随着云计算和人工智能等新兴技术的蓬勃发展,数据中心正面临着业务多样化、规模扩增化与流量复杂化的挑战。数据中心内的网络流量爆炸式增长,大象流占据了数据中心网络的宝贵带宽,老鼠流极易被大象流挤占带宽资源,导致传输时延加大,甚至影响业务性能。因此,为了有效提高带宽利用率、降低传输时延、改善应用性能,需要针对大象流和老鼠流进行实时准确的识别分类,以便后续能及时地调控其传输。然而,网络流属性间关系复杂,数据中心内流量场景多变,面对分类的复杂性挑战与智能化需求,传统的分类方法逐渐被机器学习方法所替代,但仍面临实时性差的问题。为此,本论文提出了基于神经网络的数据中心内网络流在线分类方法,主要研究内容如下:第一,本论文设计并实现了基于FPGA的神经网络分类器。由于在线分类方法要求神经网络模型的训练具有很高的速度,而FPGA与神经网络相结合时可以充分发挥各自的并行性优势。因此,本论文基于FPGA设计并实现了两种不同隐含层激励函数情况下的神经网络分类器。具体讨论了其整体结构设计以及各个子模块的硬件实现细节,并通过仿真和实验验证了硬件资源使用情况,对比了基于FPGA实现方式与基于CPU实现方式下的模型训练时间和模型准确性。第二,本论文设计并实现了基于神经网络的大小流在线分类方法。依托基于FPGA的神经网络分类器的实现,本论文针对数据中心内网络流的特点,设计了一种从网络流前几个数据包的属性获取分类特征的大小流在线分类方法,并基于FPGA硬件平台实现了高速数据收发、包接入与帧字段解析、流属性获取、统计特征计算等相关功能。通过设计实验场景,将本分类方法应用于数据中心内三种流量分布场景下的大小流分类问题中与基于流量动态变化的自适应大小流分类问题中,以验证其分类准确性、实时性与自适应性,实验结果表明:分类准确率最高可达99.8%,并且对大象流具有100%的识别能力;在流量动态变化后,分类准确率能够在较短的时间内提升至90%以上。