SDN网络控制器对网络流量数据的较强管控能力和机器学习方法在数据分析和数据挖掘方面的突出优势,本文做了基于机器学习的SDN网络流量态势感知技术研究,主要工作如下:(1)研究流量态势预测技术,为解决传统支持向量回归方法训练中对参数调节敏感,陷入局部最优的问题,将灰狼优化算法引入到SVR的训练中,提出一种基于灰狼算法优化支持向量回归的态势预测方法,即为GWO-SVR(Gray Wolf Optimization,GWO)算法,对该模型的参数、适应度函数等进行详细设计,给出详细预测过程,然后进行实验测试,最后与其它模型进行对比验证了其优越性。(2)研究基于流量态势预测的多控制器负载均衡方案,以实现态势预测结果在多控制器负载均衡特定领域的知识应用,完成简单态势决策原型设计。该方案结合流量态势预测算法和预测负载值判断控制平面的负载均衡程度是否低于阈值,若判断可能发生负载不均现象则以交换机迁移的方式进行预处理,避免出现过载控制器进而影响网络性能。相关研究多采用过载后处理方式,仿真结果表明,本文的过载预处理方案可以有效提高SDN控制平面的负载均衡度。(3)基于对态势预测技术和多控制器负载均衡方案的研究,对系统做需求分析,进行网络流量态势数据收集系统的设计和实现,搭建SDN网络实验平台,设计和实现各子模块,进而完成整个SDN网络流量态势感知系统。