在5G时代,蜂窝网络产生了巨大的数据量,新兴的移动应用极大地增加了流量的多样性。了解大规模网络中的移动流量模式对智能系统管理和资源调整具有重要意义。传统的流量预测方法一般基于对单链路历史数据研究,最新的机器学习技术能够更好捕获数据的时空相关性。传统网络系统固有的分布式特性,使得对各网络区域的控制变得复杂与困难。软件定义网络架构的提出突破了传统通信网络架构的这一限制。网络控制器具有全局网络视图,能够监视和收集实时的网络状态、配置数据以及包和流粒度信息,并对网络进行动态编程,这使得网络能够实现集中式控制和管理,因此机器学习技术能够直接适用于软件定义网络。本文的研究内容分为两部分。首先针对网络流量预测的问题,提出了基于深度学习的网络流量预测模型。由于网络流量数据具有非线性和突发性,并且不同的用户上网行为和频繁的用户移动带来了巨大的时间和空间动态,系统级移动流量预测面临重大挑战。时空图建模是分析全局网络流量的空间关系和时间趋势的有效方法。然而,地理距离表示的图结构并不一定反映最优相关性。为了克服原始数据给图结构带来的局限性,本文提出了自适应图卷积网络,该模型基于图神经网络改进,并将循环神经网络和空洞因果卷积网络结合。模型利用图卷积网络自适应邻接矩阵捕获空间相关的特征,随后输入到循环神经网络或空洞因果卷积网络对流量的时间维度特征进行建模。方案验证使用两个基站接入网和一个骨干网数据集对模型性能进行评估,结果表明,新的自适应图卷积网络方法优于基准的图卷积网络,平均绝对百分比误差降低了 3.7%、5.6%和3.1%。其次,为验证网络流量预测的研究成果,本文搭建了一个软件定义网络的仿真原型,研究了流量预测在动态路由策略和负载均衡问题上的应用。本文的系统在应用平面集成了数据采集、模型训练部署、路由决策和网络状态可视化等一系列模块。在控制平面,本文在多路由技术的基础上,提出了动态负载均衡路由算法。该算法利用网络实时状态和预测数据实现在数据平面上链路带宽的负载均衡。仿真系统的在线对比测试表明,在相同业务流量压力下,新提出的动态负载均衡算法能有效提高数据平面的负载均衡度,比加权多路径路由、等价多路径路由等算法有更好的网络整体性能。