软件定义网络将控制层和数据层分离开来,为控制层提供全局视角,从而做出高效的决策和网络管理来保证用户体验。然而,软件定义网络中的资源(如流表项,控制器处理能力,链路带宽和交换机处理能力等)是有限的,在处理日益增长的网络流量时往往需要进行有效的资源优化。另外,网络中的不确定性,包括流动态性和拓扑的非对称性,也会对现有的网络资源优化方法提出挑战。已有的方法要么不能处理网络中的不确定性,要么需要额外的软硬件增加计算或存储资源来达到负载均衡目的。因此如何在资源受限下克服网络中的不确定性来进行资源优化是十分必要的。本文分别针对单控制器和多控制器场景进行控制和数据层的资源联合优化。对于单控制器场景,本研究设计满足链路资源和控制器处理能力的负载均衡算法,该算法首先主动为部分流部署聚合路径,然后利用反应式路由策略为剩下的流部署流表项。对于多控制器场景,本研究提出控制层和数据层负载均衡联合优化策略(RDMAR)。本文形式化定义这两个问题,并且证明这两个问题是NP难问题。为了解决这两个问题,本研究提出基于随机取整的算法,并且分析该算法在多数实际情况可以实现常数的近似比。系统测试和大规模仿真的实验结果显示本文提出的PrePass算法可以满足资源限制,且相比于精确匹配的路由策略仅仅增加5%-10%的链路负载。另外,本研究通过仿真结果来评估RDMAR算法,结果显示本研究提出的算法与已有的方法相比,可以降低70%的响应时间,而仅仅增加近3%的链路负载.