随着信息技术的不断发展,GPU等计算加速器的使用,计算性能得到很大提升,也意味着每分钟有大量的数据通过网络传输,对于计算任务来说瓶颈从计算向通信进行转移。分布式机器学习就是一种常见的高性能计算任务,当训练数据量很大的时候,节点间的大规模通信可能会造成网络瓶颈的出现,现存的网络是一种通用的设计,网络结构僵化,无法针对分布式机器学习提供灵活的支撑能力,难以动态地调整网络与分布式机器学习进行适配。为了解决底层网络难以感知适配分布式机器学习,造成其网络瓶颈从而导致性能下降的问题,本论文研究与设计了面向分布式机器学习的光网络控制机制,能够利用光网络天然的灵活性以及SDN技术对网络资源的集中控制特性,针对分布式机器学习应用的性能需求,根据当前的网络状况进行适应性调整,把网络设计成灵活可控的,能够向着紧密贴合分布式机器学习需求的方向在交换模式、拓扑、资源分配等方面进行调整,提高其应用性能。论文中针对分布式机器学习这种应用进行了网络瓶颈的实验分析,基于SDN设计并实现了光网络控制机制,包括编排器与网络控制器的设计、自定义网元的YANG模型设计、南北向协议的设计,最后搭建实验平台进行相关验证,证明了面向分布式机器学习的光网络控制机制的可行性和有效性。另外,本论文针对边缘计算和云计算的场景,设计并实现了一种计算和网络资源联合调度的编排器,利用计算资源信息和网络资源信息进行联合调度,避免出现局部热点、负载不均衡等情况从而导致用户服务质量下降情况的发生。最后通过搭建实验平台进行了相关的实验验证,证明了其有效性。