随着互联网、物联网和移动互联网的发展,网络服务与设施已经成为人们基础设施服务中必不可少的一环,改善了人们的生活水平,提高了生活质量。在享受互联网的便利的同时,大量的网络攻击、恶意流量和入侵行为给人们带来了巨大的损失。网络数据采集作为感知网络环境最直接的方式,为实时网络监控、网络性能评估、网络攻击检测、流量分析、过滤与计费提供了数据基础。随着5G的即将落地与网络数据规模的爆炸式增长,现有的网络数据采集方法,如NetFlow和sFlow等,依赖于传统IP网络架构,难以根据网络情境制定精准有效的采集策略,不能适应新兴的网络需求和挑战。SDN(Software-Defined-Network,软件定义网络)网络结构的引进给网络数据采集方法的改进带来了新的契机。许多基于SDN的网络数据采集方法,依赖于SDN实时网络感知能力以及开放的可编程性,实现了实时的网络数据采集。然而,网络数据采集问题依旧没有得到很好的解决。一方面,当前的数据采集方法在性能和消耗难以达到均衡,现有的采集算法无法同时兼顾网络数据的全面性和准确性。另一方面,应用场景单一、缺乏普适性是当前数据采集方法的另一个显著问题。现有的数据采集工作不具备网络环境的自适应能力,在网络拓扑更改和流量场景变化时无法进行有效的采集。针对上述问题,本文提出了基于SDN的自适应网络数据采集系统,旨在利用对网络情境的充分感知能力,生成普适、高效、低消耗的自适应网络数据采集策略,以解决以往数据采集工作高冗余、高消耗、应用场景单一的问题。具体而言,首先,本文凭借SDN对网络拓扑结构与流量的感知能力,评价并量化网络中的节点和链路可用性状态;其次,系统根据网络的链路和流量状态,定位网络拓扑的关键点,仅在网络关键点采集网络数据。该方法替代了传统的集中式采集与简单的分布式采集方法,具有智能化的分布式数据采集能力;最后,本文考虑到大流的流内冗余给网络数据采集带来的负担,使用流内采样算法达到了在保证对流规模可恢复的前提下,减少数据采集规模的目的。该算法在由大流主导的现实网络中及许多DDoS场景下具有重要意义。为了验证所设计的网络数据采集方法的正确性,本文基于SDN的floodlight控制器实现了该方案的原型系统,并通过拓扑生成工具mininet和流量仿真工具scapy仿真了网络和流量场景。在本文的测试实验中,本文验证了本文设计的系统在运行效率、CPU与内存消耗、存储资源消耗、流大小恢复能力及威胁感知能力等方面均具有较好的性能,从而验证了本文中方案的有效性。