近几年,互联网的高速发展促使网络能力不断增强。数据传输速率的大幅提升和网络资源的增长,为更丰富的新业务发展提供了强大支撑。但是随之也出现了一些问题,每种业务对网络资源的需求不一且难以描述,作为资源管理方无法针对不同的业务需求进行资源的分配;另外,网络资源增长的速度极大的落后于业务对资源需求的增长速度,而不断扩充网络物理资源,以期满足所有业务的需求这种方法无疑会碰到瓶颈。因此,只能在现有资源基础上,以相对公平的方式将资源分配给所有有需求的业务。在这种现状下,业务需求与网络资源控制机制的相关研究就显得迫在眉睫。本文基于上述现状提出了基于业务需求的资源控制技术方案,主要解决两个问题。一是业务需求特征描述的问题,对于业务来说,其业务需求特征会反映在业务所产生的流量中,因此对流量特征进行提取就可以获得业务需求特征。本文基于计算机视觉中卷积神经网络的成果,结合项目需求,提出了基于神经网络的流量识别模块方案,使用Moore数据集来训练神经网络以实现流量识别。先将Moore数据集进行一定处理,并根据实际情况切分数据集为训练集和验证集,然后把训练集的数据输入神经网络中,对神经网络模型进行多轮训练。每一轮训练结束后使用验证集验证训练的有效性,最终得到训练好的神经网络模型。二是解决网络资源分配的问题,本文提出了一种基于业务类型的带宽资源分配方案。根据前一个方案中流量识别得到的业务类型以及提前获取的业务所需带宽资源,结合实际网络环境中的资源情况,给有网络需求的业务相对公平的分配网络资源。首先使用迭代逼近的方法获取所有类型的业务所需的带宽,然后根据流量识别结果得到的业务类型,将所有业务划分为两个队列,针对不同队列将总资源进行分配,之后再在队列内部进行相应的资源分配,最终将资源分配给所有有需求的业务。除上述两部分内容之外,根据方案的需求,本文还基于开源框架实现了一个流量发生器。该流量发生器能够模拟多种类型的业务流量,并支持自定义数据包里字段的功能。在流量识别和资源分配方案中均使用到了流量发生器。本文最后使用Mininet和其他仿真工具对上述两个方案设计和实现的各种功能进行仿真,并对仿真结果进行了说明和分析,仿真结果证明了本文所提出的方案的可行性。