随着互联网深入人们生活,网络流量爆炸式增长,网络的功能场景及架构更加复杂多变,SDN网络架构的出现,可以在很大程度上缓解因处理繁琐配置导致的业务上线慢、新技术应用难问题,提高网络运行效率。分布式SDN架构在大型数据中心具有广泛的应用,但控制平面内多控制器之间存在的负载不均衡问题,会对用户体验度和网络性能产生极大的影响。本文在SHLB(Scalable and Hierarchical Load Balancing)模型的基础上,提出了基于隐马尔可夫和最大熵的流量预测及SDN控制平面预部署模型(PPME)。SHLB模型在数据平面和控制平面之间插入一个中间层,根据协议类型对数据流进行分类,并将不同类型的数据流发送到不同的控制器进行处理,在缓解SDN控制平面的负载不均,改善交换机的频繁迁移等方面具有有效性。但是网络中的数据流具有动态性,短时间内的突发事件可能会导致控制平面的低性价比迁移及网络性能的下降。为了保持控制器部署稳定性的同时还能够适应网络的动态变化,PPME模型在SHLB模型的基础上,增加了网络流预测模块,可以根据历史数据流预测未来一段时间的网络流;基于预测结果,PPME可以自适应生成控制平面的部署方案;在方案运行的过程中,PPME会实时监督该方案与网络实际情况的匹配度,并引入信任值和奖惩机制,当信任值低于一定阈值,会启动新一轮的网络流量预测,并生成新的部署方案。基于这三点改进,可以解决SHLB模型对短时突发事件的敏感反应,降低低性价比迁移的发生,同时还能捕捉网络的长期动态变化,自动生成新的部署方案。实验结果证明了PPME在流量预测、提高网络性能、用户体验度及网络可用性等方面的有效性。