SDN（Software Defined Network）是一种新型的网络架构,解耦控制平面与数据平面,实现网络的集中控制,有效解决了传统网络配置复杂、设备管理困难等问题,能更好的实现全局优化。但随着网络规模的不断扩张,单控制器部署有限的处理能力以及易出现单点失效等问题,已成为整个SDN网络的瓶颈。因而多控制器部署已成为必然趋势。但由于网络流量具有时变性和突发性,极易引发控制平面负载不均衡,致使网络整体性能下降和大量网络资源被浪费,因而如何解决SDN控制平面负载不均衡问题已成为研究的热点。在现有解决负载不均衡问题的策略中,静态负载均衡策略由于控制器与交换机的映射关系固定不变难以应对实时变化的网络流量,易产生新的负载不均,不适合真实网络。本文主要针对现有的动态负载均衡策略中无法很好的避免控制器过载,交换机迁移时机选择粗放、难以实现实时智能负载均衡等问题进行深入研究,提出了一种基于负载预测的动态负载均衡策略,利用深度学习进行负载预测,并在此基础上确定合理的交换机迁移时机,再借助深度强化学习模型最终实现实时智能化的动态负载均衡,有效提高了网络性能和资源利用率。主要研究内容如下:首先,从数据驱动的角度出发,本文引入了知识定义网络（Knowledge Definition Network,KDN）的理念,设计了一种新的动态负载均衡架构,该架构可减少控制器间的通信开销,并借助负载预测产生的知识以及具有负载均衡知识的决策模型快速制定出高效的负载均衡策略,最终实现网络管理的自动化、智能化。其次,针对现有的动态负载均衡策略无法很好的避免控制器过载的问题,本文设计了时序自注意力卷积神经网络（Temporal Self Attention Convolutional Network,TSACN）模型实现对控制器负载的预测。该模型在时序卷积网络（Temporal Convolutional Network,TCN）模型的基础上添加了自注意力机制并进行了修改,实现在增加对序列数据内部相关性捕获的基础上,同时维护了模型的可解释性。提高了负载均衡决策所需要知识的质量,以便后续迁移时机的确定和智能负载均衡的实现,进而避免控制器过载的发生。第三,针对交换机迁移时机选择粗放问题,本文设计了触发交换机迁移阈值,即利用获得的控制器预测负载,判断出在未来W时间窗口内是否存在过载控制器并且控制器过载次数是否超过触发交换机迁移阈值,据此确定合适的交换机迁移时机,因而在实现对交换机迁移代价以及收益权衡的基础上有效避免了控制器过载的发生。第四,针对难以实现实时智能负载均衡问题,本文利用深度强化学习善于处理高度时变环境的特点,将改进后的A3C算法作为交换机迁移算法,将TSACN预测产生的知识和网络状态信息作为输入,综合优化目标作为奖励函数,再利用与环境的不断交互生成对应网络状态下的最佳负载均衡策略,最终实现实时智能的动态负载均衡。此外,对原本A3C算法中的优势函数以及动作空间探索进行改进,进一步加快收敛速度和提高解的质量。最后,利用Mininet和Ryu搭建本文的实验仿真环境,首先对TSACN模型的预测性能进行验证,实验结果表明该模型在平均绝对百分比误差（MAPE）上与TCN、LSTM、GRU模型相比分别减少了1.85%,3.04%,3.40%。其次通过对交换机迁移时机进行分析,有效证明了TSACN-LBA算法能在权衡交换机迁移收益与代价的基础上有效避免控制器过载的发生。最后将本文提出的TSACN-LBA算法与NMD、DALB、Q-Learning算法进行对比,实验结果表明TSACN-LBA在系统吞吐量上分别提升了21.89%、16.64%、5.98%,在平均响应时延上分别降低了25.40%、20.36%、5.17%,在资源利用率方差上分别减少了0.0123、0.01、0.0026,证明了本文算法的有效性。