近年来随着5G、云计算、物联网的快速发展,各种网络应用层出不穷,网络规模不断扩大,网络流量爆发式增长。如何通过对网络流量的合理调度,避免网络拥塞,提高网络资源利用率,保证用户体验质量,越来越成为网络领域需要重点研究的问题。随着SDN网络架构的提出和对网络数据收集、分析能力的增强,再加之深度学习与深度强化学习在自适应学习、自动控制等领域的突破性进展,为可实时适应网络变化的动态、智能流量调度方法的实现提供了可能。本文对网络流量调度问题进行了深入研究,提出了基于数据驱动的网络流量调度优化方法。应用了深度强化学习和图神经网络技术,在SDN（Software Defined Network）网络中对流量传输进行了优化,实现了实时、动态、自适应的流量调度,有效提升了网络资源利用率和数据传输质量。本文主要研究内容和创新点如下:首先,针对现有流量调度方法缺乏动态适应性的问题,提出了一种新的基于数据驱动的网络流量调度算法——FS-DD（Flow Scheduling-Data Driven）。利用深度强化学习方法,以流量需求矩阵作为状态输入,在与不同网络状态的不断交互中去训练智能体（Agent）。使其学习到如何在不同网络状态下选取出对网络拥塞影响最大的关键数据流集合,然后通过对这些数据流的调度达到减轻网络拥塞,降低网络时延,提高链路利用率的目标。其次,针对FS-DD算法在任务的动作空间随着网络规模增大而增大时,表现出的算法收敛速度减慢,学习效率不高的问题。结合利用并行探索环境空间机制加快训练速度的A3C（Asynchronous advantage actor-critic）算法,提出改进的网络流量调度算法——FS-A3C（Flow Scheduling-Asynchronous advantage actor-critic）。并且在输入的网络状态表示中加入链路负载信息,提高对关键数据流特征表示学习的准确性,进一步加快训练速度。第三,针对已有基于数据驱动的流量调度方法在网络拓扑等网络环境参数变化后适应性不足的问题。本文对基于数据驱动的网络流量调度方法的泛化能力进行了讨论,结合该方法中涉及的图类型数据结构（网络拓扑）与流量传输过程来讨论方法可能存在的组合泛化能力[1]。在FS-A3C算法中加入基于图神经网络的消息传递网络,实现了改进的网络流量调度算法——FS-GNA3C（Flow Scheduling-Graph Network Asynchronous Advantage Actor-critic）。提高了智能体在未知（unseen）网络状态与未知网络拓扑上的性能表现,提升了方法的泛化能力。最后,利用Python、Tensor Flow和NS3-gym工具,搭建了本文提出的基于数据驱动的网络流量调度方法仿真平台。通过实验验证了本文提出的流量调度方法相比已有的基于深度强化学习的流量控制算法（DRL-TE）以及传统的Top-K Critical、ECMP算法,在时延优化方面平均分别有约5.2%、14.3%和30%的提升,同时实现了更优的负载均衡。在收敛速度方面,改进的FS-A3C、FS-GNA3C算法相较于FS-DD算法有约7%的提升。在泛化性方面,改进的FS-GNA3C算法在两个测试环境中的时延优化表现相比FS-A3C算法分别由有接近9%和18%的提升。说明本文所提出的方法能对网络流量进行有效的调度,优化网络性能,改进的算法能够提升方法的收敛速度,并使得方法具有一定的泛化能力。