随着网络业务量的持续增长以及海量应用程序的引入,使得网络体系结构产生了新的需求。而传统TCP/IP网络越来越难以满足这些问题,因此ICN（Information Centric-Networking）这一全新架构应运而生。ICN通过解耦内容与位置简化了通信过程,但没有了主机对主机协议,使得网络流量控制更为复杂。同时ICN网络天然支持多源多路径,单个流的数据内容可能从多个源端的数据库或缓存内容中进行检索,使得各个流的状态很难被识别和控制。因此,在ICN中,网络流量控制与优化方法的研究是网络研究者和网络供应商面临的一个重要问题。本文针对ICN流量控制问题,从以下两方面展开研究。1.在ICN中,时延和吞吐量是决定网络性能的关键指标。而在现有ICN流量调度工作中,由于时延和吞吐量的优化过程相互制约,因此通常仅考虑优化其中一个指标,即单目标优化。这就导致在优化过程中,另一未优化指标仅有轻微提升甚至不增反降的情况。针对这一问题,本研究将多目标优化思想引入流量调度工作中,提出了基于密度排序的进化算法（Density Sorting-based Evolution Algorithm,DSEA）。DSEA同时优化了时延和吞吐量两个指标,在降低时延提高吞吐量的基础上使二者达到了良好平衡。仿真实验表明,与其他三种多目标遗传算法aw GA,NSGA-II,RVEA相比,在常用评价指标IGD,GD,和HV中,DSEA算法均表现最优。2.在ICN通讯过程中,通常对于实时业务和非实时业务不加区分的执行相同的转发和路由策略。而当处理实时业务时,往往需要连续发送兴趣包以请求数据,这就造成了大量上行链路带宽的浪费,并增加了通讯时延代价。针对这一问题,本研究提出了针对实时业务的多节点协商流量控制机制。通过近端策略优化算法（Proximal Policy Optimization Algorithms,PPO）与环境进行交互学习,当往返时延减小,则奖励策略,通过算法迭代来更新参数,从而构造针对实时业务的传输速率自适应的算法,得出处理不同业务时传输速率选择的概率。仿真实验证明,与经典拥塞控制算法AIMD,BBR,CUBIC相比,本研究的算法在链路利用率和往返时延等指标中均表现最优。