流量工程是软件定义网络（Software Defined Networking,简称SDN）的一类典型应用,主要研究网络流量的测量和管理,通过设计可行的路由机制,优化网络流量调度,从而提高网络资源利用率并满足服务质量。但是随着云计算和物联网的不断扩展和应用,基于传统网络技术的流量工程具有局限性。网络规模的扩大导致难以在封闭的网络设备中部署新的协议,增加了网络运营商定制化网络服务的难度。用户对服务需求的增加以及各种新型服务的出现,也增加了运维的成本和网络功能管理的难度。SDN和网络功能虚拟化技术（Network Function Virtualizaiton,简称NFV）是数据中心网络（Data Center Networs,简称DCNs）中大数据计算、存储、分析等核心功能的高效运转的关键。与传统网络相比,SDN控制转发解耦和NFV软件硬件分离的特点在支持流量工程中具有巨大的优势。虽然SDN扩展了网络资源的范畴,但是带宽和流表成为有限的网络资源,这对精确的网络流量测量和高效灵活的调度网络资源、网络功能提出了更高的要求。随着SDN和NFV技术的发展,开展SDN的流量工程研究具有很大的现实意义与应用价值。本文结合该方向的最新研究成果,主要研究了软件定义网络中的流量矩阵估计和网络流量调度。本文的主要工作与贡献包括以下三个方面:第一,研究了大流识别的SDN流量矩阵（Traffic Matrix,简称TM）估计。主要通过将SDN提供的部分直接测量信息与推理技术相结合得到混合网络的测量方案。首先采用梯度增强机（Gradient Boosting Machine,简称GBM）从多个历史TM识别大流,找到大流采样源-目的对（Origin to Destination pair,简称OD对）,然后针对有限的流表资源,提出了一种贪婪启发式算法,解决SDN使能交换机（SDN-enabled switches）的选择问题,确保选择的大多数的大流采样OD对能被跟踪监测,其次还提出了一种基于源节点前缀树的位合并聚合方案（Source Node Prefix Tree Based Bit Merge Aggregation,简称SPTBMA）,通过设计可行的转发规则为大流采样OD对保留更多的流表空间,进而提高TM估计的精确度;最后,基于大量真实流量数据集的仿真实验,结果表明提出的方案在提高TM估计精度和克服有限流表资源方面优于现有的算法。第二,研究了分布式SDN中联合流量感知的中间件选择和路由。在静态配置机制的SDN中,流量的动态变化不仅会影响数据平面中的链路负载,还会影响控制器之间的负载。SDN和NFV可以灵活管理基于软件中间件（Middlebox）的服务,但是中间件中不同的虚拟网络功能会改变已处理流量的大小,当没有联合处理好中间件选择和流量路由时,特定的瓶颈链路会产生高度拥塞。为确保控制平面和数据平面有更好的服务质量,该问题首先表述为一个具有流量感知的联合中间件选择和路由问题,随后设计了一个两阶段算法解决这个NP-hard问题,其中第一阶段是用通配符规则重定向选定的流的路由,第二阶段是用基于凑整的方法来寻找细粒度的路由路径,最后实验结果表明,提出的方法比现有算法更接近最佳的控制器负载和链路负载均衡性能,且控制器响应时间减少了2-5倍。第三,研究了面向5G网络切片的服务功能链（Service Function Chain,简称SFC）重新配置。越来越多的用户随时随地尝试在5G网络中访问其定制的服务,SFC请求将根据不断变化的流量需求和可用资源进行动态和自适应地重新配置,但是SFC重新配置涉及流重新路由,虚拟网络功能（Virtual Network Functions,简称VNFs）实例缩放和迁移等问题,这会消耗额外的资源并导致服务中断,进而降低用户体验。为了解决这个问题,首先针对现有资源和扩展资源两种应用场景构建了最大接受比率最小重新配置开销的优化问题,现有资源下的目标是以最小重构开销执行重新配置,而扩展资源下的目标是接受具有正收益的SFC请求来获取利益,随后,设计了一个低复杂度的启发式算法解决这个NP-hard问题,最后,实验结果表明,该算法可以提高请求的接受比率和降低重配置开销。