软件定义网络是一种新型的网络架构,其将网络设备控制面与数据面分离开来。一个逻辑上集中的控制器负责所有的决策控制,而数据面的交换设备只负责网络中数据封包的转发。这个架构使得网络数据流更加的灵活可控。而面对日益增长的网络流量压力和不断升级的应用需求,如何在此集中控制的架构下,为用户提供高质量服务的同时,实现网络资源的合理分配,从而全面提升网络性能便成为了一个重要的研究议题。而通过对这个复杂的流量工程问题进行数学建模可以证实,其为一个NP完全问题。虽然目前,研究人员已经在网络资源分配,特别是动态路由决策方面提出了很多较为先进的启发式算法。但是在解决这个NP完全问题时,这些算法均会带来较高的计算时间花销,无法在真实网络所要求的时间内完成动态路由的选择。本论文提出了一种的解决方案,力求实现实时的动态路由决策。在一个可靠的网络环境中,我们用多个监督式机器学习模型在控制器端构建了一个路由决策元层。为了能够使经过训练的机器学习模型,具备启发式算法根据当前网络状态计算优化路由的能力,本文将启发式算法的输入和输出分别作为训练样本的特征和标签对模型进行训练。在所有模型训练完成之后,该路由决策元层便可以完全取代耗时的启发式算法。即当控制器收到有新的连接请求,其便可以根据采集到的实时网络状态数据,独立计算得出与启发式算法近似的优化路径,而这一个预测过程则是非常迅速,完全满足真实网络部署的需要。同时,为了能够更加有效地抽取有用的网络特征,并使机器学习模型充分考虑该约束满足问题中约束条件和优化目标的影响,我们利用了深度学习的思想,并且基于分类受限玻尔兹曼机,提出了高斯-二进制条件分类受限玻尔兹曼机模型作为路由决策单元,并给出了该模型的具体训练算法。之后通过详尽的数学论证与仿真实验,本文分别从理论和实践的角度证实了条件分类受限玻尔兹曼机可以成功地应用于该动态路由决策框架中。而通过该深度学习模型的准确预测,本架构最终实现了网络资源的快速分配。