随着云计算、大数据等业务的兴起,数据中心网络规模及用户数量快速增长,网络流量呈爆发式增加,以TCP/IP架构为核心的传统数据中心网络难以高效管控海量的数据流量,网络阻塞问题加剧,网络资源浪费严重,如何均衡数据中心网络负载以提高数据传输效率成为当前亟待解决的问题。近几年,以控制与转发分离为特征的软件定义网络(Software Defined Networking,SDN)技术凭借其强大的流量管控能力得到了IT界的广泛关注。逻辑集中的SDN控制器基于全局网络视图可实现高效、细粒度的网络流量调度,这使其在网络流量管控方面较以TCP/IP架构为核心的传统网络具有较大的优势。本文从大象流识别的角度,对SDN数据中心网络负载不均衡的问题进行研究。首先,针对现有大象流识别方法识别开销大的问题,提出一种大象流两级识别方法。依据大象流数据量大的特点,该方法在识别第一阶段提出基于TCP发送队列的可疑大象流识别算法(Suspicious Elephant Detection based on Write Queue,SED-WQ),通过监测主机端发送队列缓存中的数据量特征以识别可疑大象流,剔除数据量较小的老鼠流以降低第二阶段控制器的处理开销;依据大象流持续时间长的特点,该方法在识别第二阶段提出基于流持续时间的真实大象流识别算法(Real Elephant Detection based on Duration Time,RED-DT),通过监测网络端可疑大象流的持续时间特征以识别真实大象流,剔除不满足条件的大象流以提高大象流识别准确性。其次,针对SDN数据中心链路负载不均衡的问题,提出一种基于大象流两级识别的SDN网络负载均衡策略(Elephant Load Balancing,ELB)。针对网络中的大象流,采用基于均匀分布的大象流调度算法,利用SDN控制器动态精细地规划大象流的最佳转发路径以保证ELB策略的管控效率;针对网络中的老鼠流,采用基于随机选路的老鼠流调度算法,利用SDN控制器静态粗放地选取老鼠流的最佳转发路径以降低ELB策略的控制器处理开销。最后,利用Mininet软件对所提出的大象流两级识别方法和负载均衡策略ELB进行仿真分析。实验分析表明,在保证大象流识别的高准确性前提下,大象流两级识别方法较基于采样的大象流识别方法可以降低约85%的控制器识别开销;在保证流量识别开销较低的前提下,ELB策略较传统基于等价路由(Equal Cost Multipath Routing,ECMP)的网络负载均衡策略降低约10%的平均传输时延,提升约5%的链路平均利用率。