流量矩阵描述的是整个网络中源、目的节点对之间的流量大小。流量矩阵是网络监测、网络流量工程、网络计费等应用的重要输入。传统网络的流量矩阵测量主要是通过链路负载等信息来进行反演推算,然而传统网络的链路负载信息非常有限,因此测量的准确度不高。SDN网络则能有效地提高流量矩阵的测量准确度,因为它的流表项可以统计所有匹配的流的总大小,从而为反演推算提供更多的输入信息。但是将现有网络升级成为SDN网络,会给企业和互联网服务提供商造成巨大的预算和运营负担。因此混合SDN网络开始出现并成为研究热点。然而对于混合SDN网络的流量测量和流量管理方法,当前的研究还非常少,而且已有的研究存在许多缺陷。因此,本文第二章对混合SDN网络的流量测量方法进行了研究。近年来,诞生了许多混合SDN网络流量矩阵的测量方法,其中最大流优先测量法具有较高的测量准确性。但是最大流优先测量法需要求解辅助二分图的最大权最大匹配,因此其复杂度较高,耗时较长。所以本章提出了一种基于距离的最大流优先测量方法,它不仅复杂度低,耗时短,而且测量精确度也非常高。接着,本文第三章对混合SDN网络的流量管理方法进行了研究。混合SDN网络能够对SDN交换机进行动态配置从而灵活地控制网络中的流量。然而现有研究忽略了流自身的约束(比如流是不可分割的)对流进行任意聚合和分割,此外一味地追求负载均衡,根本没有考虑SDN节点TCAM表项有限的约束。因此本章研究在流不可分和TCAM表项有限约束下的负载均衡问题和最大化吞吐量问题。针对这两个问题,本章分别建立了整数线性规划模型,并提出了一种基于遗传算法的路由优化方案来分别求解它们。在通过仿真分析后,发现这种方案能够有效的提升网络性能。最后,本文第四章就流量测量和流量管理的联合优化问题进行了研究。因为SDN交换机的TCAM表项有限,而流量测量和流量管理都需要消耗大量的TCAM表项,因此它们的性能会相互影响,需要找到一个折中点来使流量测量的准确度尽量大并且同时流量管理的效果也尽量好。在联合优化模型中,优化目标是一个多目标函数,各个目标的权重难以选择。因此本章提出了两种近似求解方法:流量测量优先和流量工程优先。仿真结果表明,它们都取得了比较好的效果。