随着大数据时代的到来,深度学习技术已经成为当前人工智能领域的一个研究热点,深度学习已成为计算机科学以及其他学科中各种领域的突破性机器学习技术,其已在图像识别、语音识别、自然语言处理、搜索推荐等领域展现出了巨大的优势,并且仍在继续发展变化。然而,深度学习在网络中的网络流量控制的应用是一个相对较新的领域。随着无线网络的发展,网络中的路由方法等有效的网络流量控制成为了一个关键的挑战。这是因为传统的路由协议没有从他们先前的网络异常(例如阻塞等)的经验中学习。因此,智能网络流量控制方法对于避免此问题至关重要。在本文中,我们将通过人工智能的方式实现路由,学习历史的网络状态从而预测网络中的阻塞状况。本文的主要内容如下:1、分析了现有的传统路由协议OSPF的优缺点,OSPF在断路时收敛速度较快,但是对阻塞不够敏感,并且无法从发生过的阻塞中学习经验,还会再次发生相同的阻塞问题。本文主要根据该协议对阻塞问题处理时的不足设计了采用人工智能的方法进行路由,具体将采用卷积神经网络来实现,卷积神经网络作为人工智能中重要的一员,在网络阻塞的判断中有一定的优势。2、设计采用了卷积神经网络的方式进行深度学习,卷积神经网络可以多尺度抽取特征,当类似的问题再次出现时就可以避免阻塞的发生。为了充分发挥卷积神经网络中感受野的特性,设计了特定的网络描述作为输入,分别设计了路由器的状态描述和流量分布描述,以矩阵的形式适配于卷积神经网络的输入。3、设计了卷积神经网络的结构,针对输入完成了具体的卷积层和池化层设计,以及选取特定的激活函数,保证了梯度丢失的问题。然后设计了通过集中控制的方式,完成了对网络中路由器的数据收集和实时路由下发的功能。通过卷积神经网络得到了阻塞集合,然后再进行筛选和匹配。为了避免训练数据不足所产生的影响,设计了实时训练的方式,通过网络的运行数据,对卷积神经网络进行实时训练,达到更好的效果。4、通过仿真特定情境下的网络,与传统的OSPF协议作比较,得到了较理想的结果,在负载较低时,卷积神经网络实现的路由与OSPF相近。在负载较高时,卷积神经网络实现的路由在平均延迟和丢包率方面都有所降低。