SDN网络控制平面和数据平面分离的思想,可以实现网络的管理和控制。随着对SDN网络研究的深入,如何简化用户操作和使用网络,提高网络自动化运行程度成为新的问题。意图能够快速获取用户的思想,借助SDN实现网络组网和配置,实现更简易的操作方式,成为当前研究的新热度。网络流量感知能够及时获取网络当前状况、精准的感知网络变化、维护网络稳定运行。因此本论文将意图与网络感知结合,主要工作如下:首先,设计系统整体框架,系统由意图模块、数据采集模块、SDN控制模块、流量预测模块和界面组成,各模块相互协作。SDN控制模块捕捉来自于意图模块的信息,并响应给数据平面。数据采集模块用来获取和存储数据。流量预测模块训练神经网络模型,并实现数据的实时预测。借助自然语言处理NLP设计意图转译算法、建立测量策略知识库完成意图映射、通过意图北向接口NBI建立与SDN网络的联系并完成意图交互。对网络流量指标进行定义后,下发“测量”相关的意图,分步骤实现了网络、链路、节点等相关数据的采集和存储,在系统可视化界面展示测量结果。针对当前网络流量的时间突发性和空间相关性,本论文通过图卷积网络GCN提取空间特征,并与门控循环单元GRU提取的时间特征相结合,实现了基于T-GCN的网络流量预测。自注意力机制对原有模型进行改进后,获取网络中每一时刻的数据权重、更好的拟合与前后时刻的关系,得到自适应的A3T-GCN模型。该模型在当前仿真环境下能够提高预测精度。最后,使用ONOS控制器搭建系统实验环境,在Mininet仿真平台进行功能和性能测试。通过意图命令获取当前网络数据,验证了意图驱动的网络测量功能。对A3T-GCN模型多方面的性能进行实验,比较得到了模型最佳效果,并实现了实时数据的流量预测功能。