业务量工程(Traffic Engineering)能够通过为业务选择合理的网络路由来达到充分利用网络资源、提高网络性能、满足Qos需求等目的。在SDN网络中,集中式的SDN控制器能够在全局拓扑上进行业务量工程,提高业务量工程的优化效果。然而,由于互联网应用的快速增加,短时间内会有大量业务到达SDN网络,同时,SDN网络的规模也相应增大,这要求SDN控制器能在短时间内在大网络拓扑上为大量业务计算路由,业务量工程的计算面临着时间上的挑战。所以,为了缩短SDN控制器的计算时间,本文利用GPU的强大并行计算能力来加速业务量工程算法。针对SDN IP网络,本文首先将业务量工程问题建模成一个带链路容量约束的MILP模型。为了求解这个模型,本文设计了两种并行算法GA-PTEA(Genetic Algorithm Based Parallel Traffic Engineering Algorithm)和LR-PTEA(Lagrange Relaxing Based Parallel Traffic Engineering Algorithm)。其中,GA-PTEA将原来的业务量工程模型简化为基于备选路径的业务量工程模型,利用并行的遗传算法来求解业务量工程问题,并行加速比可达到10倍以上。LR-PTEA则采用了拉格朗日松弛的方法,首先通过松弛链路容量约束,将业务量工程问题分解为一批业务的最短路径计算问题,然后设计了基于GPU的并行算法来加速最短路的计算。LR-PTEA使用次梯度下降方法来求解拉格朗日对偶问题,为了加快次梯度算法的收敛速度,LR-PTEA采用了高效的次梯度步长更新方法,同时,LR-PTEA在求解对偶问题的过程中采用了快速的路径调整策略来获得对原问题目标函数的可行解。本文的实验发现基于GPU的LR-PTEA并行算法可以在短时间内得到业务量工程问题的优化解,与串行算法LR-STEA(Lagrange Relaxing Based Serial Traffic Engineering Algorithm)相比,加速比可达到10倍以上。在SDN弹性光网络中,首先,为了简化频谱分配问题,本文采用分层图模型将弹性光网络中的频谱分配问题转化为路由选择问题。其次,为了优化弹性光网络中业务的路由代价,减少资源使用,降低阻塞率,本文设计了TESAA(Traffic Engineering and Spectrum Allocate Algrithm)优化算法。最后,为了缩短SDN控制器的计算时间,我们对TESAA进行并行加速,分别针对无权图和带权图设计了基于GPU的并行路由算法。实验发现TESAA可以大大减小路由的代价、节省网络资源和有效降低业务的阻塞率,基于GPU的并行算法PTESAA(Parallel TESAA)与串行算法STESAA(Serial TESAA)相比,加速比可达到10倍以上。