当今数据中心交换机通常使用片上共享内存,合理的缓存管理策略对保证端口之间的缓存公平共享和减少分组的丢失具有重要意义。本论文首先对交换机共享缓存管理这一领域进行了研究,研究发现传统的缓存管理策略在一些场景下会导致端口之间的缓存分配不公平,甚至导致某些突发流的不必要丢包。这是因为传统的缓存管理策略只根据当前缓存区的聚合信息进行决策（如动态阈值（Dynamic Threshold,DT）策略只根据空闲缓存大小进行缓存管理）,并对所有端口使用相同的缓存管理标准。这样的策略忽略了不同流量模式的端口之间的差异性和交互作用。为解决这一问题,本论文提出了一种基于深度强化学习的交换机共享缓存管理机制（Shared Buffer Management based on Deep Reinforcement Learning,SBM-DRL）,利用神经网络来高效学习缓存管理策略,实现在不同网络环境中自适应地进行交换机共享缓存管理。为了方便算法研究人员进行模型训练和对各种缓存管理策略进行性能评估,本论文基于NS3网络事件仿真器,设计并实现了交换机共享缓存管理仿真平台（NS3 with Shared Buffer Management,NS3-SBM）。本论文根据课题需求进行了需求分析,明确了仿真平台的功能性需求和非功能性需求;接着进行了概要设计,给出了仿真平台的总体架构;在此基础上完成平台的详细设计与实现。最后,对仿真平台进行了完整的测试。